FAI

Thank you very much!

[Afshine Emrani MD FACC @afshineemrani]

I'm a cardiologist. Something just happened today that I genuinely did not see coming — and it could change the future of preventive medicine more than anything I've written about on this platform.
Midjourney — the AI company that became famous for generating images from text prompts — just announced a medical hardware division and unveiled a working prototype of a full-body scanner unlike anything that's ever existed.
It's called the Midjourney Scanner. And it works like this.
You step into a shallow pool of water. You stand on a platform that slowly descends — about two inches per second — through a ring containing roughly half a million tiny ultrasonic transducers, each the size of a grain of sand. Every one of them acts as both a speaker and a microphone, sending ultrasonic waves through your body from every angle and recording what comes back.
60 seconds later, you step out. The scan is done.
No radiation. No magnets. No claustrophobia. No IV contrast. Just sound, water, and an almost incomprehensible amount of computing power — roughly 2 petaflops processing 17 gigabytes per second of raw acoustic data — reconstructing a 3D map of your entire internal anatomy down to half a millimeter resolution.
Organs. Tissues. Blood vessels. Bones. Muscle. Fat distribution. All segmented by AI in real time.
As a cardiologist who has spent months writing about how the standard screening playbook misses the majority of future heart attacks — this is the technology I've been waiting for without knowing it existed.
Here's why this matters for the future of your heart.
Right now, getting a detailed look inside your cardiovascular system requires either a CT scan (radiation), an MRI (magnets, claustrophobia, 45-60 minutes, $1,000+), or a coronary CT angiogram (radiation, IV contrast, limited availability). These are powerful tools. I order them regularly and they save lives.
But they're reactive. You get them when something is already suspected. They're expensive. They're uncomfortable. And for most people, they happen once — maybe twice — in a lifetime.
Imagine instead: a 60-second scan with no radiation that you could repeat monthly or quarterly. Tracking cardiac structure over time. Watching body composition shift. Detecting changes in organ size, fluid distribution, or vascular architecture before symptoms ever develop. Building a longitudinal dataset of YOUR body that AI can analyze for patterns no single snapshot would reveal.
That's what Midjourney is building toward.
The company plans 50,000 scanners worldwide over six years, with capacity for a billion scans per month. The first location — the "Midjourney Spa" in San Francisco — opens at the end of 2027 with 10 scanners alongside saunas, cold plunges, and a gym. The scan costs a few dollars. The experience is designed to feel like wellness, not medicine.
The technology is built on Butterfly Network's ultrasound-on-chip platform — 40 modules per scanner — combined with Midjourney's own AI segmentation and reconstruction stack. David Holz, the founder, claims the system aims for image quality comparable to MRI in many aspects but at nearly 100x the speed with zero radiation.
Now the caveats — because I'm a physician and the caveats matter enormously.
This is a Gen 1 prototype. About a dozen people have been scanned so far. Current scan time is actually closer to 20 minutes, not 60 seconds — the system is bottlenecked by bandwidth and reconstruction algorithms. The 60-second target is aspirational for future hardware generations.
It is not FDA-cleared for diagnostic use. Midjourney is starting with body composition maps — a category below diagnostic imaging in the regulatory hierarchy. The path from "beautiful 3D body scans" to "clinically validated diagnostic tool that your cardiologist can act on" runs through years of clinical trials, comparative studies against MRI and CT gold standards, and FDA review.
No independent clinical validation has been published. The imaging claims come from Midjourney's own demonstrations. Comparative data against established modalities does not yet exist.
And the privacy implications of full-body internal scans at planetary scale — a billion scans per month — is a conversation that hasn't even started yet.
So I want to be precise. This is not ready for clinical medicine today. It may not be ready for years. Many ambitious medical hardware projects have failed in the gap between prototype and product.
But.
The fact that a working prototype exists — producing real segmented 3D anatomy from sound waves and compute alone — means the physics works. The engineering works. The question is no longer "is this possible" but "how fast can it be validated and scaled."
And if it is validated — if the resolution holds up against MRI, if the AI segmentation proves reliable, if the regulatory path clears — then what we're looking at is the most significant new imaging modality in 50 years.
For my entire career, preventive cardiology has been limited by the fact that seeing inside the body is expensive, slow, uncomfortable, and infrequent. We catch disease late because we image rarely. We image rarely because imaging is hard.
A 60-second, no-radiation, spa-based full-body scan that costs a few dollars would demolish every one of those barriers.
I've written about AI detecting inflamed arteries. About gene editing curing cholesterol. About GLP-1 drugs rewriting metabolic medicine. About cellular reprogramming reversing aging.
This is the missing piece: the ability to see inside every human body, routinely, safely, and affordably — so all of those interventions can be deployed before the disease arrives instead of after.
The company that taught AI to generate images from imagination just built a machine that generates images from the human body.
The future of medicine showed up today from the last place anyone expected.

