AI Builders 每日摘要 · 2026-09-20

一句话结论

今天的主线是：AI 的竞争正在同时向两端推进，一端是更快、更便宜、可并行的 inference，另一端是把 agent 接入真实 workflow 的细粒度执行。X 上的信号包括 Claude Code 引入 AGENTS.md、开放模型在 Vercel AI Gateway 的 token 使用占比、Jev 在企业判断任务中的应用，以及从数据质量到上下文管理的实践；播客则把焦点放在 diffusion-based LLM 是否能以更高并行度改写 inference economics。

X / Twitter

Peter Yang · Practical AI tutorials and interviews for busy people

Peter Yang 分享了 Meta 的 Muse 在真实个人事务中的用法：它可以代表用户致电客服，围绕 Comcast 账单谈判出每年 288 美元的节省；他还称自己通过 Muse 在有线电视和手机账单上每年节省了 800 多美元。这个案例的重点不只是节省金额，而是 agent 开始进入需要电话交涉、跨系统操作和结果验证的日常服务流程，也暴露出许多客服系统还没有准备好与 agent 交互。

来源：https://x.com/petergyang/status/2101083891507593576 来源：https://x.com/petergyang/status/2101033599319613533

Thariq · Claude Code @ Anthropic

Thariq 宣布 Claude Code 从 2.1.277 版本开始支持 AGENTS.md：如果目录中没有 CLAUDE.md，Claude Code 会查找并使用 AGENTS.md，并且可以在 /config 中切换这一行为。他随后补充，这项能力基于即将推出的 Claude Code mods，未来用户也能自行构建项目指令的定制版本。对团队来说，项目级 agent 约定开始出现更明确的跨工具共享入口。

来源：https://x.com/trq212/status/2101009392611278961 来源：https://x.com/trq212/status/2101009393731223817

Guillermo Rauch · Vercel CEO

Guillermo Rauch 分享了 Vercel AI Gateway 的一组使用数据：当天开放模型占 token volume 的 78.4%，闭源模型占 21.6%；按 inference spend 计算，Moonshot AI 与 DeepSeek 排名靠前，再加上 Z.ai 后，合计支出超过 OpenAI。他特别提醒，这里统计的是跨 provider 的 inference spend，不能直接等同于开放权重实验室的收入。

来源：https://x.com/rauchg/status/2101186741042663579

他还把 Jev 的快速采用与“AI 太贵、太慢”的行业情绪联系起来：当推理成本和延迟下降，用户会愿意把 AI 放进更多地方。这个判断和开放模型使用占比的变化放在一起看，说明模型选择与推理经济性正在成为产品架构的一部分。

来源：https://x.com/rauchg/status/2101079472732848510

Aaron Levie · Box CEO

Aaron Levie 介绍了 Box 与 Jev 的企业 workflow 示例：agent 从 Box 读取 incident report，判断事件是否面向客户以及严重程度，再把文件移动到 escalate、monitor 或 review 文件夹，并设置 metadata template instance。整个过程几乎即时完成且成本很低；他认为，insurance claims、合同管理、贷款处理、安全审查和客户日志分析都可以采用这类“快速判断并触发下一步”的 agent 场景。

来源：https://x.com/levie/status/2101007708044574906

Zara Zhang · Builder

Zara Zhang 提醒，持续消费低质量内容，很难产出高质量结果。她给出的改进顺序很直接：“To fix output, first fix input.” 对使用 AI 的团队而言，这意味着 prompt 和模型之外，输入材料、参考样本与信息环境本身也是输出质量的前置条件。

来源：https://x.com/zarazhangrui/status/2101123389528457596

Nikunj Kothari · FPV Ventures partner

Nikunj Kothari 分享了 Jevable，一个按类别整理 Jev demos 的网站，用户也可以提交自己的项目。他还给出一个具体例子：Jev 用多个标准在 28 秒内评估 3,000 种儿童零食，成本为 0.11 美元。这个案例把 agent 的价值落到了批量、结构化、可比较的判断任务，而不是泛泛的聊天体验。

来源：https://x.com/nikunj/status/2101077053567332618 来源：https://x.com/nikunj/status/2101006585481073093

Peter Steinberger · OpenClaw 与 OpenAI

Peter Steinberger 描述了 roboclaw 的一个工作场景：它运行在团队服务器上，接入 Discord 和 gpt-live，并能了解正在处理的多个 session；团队可以在会议期间直接询问当前和过去 session 的上下文。他还提到 CUA 可以让 agent 不只依赖截图工作。这里的关键变化是，agent 开始同时管理会话上下文与实际操作环境，减少了人类在多个任务之间切换时的记忆成本。

来源：https://x.com/steipete/status/2101141707375227372 来源：https://x.com/steipete/status/2101115690719809873

OFFICIAL BLOGS

今天没有新的官方博客条目。

PODCASTS

No Priors · Why Diffusion Will Win AI Inference with Inception Co-Founder and CEO Stefano Ermon

**一句话结论：**Stefano Ermon 的核心判断是，diffusion-based LLM 的关键优势不只是模型质量，而是它能在 inference 时并行处理多个 token，从而更好地利用 GPU，并可能改变 intelligence per watt 与 intelligence per dollar 的经济性。

Stefano Ermon 是 Stanford 教授、Inception 联合创始人兼 CEO，也是 diffusion 研究的重要推动者之一。他回顾了从 score-based generative models 到现代 diffusion models 的路径，并解释 Inception 为什么把这套方法扩展到 text 和 code：在 2024 年的研究中，diffusion model 在 GPT-2 规模上达到了与 autoregressive model 相当的 perplexity，同时生成速度约快 10 倍。

他的论点建立在 inference workload 的差异上。autoregressive model 必须从左到右逐 token 生成，受制于顺序依赖和 memory bandwidth；diffusion model 则可以并行处理多个 token，更适合 GPU 的计算方式，也更容易在 reasoning、RL post-training 和需要大量 rollout 的任务中扩大 inference compute。Ermon 认为，这也是 Inception 选择 diffusion 的原因：先以 speed 作为明确的产品切入点，再探索更好的 controllability、data efficiency 和新的模型能力。

这条路线仍有现实代价：团队需要自行建设 serving engine、SFT、RLHF 和 RL 的训练与部署栈，生态和开源工具还不成熟。Inception 目前约 50 人，并已把模型服务到生产环境；Ermon 认为，真实客户反馈、领域 evals 和服务基础设施会成为架构创新之外的技术壁垒。他用一句话概括这场押注：“the more parallel solution is the one that is eventually going to win.”

来源：https://www.youtube.com/@NoPriorsPodcast

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