cognition.ai → cognition.com 这样更干净简洁

前沿AI实验室正在兜售一件Google难以提供的东西：一个人仍然可以直接改变公司发展轨迹的感觉。

我正在测试一个全新的代理型工作流 beta 版本，用于广告创作。它的表现非常惊艳——整个项目始于我给代理提了一个简短问题，之后它自主完成了调研、规划，并生成了完整视频：

Codex 现已支持远程/本地交接！我们正逐步消除各类边界。

当你让模型占据主导时，你实际上需要更少的基础设施。

我刚刚发布了一整支关于用循环进行vibe coding的视频。循环是你只需定义一次的递归目标。代理会一直工作，直到满足停止条件。

不再需要提示、等待、再重新提示。现在我在BridgeSpace的Sentry错误上运行着循环。我设置好目标，离开，等回来的时候生产环境错误已经比我出发时少了。

这是超越提示工程的一步。它也让我们向完全自主的软件开发又迈进了一步。完整视频现已上线。

我怀疑企业都低估了在那些看起来 weaker AIs 似乎已经足够优秀、能以更低成本达成 KPI 的任务中，使用更高智能的价值。

至少你应该先搭建好架构，让你可以灵活用更智能的模型做实验，看看它能不能带来改变。

如果你有太多会议需要安排，并且想要让 AI 来处理这件事：评论区留言，我会免费把我的个人系统分享给你！

我对「循环工程（loop engineering）」这个趋势有很多想法。我花了几分钟和我的写作智能体（writer agent）一起，整理总结了我的一些研究、笔记，还有我和学生、创始人、初创公司的讨论内容。

目前还处于非常早期的阶段，但随着能力发生阶跃提升，和智能体协作的全新工作方式将会开始涌现。

.@Lyft 打造了8个AI智能体，能够完全解决35%的客户问题。

在Interrupt活动上，他们分享了内部使用的评估方法，如何借助LangSmith扩展评估规模，以及一路走来总结出的经验教训。

它确实相当不错！别在 claude code/codex 里试用——这些适配框架过度调优过自家的专有模型。

dcode（deepagents code）是一个模型无关的适配框架，可以搭配 @FireworksAI_HQ 在这里试用：
```
dcode --model fireworks:accounts/fireworks/models/glm-5p2
```