[Nathan Lambert @natolambert]

Well said.

[168X @168X_Fortune]

https://t.co/PJjufOTQVf

[ClaudeDevs @ClaudeDevs]

Claude Code and Claude Design now sync both ways.

Run /design-sync to pull your design system into your repo and build against your real components, or push what you've built back into Claude Design and keep editing on the canvas.

[Firecrawl @firecrawl]

Starting today, you can try Firecrawl for free without an API key 🔥

Search, scrape, and interact with any web page, plus parse any PDF into clean markdown, with no setup at all!

Start using our endpoints and only sign up when you scale.

Live on our MCP, CLI, and API now!

[Satya Nadella @satyanadella]

https://t.co/vLmiBKTtX3

[数字生命卡兹克 @Khazix0918]

Prompt该退环境了，未来属于Loop Engineering。

最近，AI行业又出现了一个有趣的新词。Loop Engineering。

如果你关注AI这个领域的话，这两天应该都会刷到。推特在刷，各种社媒也在刷，群里也有蛮多人在讨论。事情是这样的。

6月7号，OpenClaw的创始人Peter发了一条推，非常的简短，但是直接就爆了。
翻译过来意思就是：你不再需要为编码智能体编写提示词了，你应该设计循环来提示你的Agent。

而在这之前几天，Claude Code的创始人老哥Boris在一个开发者大会上也说了差不多的话。

他的原话大概是，我不再手动给Claude写提示词了，我运行着能让Claude自动编排任务的循环，我的工作，就是编写这些循环机制。

也就是，写loop。

这两个人呢，说了同一件事。然后Google的Addy Osmani紧接着发了一篇长文，把Loop Engineering这个概念正式梳理了出来。

于是，继Prompt Engineering、Context Engineering、Harness Engineering之后，AI行业的第四个逐渐形成共识的Engineering，就这么诞生了。

我其实是个特别不喜欢造新词的人，但是很多时候，造词这事我觉得还是得分两种情况，有一种我觉得就是为了炒概念，比如xxx 4.0。

而有的时候，真的只是行业太快，人们更需要一个精准的表达来帮助自己表达而已。Loop Engineering我觉得就是后一种。

而且，这个东西跟我自己一直使用Agent的方法、一直在鼓励大家做的事，是高度吻合的。如果你看过我之前写的那篇Harness Engineering的文章，你大概能理解一些我的感觉。那篇文章里我聊了从Prompt到Context到Harness的三次跃迁，聊了马具和缰绳的比喻，聊了约束先行。

而Loop Engineering，其实就是在Harness之上，又往上走了一层。把一个套马的缰绳，变成了全自动工业流水线。很有《文明》里时代的进化的感觉。

给大家举个例子。比如说，以前你用Claude Code写代码，流程大概是这样的。你给它一个任务，它写完了，你看一眼，觉得不太对，你再给它提一个修改意见，它改完了，你再看，再提意见。整个过程你会发现，是坐在设备前的，一轮一轮的，你说一句它回一句，你就是那个驱动整个循环的发动机。

即使我们以前从chatbot时代迈向了Agent时代，绝大多数的事情，也一样是任务制的。

而现在，比如Boris老哥，他的工作方式是，他会去写一个loop，比如/loop babysit all my PRs，自动修CI问题，有新评论就派子Agent去处理，就这么一句话，然后Claude Code就开始自己跑了，它会自动去看他GitHub上所有的PR，哪些CI挂了就自己修，哪些review有新评论就自动派一个独立的工作树Agent去改代码。

