AI Builders Digest · 2026-08-24

X / Twitter

Garry Tan（Y Combinator 总裁兼 CEO） 大胆预测：核心业务系统（systems of record）要么进化成 AI harness（驾驭 AI 的框架），要么被 agent 直接取代。在他看来，传统记录系统如果不能主动接入并约束 agent 的工作流，就可能在 agent 时代失去存在价值。

https://x.com/garrytan/status/2091742825042030681

Thibault Sottiaux（OpenAI，Codex & ChatGPT 团队） 判断 2026 年是公司开始认真对待模型效率与可靠性的元年——当模型成为关键基础设施，这两者就从"锦上添花"变成生死攸关。他还确认 OpenAI 的用量重置已推送到所有账户，并修复了此前用户反馈的用量问题，后续还有更多改进在路上。

https://x.com/thsottiaux/status/2091581575108653374 https://x.com/thsottiaux/status/2091688655828246890

Guillermo Rauch（Vercel CEO） 认为 intelligence 正在快速变便宜：OpenAI Sol 的降价与 Vercel AI Gateway 的折扣叠加，让 Sol 成为增长最快的 frontier model。这印证了智能需求的强弹性——推理成本下降，用量随之暴涨；不用 gateway 的公司会错失模型价格波动的红利，router/gateway 赛道升温是必然。他还阐述了 Vercel 扩展 fx 的哲学：坚持开放协议（MCP、Skills、Plugins）与 Unix 精神——小程序各司其职、组合调用，libfx 让 fx 可以嵌入更复杂的程序，人人都能构建自己的 CLI、后台 agent 甚至软件工厂。

https://x.com/rauchg/status/2091671326897713424 https://x.com/rauchg/status/2091583525661384813

Madhu Guru（Meta AI 高级总监，此前在 Google 主导 Gemini、Veo、Nano Banana） 分享构建 eval 的"金发姑娘原则"：eval 应按任务阶段（jobs to be done）来衡量，而非只盯最终答案。以金融分析 agent 为例，别只检查它是否推荐了"正确"的股票，而要把过程拆成客户理解、证据收集、数据分析、给出建议四个阶段，各自单独设 eval——这样当最终结果出错时，你能立刻定位是哪个环节掉链子（比如数据分析只有 70 分），而不是盲猜。粒度原则：细到足以诊断和行动即可，别过度拆解。

https://x.com/realmadhuguru/status/2091684812012875981

Peter Yang（AI 教程与访谈创作者） 分享 Shreya 关于两种 AI eval 的观点：top-down eval 是"在真空中只凭任务描述，你会设计出什么"——Claude 非常擅长帮你做这类 eval；而 bottom-up eval 是从大量样本输出中把你的直觉反馈外化成测试用例——“Claude 非常非常不擅长生成 bottom-up eval，那全靠你自己。”

https://x.com/petergyang/status/2091586298779955512

Peter Steinberger（OpenClaw 创始人） 认为 CLI 虽好，但在团队协作场景，UI 可视化和"你工作的地方"才是更好的体验。他还给 claw 加入了 USB 旋转协议，接上 360 度摄像头后让 agent 能自己转动"环视"周围环境。

https://x.com/steipete/status/2091650136506327253 https://x.com/steipete/status/2091639468935831910

Podcast

本期无播客更新。