AI Builders 每日摘要 · 2026-11-02

X / TWITTER

Aaron Levie，Box CEO

Aaron Levie 认为，判断团队是否真正用足 AI 的标准，是产出是否已经明显超过 AI 之前能做到的结果，而不只是把原有工作做得更快。产品原型应拥有过去不会投入的更好功能，研究应覆盖更完整的事实，业务流程也应能从历史失败中持续学习；如果 AI 前就能完成同样的事，说明使用方式还不够激进。

来源：https://x.com/levie/status/2116652002830963114

Swyx，Smol AI、Cognition 与 Temporal 相关 AI builder

Swyx 认为，针对 throughput 受限的工作流，较低 effort level 配合 critique loop，可能比一味追求最高推理档位更实用。他还提到，Karpathy 在最新发布的 Hackertube 项目中使用了 Opus 5.5 的 medium effort；核心判断是 effort level 没有统一答案，应根据任务调整。

来源：https://x.com/swyx/status/2116642586387730593

来源：https://x.com/swyx/status/2116773135668404286

OFFICIAL BLOGS

本期没有新的官方博客文章。

PODCASTS

Latent Space：Using Agents for Long-Horizon Financial Work — Aman Singh, Arca

核心观点： 长周期金融 agent 的关键不是让模型直接动钱，而是让它持续维护业务状态、主动唤起合适的人，并在能力边界处由确定性规则和人工审批接管。

Aman Singh 负责 Arca 的 AI platform。Arca 是一家 AI-native wealth management firm，agent 主要承担顾问周围的分析与后台工作，例如梳理税务方案、评估资产配置和跟踪跨多日流程；顾问仍负责客户沟通、交易执行等高风险动作。团队用内部 benchmark 选择模型，并保持 model-agnostic，以便按任务复杂度切换不同模型层级。

Arca 的长周期流程依靠客户级 memory 记录当前目标、责任人、近期动作与长期事项，新的信号到来时，agent 可以快速恢复上下文。安全边界包括写入后的模型校验、外部输入的 prompt injection 检测、向系统外发送数据前的 PII 与数据外泄检查，以及所有 agent 和人工操作的 change log。Singh 将这种工作方式概括为：“Agents prompt people more than people prompt agents.”

播客链接：https://www.youtube.com/@LatentSpacePod

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