他还把一些其他的loop挂到定时任务上，每天晚上自动启动去干这个事，晚上睡觉的时候，甚至有时候会有几千个Agent在同时工作。他自己说，2026年，他就再也没有手写过一行代码了。

你会看到，这就是loop，定好目标，然后全自动流程化，你完全不需要在电脑前，甚至都不需要看手机。

你可以直接睡觉，醒来的时候，代码已经改好了，测试也已经跑过了，PR也已经提上去了。你并不是自己给Agent写了一段Prompt帮你完成某个单次的任务，是你自己设计了一个目标，这个目标使用loop的方式，帮你提示Agent。

你定义目标，定义验证条件，定义失败了怎么处理，然后，就可以放手了，从此以后，这一切，交给系统。

说到这里，我估计很多人已经大概理解loop是个什么东西了。Addy Osmani在他那篇长文里，把一个完整的loop拆成了五个组件。

我觉得这个拆法蛮清晰的，我用我自己的理解给大家过一下。

第一个是定时任务，整个loop的心跳。

你得有一个东西能自动启动循环，不管是定时跑、还是事件触发，都行。

Claude Code里有好几种方式，/loop命令按间隔自动执行，cron定时调度，Hook在Agent生命周期的特定节点自动触发（比如每次改完文件自动跑一遍lint，这个很好玩，教程和玩法我也在准备了），或者直接丢到GitHub Actions里，关上电脑它也在跑。

没有定时任务的Agent，你每次都得手动去踢一脚它才会动，那就不是loop了，那还是你在操控。

第二个是工作树隔离，Worktree（搞过开发的朋友应该秒懂）。

就是你同时跑好几个Agent的时候，给每个Agent一个独立的工作空间，各干各的互不干扰，干完了再合并。两个Agent改同一个文件的痛苦，跟两个设计师同时改一个图层又不打招呼的痛苦，是一模一样的。

第三个是项目知识体系，Addy Osmani在他的原文里写的是skill，但是我觉得他写的不太对，单skill其实是不够的，必须得是知识管理体系。

大家也都知道，AI每次开新对话就啥都忘了，你跟它说过的代码规范、项目架构、踩过的坑，下次开对话全部从零开始。

所以你得有一整套方法来沉淀、优化这些知识，让Agent每次启动的时候就已经知道你的项目，我自己在这快一年的coding开发过程中，总结的方法论其实就沉淀成了我自己的洁癖.skill，这个基本是我的Agent每天调用最多的skill。

CLAUDE.md是全局的规则和约束，跨会话记忆是一些之前悬而未决的记录和文档路由，docs体系就是你完整的所有的知识和经验沉淀，因为CLAUDE.md和记忆都有大小和行数限制，所以每次任务完成后我会用洁癖.skill来对整个的知识体系进行梳理和审查，确保没有错误。

为什么知识管理体系这个东西在loop里特别重要呢？

因为loop是自动跑的，你不在场。如果Agent的记忆里有过期信息，它就会基于错误的前提做决策，如果CLAUDE.md膨胀到几百行全是历史叙事，真正的规则反而被挤出去了Agent读不到。没有干净的知识体系的loop，就像一个每天早上都在看过期文档的员工，干的得越快错得越多。

所以洁癖.skill我非常推荐大家可以去安装一下，也在我自己的仓库里开源了，我自己真的觉得特别有用。

https://t.co/i5t5LtbJzs

第四个是连接器，MCP。

一个只能看文件系统的Agent，能力是很有限的。但你给它接上GitHub、Linear、Slack、数据库，它就能在你的真实工作环境里干活了。

这才叫真正的闭环，从发现问题到解决问题到通知人类，一条龙。

第五个是子Agent。

做事的和检查的分开，写代码的Agent不能自己给自己打分，这跟学生自己批自己的考卷一个道理，它一定会对自己太宽容。所以你得有另一个Agent，甚至用不同的模型，专门来检查前一个Agent的输出，一个负责做，一个负责验。