文档：

如果泄露的财务数据准确，那 OpenAI 目前已经实现盈利，毛利率超过40%。

但训练成本仍然高得惊人。

将 AI 研究自动化或许也是为了提高训练效率：一个超人类水平的研究者可以用更少资源完成更多工作。

短期来看，当前的AI从本质上来说和过去的技术浪潮并无不同。它只是数字杠杆的最新形式。

它是力量倍增器，而没有方向的力量不过是噪音而已。它要发挥作用，仍然需要每个环节都有人参与其中。

如果你的公司原本就拥有「面向X领域的软件」，那么它大概率也会拥有「面向X领域的AI」，因为你已经拥有领域专业知识和人力资本，能将AI转化为特定领域的价值。

顺便一提，通过限制训练计算量来监管AI能力的尝试，到底出了什么问题？

考虑到效率提升是客观存在的事，这种方式显然行不通，对吧？

一切都无伤大雅，直到 AI 凭空给你的大脑造出了一个肿瘤。

xAI 发布了适用于 Microsoft Word 的 Grok 插件。

它够智能吗？在你自己的工具链上对开源模型做智能体能力基准测试

Claude：新的AI SEO目标更新太疯狂了！Claude Code刚推出了/goal功能——AI SEO完全自动化。⚡

→ 设定可验证条件
→ AI判断器每一步都会检查
→ Claude循环运行直到目标完成

数据验证：
→ 第2天 → 100+次点击/天
→ 第6天 → 69次点击/天
→ 第20天 → 500次点击/天

走开就好。回来的时候已经完成了。🎯

想要标准操作流程？私信我。💬

cognition.ai → cognition.com 这样更干净简洁

顺便一提，通过限制训练计算量来监管AI能力的尝试，到底出了什么问题？

考虑到效率提升是客观存在的事，这种方式显然行不通，对吧？

一切都无伤大雅，直到 AI 凭空给你的大脑造出了一个肿瘤。

xAI 发布了适用于 Microsoft Word 的 Grok 插件。

它够智能吗？在你自己的工具链上对开源模型做智能体能力基准测试

我怀疑企业都低估了在那些看起来 weaker AIs 似乎已经足够优秀、能以更低成本达成 KPI 的任务中，使用更高智能的价值。

至少你应该先搭建好架构，让你可以灵活用更智能的模型做实验，看看它能不能带来改变。

Codex 现已支持远程/本地交接！我们正逐步消除各类边界。

当你让模型占据主导时，你实际上需要更少的基础设施。

前沿AI实验室正在兜售一件Google难以提供的东西：一个人仍然可以直接改变公司发展轨迹的感觉。

我刚刚发布了一整支关于用循环进行vibe coding的视频。循环是你只需定义一次的递归目标。代理会一直工作，直到满足停止条件。

不再需要提示、等待、再重新提示。现在我在BridgeSpace的Sentry错误上运行着循环。我设置好目标，离开，等回来的时候生产环境错误已经比我出发时少了。

这是超越提示工程的一步。它也让我们向完全自主的软件开发又迈进了一步。完整视频现已上线。

我正在测试一个全新的代理型工作流 beta 版本，用于广告创作。它的表现非常惊艳——整个项目始于我给代理提了一个简短问题，之后它自主完成了调研、规划，并生成了完整视频：

Claude：新的AI SEO目标更新太疯狂了！Claude Code刚推出了/goal功能——AI SEO完全自动化。⚡

→ 设定可验证条件
→ AI判断器每一步都会检查
→ Claude循环运行直到目标完成

数据验证：
→ 第2天 → 100+次点击/天
→ 第6天 → 69次点击/天
→ 第20天 → 500次点击/天

走开就好。回来的时候已经完成了。🎯

想要标准操作流程？私信我。💬

短期来看，当前的AI从本质上来说和过去的技术浪潮并无不同。它只是数字杠杆的最新形式。

它是力量倍增器，而没有方向的力量不过是噪音而已。它要发挥作用，仍然需要每个环节都有人参与其中。

如果你的公司原本就拥有「面向X领域的软件」，那么它大概率也会拥有「面向X领域的AI」，因为你已经拥有领域专业知识和人力资本，能将AI转化为特定领域的价值。

如果泄露的财务数据准确，那 OpenAI 目前已经实现盈利，毛利率超过40%。

但训练成本仍然高得惊人。

将 AI 研究自动化或许也是为了提高训练效率：一个超人类水平的研究者可以用更少资源完成更多工作。

它确实相当不错！别在 claude code/codex 里试用——这些适配框架过度调优过自家的专有模型。

dcode（deepagents code）是一个模型无关的适配框架，可以搭配 @FireworksAI_HQ 在这里试用：
```
dcode --model fireworks:accounts/fireworks/models/glm-5p2
```

文档：

.@Lyft 打造了8个AI智能体，能够完全解决35%的客户问题。

在Interrupt活动上，他们分享了内部使用的评估方法，如何借助LangSmith扩展评估规模，以及一路走来总结出的经验教训。

我对「循环工程（loop engineering）」这个趋势有很多想法。我花了几分钟和我的写作智能体（writer agent）一起，整理总结了我的一些研究、笔记，还有我和学生、创始人、初创公司的讨论内容。

目前还处于非常早期的阶段，但随着能力发生阶跃提升，和智能体协作的全新工作方式将会开始涌现。

如果你有太多会议需要安排，并且想要让 AI 来处理这件事：评论区留言，我会免费把我的个人系统分享给你！