AI Builders 每日摘要 · 2026-09-21

一句话结论

今天的主线是：AI 正在同时变成一种跨学科的科学发现工具，以及一种能够替用户完成完整任务的执行层。X 上的信号集中在 agent 如何调用工具、完成交易和进入真实 workflow；播客则讨论 Recursive 如何用 AI 自动化科研中的想法生成、实现与验证，并把这种自动化继续用于改进 AI。

X / Twitter

Peter Yang · Practical AI tutorials and interviews for busy people

Peter Yang 分享了自己的 /tastemaker skill：用一个简单的 Markdown 文件记录看过的电影、电视剧和书籍，再让系统每周查找新作品与尚未看过的内容，生成高度相关的推荐。他正在考虑是否开源这个工作流，重点不在推荐本身，而在于用轻量的结构化记录和定期任务，把个人偏好沉淀成可持续运行的 agent 工作流。

来源：https://x.com/petergyang/status/2101503916743749878

Aaron Levie · Box CEO

Aaron Levie 认为，个人 agent 的产品形态应该是把任务完整交给 agent，并确保它端到端完成。为此，agent 必须能使用用户的工具或自己的工具，通过 MCP 或 CLI 导航网站、执行交易并操作数据；产品竞争的注意力也会从用户转向 agent，谁能让 agent 更容易点餐、购物、订机票和处理业务，谁就更可能被使用。

来源：https://x.com/levie/status/2101427997597446636

Nikunj Kothari · FPV Ventures partner

Nikunj Kothari 表示，自己每天花约两小时编程、做 side project 和尝试新 repo，因为不亲手使用最新工具，就很难理解 AI 时代正在发生什么。他把 AI 投资者需要掌握的能力拆成三层：模型研究、支撑长时任务的 infra，以及让模型帮助构建 autonomous companies 的 harness 和 app layer；他的建议是每天动手 tinkering，先连续做十天。

来源：https://x.com/nikunj/status/2101340098356990058

OFFICIAL BLOGS

今天没有新的官方博客条目。

PODCASTS

The MAD Podcast with Matt Turck · When AI Improves Itself | Richard Socher (Recursive)

**一句话结论：**Richard Socher 的核心判断是，科学知识已经从相对连贯的体系变成被大量细分领域割裂的迷宫，AI 有机会像 calculus 之于 physics 一样，把不同层次的复杂系统重新连接起来；Recursive 则试图把这种能力推进到科研自动化和 recursive self-improvement。

Richard Socher 是 AI 研究者，也是 Recursive 的联合创始人之一。他认为，科研进展变慢并不只是因为缺少研究人员，而是因为知识被拆成越来越多的专业分支，跨领域理解变得困难，学术环境也常常惩罚过于冒险的想法。AI 的价值在于把物理、化学、生物、神经科学、医学和经济学等不同层次的数据放进同一个可预测、可组合的系统中，帮助人类重新理解整体行为。

他进一步解释了为什么 next-token prediction 不应只被看成聊天技术：模型同样可以处理蛋白质的 amino acid sequence，并探索人类难以手工搜索的组合空间。Recursive 的目标是自动化科研中的 ideation、implementation 和 validation，再把 AI 研究自动化应用到 AI 自身。Socher 表示，团队已经在窄领域问题上展示了超过数月甚至数年人工努力的结果，也生成过新的 CUDA kernels；但最大的约束仍是 compute，真正能把研究成果交付给客户的产品能力同样重要。

他用一句话概括这条路线：“Anything you can simulate, AI will solve.”

来源：https://www.youtube.com/@DataDrivenNYC/videos

---

Generated through the Follow Builders skill: https://github.com/zarazhangrui/follow-builders