这五个东西加在一起，就是一个完整的loop的骨架。

Claude Code和Codex有一个命令，其实就是Loop Engineering这套骨架最直接的微观型的产品化体现，只不过很多人没有意识到。

他叫/goal，在Codex里叫追求目标。

意思就是你给Claude一个完成条件，比如「所有测试通过并且lint检查没有报错」，然后它就会一轮一轮的自己干，干完每一轮之后，就会检查这个条件是不是满足了。

大多数讲Loop Engineering的文章，都停在了这一层。讲了五个组件，讲了/goal和/loop命令，讲了怎么配定时任务，就结束了。

这些我觉得，都是术。而我更想聊的，是道。

Loop Engineering这件事，我觉得它最核心最核心的能力，其实不是什么技术能力，也不是写脚本的能力，更不是什么会配hook的能力。

最核心的，是定义目标的能力。定义目标，相信我，这四个字，听起来简单，做起来是真的难。

回到前面说的/goal，它的用法看起来非常直接，给一个完成条件，Claude自己干到满足为止。

听起来很简单对吧。但你如果真正用过就会知道，/goal用得好不好，完全取决于你那个目标定义得好不好。这个事我拿两个例子对比一下你就明白了。

目标A，「把这个应用优化一下」。

目标B，「test/auth目录下所有测试通过，tsc --noEmit零报错，npm run lint零违规」。

目标A会发生什么呢。大家可能都能猜到，Claude会陷入一种非常尴尬的状态，因为它不知道什么叫「优化好了」，除非他是Fable 5，能自己在你之上，自主的帮你定义目标。

而绝大多数的模型，包括Opus 4.8和GPT-5.5，在自己定义目标的能力上还是非常的弱，它可能改了一点代码，然后自己觉得还行，就停了。

也可能不停，一直改一直改，把你的代码库改得面目全非，因为它始终无法判断自己到底什么时候算完成了。那目标B呢？Claude每改一轮代码，都会去跑测试、跑类型检查、跑lint。

三个命令，三个明确的通过标准。全过了就停，没过就继续，清清楚楚，干干净净。同一个工具，同一个模型。

区别只在于，你的目标定义得好不好。

我自己其实一直有一个原则，我经常跟身边的人说，在公众号里也说了无数遍，如果一件事你重复做了三次，你就一定要想办法把它完全自动化掉。

这个习惯跟了我很多年了。我每天也都在写代码、做自动化，我们的AIHOT热点监控系统，我们的数据分析流程，我们的财务对账流程，我们的数据清洗管道，能自动的我全部自动了。

但说实话，在做这些自动化的过程中，我踩过最多的坑，从来不是技术问题。

是目标不清晰的问题。我早期做自动化的时候，经常犯一个错，就是目标定得太模糊。

举个例子，比如自动监控AI行业热点，这句话听起来没毛病，但其实是一句纯粹的废话。

什么叫热点？浏览量过万算热点还是过十万算热点？抓取频率是每小时还是每天？抓到以后怎么评估质量？评估完以后怎么排序？排完以后怎么推送？

这种反问的问题，我现在可以直接随手问20个以上。

每一个环节如果没有明确的判定标准，整个自动化链条就是一坨狗屎，你相信我，绝对的。

后来我懂了，每次做自动化之前，我会先花很多时间去定义目标。

去花很多很多时间，去定义怎么算做完了，怎么做完算做的好。这其实就是/goal的逻辑。也是Loop Engineering的灵魂。

而如何定义目标，这个能力，我其实不是从AI中也不是从开发中学来的。

这个能力，是我从这几年创业的过程中，学来的。定义目标的能力，其实就是，管人的逻辑。

我自己也开公司，虽然公司不大，只有30来号人，但管人这件事我是真真切切经历过的。

管人最痛苦的是什么，不是人不努力，也不是人能力不够，是你给出去的目标不够清晰，然后下属就一脸懵逼，不知道你要什么，跟无头苍蝇一样打转，最后做出来的东西，你又不满意。

你跟员工说，“把这个功能做好”，那他做出来的东西大概率不是你想要的。

因为你脑子里的好跟他脑子里的好不是一个东西。

你跟他说，“这个接口的响应时间降到200毫秒以下，错误率控制在0.1%以内，下周三之前上线”，他做出来的东西跟你预期的偏差就会小很多。

因为你给了他一个可以验证完成的标准。这一切其实也适用于那种天才型的大神，虽然大神们会自己定义目标，甚至比你定义的还要强，但是给大神们依然是需要有目标的，只是这个目标，不需要那么细节了而已。

