AI Builders 每日摘要 · 2026-11-08

Swyx、Peter Yang、Thariq、Guillermo Rauch、Garry Tan、Zara Zhang 和 Nikunj Kothari 今天分享了 Anthropic IPO 观察、跨模型应用、creator app 内置 MCP、Generative UI、agent 技能评估、本地开源工具与个人网站等话题。播客部分聚焦 Fabian Theis 对 virtual cell、perturbation prediction、Lab Compass 和 AI 驱动生物实验的判断。

X / TWITTER

Swyx

Swyx 宣布会持续跟踪 Anthropic IPO 的进展，并计划以投行分析视角结合 AI 工程视角，讨论这类大型 AI 公司上市事件。这个主题的价值在于把 AI 产品与资本市场的变化放在同一条观察线上，而不是只看模型发布。

来源：https://x.com/swyx/status/2118905788915982341

Peter Yang

Peter Yang 观察到，能够调用多个模型实验室的应用正在出现被模型厂商收购的趋势，而仍保持独立的产品多为开源项目。他认为，用户和企业仍然需要跨模型应用，这意味着模型层整合并不会自动消除上层产品的需求。

来源：https://x.com/petergyang/status/2118811231545122998

Thariq

Thariq 注意到 Instagram Edits、Roblox Studio 这类 creator app 开始内置 MCP，让 agent 可以在用户熟悉的工具里完成部分工作，同时由高级用户继续协作和接管。这种设计把 agent 从独立聊天窗口带进创作流程，重点变成在既有软件中交接任务。

来源：https://x.com/trq212/status/2118822238262853904

Vercel CEO Guillermo Rauch

Guillermo Rauch 分享了 Generative UI 的产品方向：将 AI SDK、Chat SDK 和 json-render 结合后，LLM 可以直接为 Slack、Teams 等平台生成界面。他判断，这会成为 Human-Agent Interaction 的主流范式，关键变化是 agent 的输出从文本扩展为可交互的 UI。

来源：https://x.com/rauchg/status/2118856239719608353

Y Combinator 总裁兼 CEO Garry Tan

Garry Tan 认为，agent skill 需要 eval-driven development loop：每个新模型变强后，应重新评估已有技能，并删除已经不再需要的辅助步骤。他还转发了一项结果，称用 300 万 token 的普通人道德困境建议训练后，恶意行为降至 0%，跨模型代际效率提升 28 倍。前者是开发流程判断，后者则提示真实用户反馈可能成为 agent 行为改进的重要数据来源。

来源：https://x.com/garrytan/status/2118920030243139596

来源：https://x.com/garrytan/status/2118950671886287323

Zara Zhang

Zara Zhang 认为，个人网站正在成为新的简历：LinkedIn 展示职位列表，个人网站则能展示品味、思考和真实作品。对 builder 来说，这意味着作品的上下文和判断过程可以脱离既有社交平台单独呈现。

来源：https://x.com/zarazhangrui/status/2118939184841052386

Nikunj Kothari

Nikunj Kothari 重新介绍了 Texts Wrapped：它在 Mac 本地分析 iMessage、WhatsApp 和电话记录，不依赖 AI，开源并可通过一次终端命令运行。他强调了更好的界面、新洞察和更高准确率，代表一种把敏感个人数据留在本地的工具路线。

来源：https://x.com/nikunj/status/2118840414853861627

PODCASTS

Latent Space：Controlling Biology - Fabian Theis, Helmholtz Munich

核心观点： AI 在生物学里的下一步，不只是绘制细胞状态或预测变化，而是用模型反过来决定下一项实验该怎么做，并把实验结果持续纳入系统。

Fabian Theis 领导 Helmholtz Munich 的 AI 与计算生物学工作，也是 Scanpy、Anndata 和 scVerse 等开放工具生态的重要推动者。他把 virtual cell 看成一个输入输出系统：模型需要预测细胞在基因编辑、药物、培养条件、疾病和时间变化等不同 perturbation 下的行为，而不只是生成一张漂亮的概念图。

他介绍的 Lab Compass 是一种 inverse generative model：给定希望到达的细胞状态，模型可以反推出实验者需要采取的步骤。这样，研究流程就从“绘制细胞图谱”进入“预测结果”，再进入“主动引导下一次实验”。随着单次实验可测量数百万 transcriptome、细胞系和药物扰动规模扩大，模型获得了更丰富的 perturbation space；下一步则是从单细胞和细胞系走向 organoid 等多细胞系统。

Theis 也提醒，真正的 virtual cell 需要解释细胞之间的通信、环境输入和组合扰动，不能把问题简化成单一的 knockout 预测。他说：“我们现在真的可以开始指导实验了。”这意味着 AI 生物学的评估标准会逐步从模型是否能预测，转向模型是否能让下一项实验更有信息量。

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

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