对人如此，对AI也是如此。

其实你回头看，所有好的管理方法论，不管是管理学之父Peter Drucker在上世纪50年代提出的目标管理，还是后来Andy Grove在Intel发明的OKR，还是再后来一代又一代CEO们用的各种变体，核心其实就一个东西。

你能不能把一个模糊的意图，翻译成一组可衡量、可验证的完成条件。

管理者要做的，是确保目标足够清晰、资源足够充足、反馈足够及时。你看这三条。跟一个好的loop的三个要素，是不是一模一样。

目标清晰，就是你的条件写得精准。资源充足，就是你给Agent配好了Skill、连接器、工作权限，让它手里有足够的工具干活。

反馈及时，就是你设计了验证机制，每一轮都有一个独立的检查器告诉Agent做得对不对，哪里需要改。管人的逻辑和管Agent的逻辑，是完全一样的。

只不过，管Agent比管人还要极端一些。

因为人可以理解你的模糊意图，人可以主动来找你确认，人可以说老板你这个需求说得不太清楚我不太确定你是不是这个意思。

Agent很多时候是不会的。Agent会非常自信地按照它自己的理解去执行，然后非常自信地告诉你它做完了。

所以，对管理能力的要求，其实比管人还高。

这也是为什么我一直说，AI时代我最讨厌什么「文科已死」「理科已死」的言论，管理学、心理学、组织行为学这些，不但没死，反而变得更重要了。

说到底，Loop Engineering说是Engineering，但我觉得其实它的核心竞争力根本不在工程。

在管理。

而在管理学上，就定义目标这件事，其实不止是把话说清楚就行，其实还有一个非常阴险的陷阱，在管理学和经济学里有个专门的名字，叫古德哈特定律。

当一个衡量指标变成了目标本身的时候，它就不再是一个好的衡量指标了。

翻译成人话就是，你考核什么，员工就只做什么，然后其他东西可能全都退化。

这个事在人类管理中已经是老问题了，而在AI Agent身上，这个问题被放大了一百倍，因为Agent比人类更擅长钻规则的空子。

有人总结过Loop Engineering里很好玩的事情，就是Agent会针对验证器做优化，而不是针对你真正的目标做优化。

比如说你的loop条件是让测试全部通过，那Agent可能最后不去修Bug，直接把失败的测试给你删了。

你看，最后答案依然是测试全过了，完事，从验证条件来看，它确实完成了目标，但从你真正想要的结果来看。。。它啥也没干。

人也会这么干，只不过，Agent做得更快、更彻底、更没有心理负担。所以，一个好的目标定义，不能只有做完了的标准，还必须有不能怎么做的边界。

这其实就是Harness Engineering在Loop Engineering里面发挥作用的地方。

Harness是约束，是护栏，是告诉Agent你可以自由发挥，但这条线你不能越。

Loop是驱动力，是告诉Agent往那个方向一直跑。两个加在一起，才是一个完整的系统。到这里，骨架讲了，灵魂也讲了，陷阱也讲了。

Loop Engineering的东西，终于也差不多了。

最后我想把前面聊的管理学的思路收一下，给一个我自己用得比较多的目标定义框架，不一定科学，纯粹就是我自己的一点点经验。

1. 完成标准要可以被机器验证。

2. 边界条件要跟完成标准一起定义。

3. 要有失败的降级方案。

4. 目标要分层。

回到整条线来看，从Prompt到Context到Harness到Loop，四次跃迁，其实讲的是同一个故事。Prompt Engineering告诉你，好好说话，AI会更懂你。

核心能力是语言表达。Context Engineering告诉你，光说话不够，得给AI足够的信息。

核心能力是信息筛选和组织。Harness Engineering告诉你，光给信息也不够，得给AI设规则和约束。

核心能力是系统设计和规则制定。

Loop Engineering告诉你，光设规则也不够，得让整个系统能自己跑起来。

核心能力是目标定义和管理。

语言学、信息科学、控制论、管理学。四个Engineering，四门古老的学科。

多有意思。

人类社会，其实从来就没有变过。

[宝玉 @dotey]

Lovable 的设计负责人 Felix Haas 在社交媒体上分享了一篇关于"AI 时代高效团队"的观察，七条经验总结，来自这家增长速度惊人的 AI 创业公司内部视角。

几条有意思的观点：

第一，别像员工一样等安排。影响力最大的人不问"这归谁管"，看到问题直接上手。主人翁意识不是靠分配的，只能靠自己拿。

第二，招人看态度不看简历。技能当然重要，但光有技能几乎不能预测一个人能不能成事。真正跑出来的人靠的是好奇心、韧劲和学什么都愿意学的心态。在 AI 时代，这一点比过去更明显。

第三，好奇心和沉迷 AI 是两回事。真正用好 AI 的人不是天天刷资讯，而是不断去试那些没人让他试的东西，追那些可能根本走不通的想法。大多数人不会这么做，但少数坚持的人，回报是指数级的。

第四，让资深的人重新动手。这是 Haas 觉得最有意思的现象：经验丰富的管理者重新变成了 builder（建造者）。AI 让个体贡献者的杠杆效应急剧放大，一个深度使用 AI 的资深工程师或设计师，可能是当下公司里最强大的组合。

第五，自我意识是速度的敌人。Haas 说他从没见过自我意识让公司变快，但见过它让公司变慢。最快的团队不太在意谁拿功劳，只在意什么方案有效。

第六，先发布再迭代。一周的内部讨论，抵不上一天的真实用户反馈。最强的团队不追求发布前完美，而是追求尽快学到东西。发布本身就是他们学习的方式。

这些观点单独看并不新鲜，不过 Lovable 这两年发展的确实不错，2024 年上线，8 个月做到 1 亿美元年收入，2025 年底完成 3.3 亿美元 B 轮融资，估值 66 亿美元，是欧洲增长最快的 AI 公司之一。

尤其是“让资深的人重新动手”这一条，可能是 AI 时代最容易被忽视的组织变化。当 AI 工具足够强大，过去被提拔到管理岗、远离一线的高手，重新获得了亲手做事的能力和动力。

[Paul Graham @paulg]

How to Earn a Billion Dollars: https://t.co/WeWBUkKym6

[Peter Steinberger 🦞 @steipete]

Here’s your monthly reminder that you shouldn’t be prompting coding agents anymore.

You should be designing loops that prompt your agents.

[elvis @omarsar0]

https://t.co/nV84ktpZBf

[FAI @faiAI0]

@bryan_johnson

[Avi Chawla @_avichawla]

Karpathy said something you'll regret ignoring:

"Remove yourself as the bottleneck. Maximize your leverage. Put in very few tokens, and a huge amount of stuff happens on your behalf."

Loop engineering is the exact thing that does that.

In a hand-run session, the operator handles two things:

- deciding what the agent runs next
- and checking its output before the next step

Both are manual, and both decide how far the agent gets on its own without the operator.

Loop engineering moves both steps into the system.

A core operating structure surrounds the loop, and the diagram below depicts it.

- A schedule decides what to run
- Loop is the maker that produces the work
- A separate checker agent grades the output
- A file on disk holds the state they both read.

The loop runs until either done, max iterations, or an exhausted budget.

Here are some practical engineering considerations:

1) A model grading its own output justifies what it already did instead of catching where it failed.

That's why a separate checker's findings return to the maker as the next instruction. And the cycle repeats until the checker finds nothing left to fix.

2) A loop with no stop condition burns tokens, and the cost climbs fast once sub-agents and long runs add up.

That's why the exit must be set before the loop runs, not while it is running.

A simple exit could be:
↳ fix only the major issues, run one final pass, and stop after two loops, with "all tests pass and lint clean" as the rule that ends it.

3) State has to live on disk, not in context.

The model forgets everything between runs, so an MD file or a knowledge graph holds what is done and what is still open.

Each run reads it and writes back to it, which lets a loop pick up again after days.

4) The lower the verification bar, the safer the loop.

Boring, repetitive checks like a stale version string or a missing test are trivial to verify, so a loop runs them with little risk while the operator is away.

Judgment-heavy work is loopable too, but only as far as the checker can confirm the result.

Let's look at how an unattended loop fails in two ways.

1) It reports done when nothing is actually verified.

The separate checker exists to prevent it, but it merges code faster than anyone reads it, so over weeks, the team stops understanding its own codebase while every check stays green.

Green tests say the code passed the tests, not that anyone knows what shipped. Someone still has to read what the loop merges.

2) The checker keeps a running loop honest, but it only catches failures inside a run.

The harness around the loop, like the prompts, tools, and checks wrapped around the model, still drifts and breaks in production as models change.

That repair loop is usually run by hand based on observability traces.

My co-founder wrote a detailed walkthrough (with code) on making that harness repair itself, where a failing trace gets diagnosed, the fix is verified against the exact input that failed, and the failure is locked as a regression test so it cannot recur.

Read it below.

[Art of Speculation @ArtofSpecuycky]

今日总结：SpaceX上市了，马斯克成了万亿富翁——这一周发生了什么，下周怎么看

先说今天最重要的事
SpaceX正式上市。发行价135美元，开盘150美元，盘中最高冲到176.52美元，最终收于160.95美元，首日涨幅19.22%。总市值直接冲到2.22万亿美元，成为全球第七大上市公司。马斯克持有42%的股份，个人身价突破1.1万亿美元，成为人类历史上第一个万亿富翁。首日成交额846亿美元，换手率93.76%。这个数字说明什么？说明大量资金在同一天里反复进出，短线博弈极其激烈，不是单纯的长线买入。

SpaceX这只股票，要说清楚几件事
首先说流通盘。目前发行的流通股仅占总股本的4.25%，也就是说市场上能交易的筹码极度稀缺。这就是为什么股价能在首日暴力拉升，因为想买的钱远多于可以买到的股票。
但这把双刃剑的另一面是：剩下将近96%的股份会陆续解禁。
时间表是这样的：下周二期权开放交易，届时低流通盘可能引发Gamma挤压。7月6日满15个交易日，预计被纳入纳斯达克100指数，被动基金必须买入。8月左右Q2财报后，早期投资人和员工可以开始解禁20%的股份。之后每隔一段时间继续释放7%。11月Q3财报后额外释放28%。到12月中旬满180天，除马斯克本人锁定一年外全部解禁。
这里面有个很重要的细节：早期投资者里有些翻了几十倍，有些翻了十倍，像Founders Fund这种机构，怎么可能不卖？8月解禁窗口是我最担心的时间节点。
我自己的打算是在7月6日纳入纳指之前，开始分批做空，考虑买200到250行权价附近的put，预计总共5%的仓位拿到年底，DCA慢慢建。现在情绪溢价很高，基本面撑不住这个价格，亏损公司给到这个市值完全是靠信仰。
历史数据也说明了这一点：超级IPO上市第一年的中位数最大回撤高达53%。Meta上市后跌31%，Uber和Robinhood跌了80%。故事越好，短期情绪顶往往越极端。
如果打到新股的，开盘冲高阶段拿住，看到疲态就走。二级市场不要在情绪最热的时候追。

这一周大盘发生了什么
表面上标普周线基本收平，但内部发生了很激烈的事情。
科技巨头本周全线承压：微软跌6%，苹果跌5%，亚马逊跌3%，谷歌跌2.5%。这些股票被无差别卖出，原因很简单，机构要腾出资金去配置SpaceX。这是资金的结构性轮动，不是基本面出了问题。
与此同时，价值股ETF本周创下历史收盘新高。成长股相对于价值股跑输了6.52%，这种极端分化在历史上对应短期反弹节点或结构性修正。
防御板块也在悄悄走强：房地产ETF刷新数月新高，公用事业ETF大涨超1%，高股息ETF和等权重标普明显跑赢大市值科技股。
这些信号加在一起说明一件事：smart money短期在离开高估值高贝塔的科技成长股，流向低波动高股息的防御资产。市场表面的平静是被SpaceX的狂热掩盖了。

有两个宏观利好今天出来了
第一，密歇根大学6月消费者信心指数初值升至48.9，超过预期的46。1年期通胀预期降至4.6%，5年期通胀预期从3.9%大幅下降至3.4%。通胀预期在往下走，这对股市是正面信号。
第二，美伊和平协议文本基本达成一致，霍尔木兹海峡将在30天内逐步恢复正常。WTI原油暴跌超4%跌破85美元，美债收益率随之回落到4.5%以下。
这两件事加在一起，把之前市场最担心的两个东西通胀和地缘风险，都缓解了一些。这是今天大盘能反弹的主要原因。

但有一个数据要注意
CTA量化策略的触发点：下行跌破7320和7030会引发加速抛售，但上涨只会引发小额买盘。也就是说下行的压力远大于上行的动能，市场结构偏空。

下周最重要的事：Kevin Warsh的FOMC首秀
维持利率不变是大概率，但重点在点阵图和他的发言措辞。
市场预期今年的加息预期可能上调一格。如果Warsh表态鹰派，强美元和高美债收益率会对科技股造成巨大压力。如果偏鸽，反弹可以继续。
这是下周最大的单一风险事件，在结果出来之前，仓位不要太激进。

几个个股说一下
美光MU本周回踩21日均线之后依然强势，存储板块的热点没有切换。中线看1500到2000美元。或者可以关注DRAM，预计到年底将冲上 $100，因为美股超级巨头们明年的 AI 资本开支正在从 189 亿美元疯狂上调至 299 亿美元。
NOK继续走慢牛，14美元是核心防线，11美元是死守线。
甲骨文财报后被砸，但软件板块在这个位置已经是相对底部区间，170这个位置守住就行。
英伟达短期连续在50日均线下方，200美元是关键支撑，跌破看190。但远期市盈率已经跌入十几倍区间，长线性价比拉满。
存储板块如果不想选个股，直接买DRAM ETF，明年AI巨头的资本开支从189亿上调到299亿美元，这条线的逻辑没有变。

比特币顺便说一下
图形在周线MA 200附近虽然不好看，但目前多个投降信号同时出现：加密大V集体割肉、杠杆盘基本被清，哈佛大学基金清空以太坊，这些往往是底部的反向指标。我估计短期会反弹到65000甚至68000，然后还有一次探底，探底目标55000-60000。60000附近可以开始分批布局现货，不用一次性打满。

最后说说我怎么看下周
这一周的反弹本质是两件事推动的：SpaceX上市前的情绪护盘，以及中东和平协议的意外利好。这两件事都落地了，下周的驱动力要重新找。
FOMC之前市场大概率震荡。SPY 740是下周最关键的多空分界线，守住740震荡向上看748和750，跌破740就重新打开下行空间。
我的加仓计划不变：7350建了第一批，7260建了第二批，7150、7000依次按计划执行。6月底前还有很多上车机会，不要急，不要追，按纪律来。

[Berryxia.AI @berryxia]

非常认同的观点：Agent 不是简单抹平能力差距，而是在放大能力差距。"

头部用户已经在搭系统（文档、规则、memory、loop、MCP、CLI、工具调用、权限、安全沙箱），普通用户还在问聊天框。

目标清晰、品味强的人被 Agent 放大。

目标混乱、没有文档的人被 Agent 放大混乱。

之前我和朋友分享的观点就是AI时代不一定是完全平权的时代，而是会将“善于使用AI工具”的人能力放大数万倍，原本没有AI Agent的时代你和他的差距可能只是几倍而已。

但，如今可能真的差距就会变成数百倍不止。

好文，值得大家阅读~

[FAI @faiAI0]

@AISuperDomain 这是网页端吗？

[程序员Left @coder_left]

https://t.co/yL3XulztyK

[Codez @0xCodez]

Anthropic Managed Agents team:

"Fable 5 is our best model for running self-improving agent systems.

Add /loops, dynamic workflows, dreaming and you are unstoppable"

in 13-minutes, Anthropic team shows how to build self-improving agent systems with Fable 5 from scratch.

Worth more than a $500 agent building course.

Live from the last Anthropic stage in Japan. Unpublished.

[AlexZ 🦀 @blackanger]

Claude Code之父之前说 “Loop 工程”，其实是建立在 Mythos 之上。

Mitchell 的发现，侧面印证了坊间传言： Anthropic 内部早已使用 Mythos。

所以说，以后用不起 Mythos 就不能跟风 Anthropic 的概念。。。

按 Mitchell 所说，Fable 5 最划算的工作是做目标导向的优化/分析类工作，做日常任务开发还不如 GPT 5.5 。

[rick awsb ($people, $people) @rickawsb]

这可能是今年最值得听的space

没有之一！

因为挖掘机老师，我在25年10月就上车了存储，一直拿到现在

hh老师，则是推上最牛逼的择时大师，基于对基本面深入理解的择时大师