🚨 头条：Nan Yu 离开 Linear，加入 OpenAI 做 Codex 与 ChatGPT
今天最大的新闻是 Nan Yu（@thenanyu，Linear 设计负责人）的人事变动（3062 ❤️ / 37 🔄，今日断层第一）：
“Some personal news—I’m joining OpenAI to work on Codex and ChatGPT.
I’m grateful to the Linear team for an incredible 4 years and proud of what we’ve built together.
I look forward to bringing everything I’ve learned there about the craft of software into this next chapter.”
（个人消息——我将加入 OpenAI，参与 Codex 和 ChatGPT 的工作。感谢 Linear 团队这不可思议的 4 年，为我们共同打造的一切感到骄傲。期待把在那里学到的关于软件工艺的一切，带进下一个篇章。）
Linear 的产品质感在开发者社区有口皆碑，而 Nan Yu 正是这种”工艺感”的关键塑造者之一。他把”软件工艺（craft of software）”带进 OpenAI 的 Codex/ChatGPT 团队——结合昨天的”按钮已按下”悬念，OpenAI 在 Codex 上的产品和人事动作正在同步加速。
配合这条人事新闻，Thibault Sottiaux（OpenAI）今天发了一条直击灵魂的调研（2344 ❤️ / 42 🔄）：
“如果你还没试过 Codex，但过去曾经考虑过——是什么在阻止你？”
“考虑过但没上手”是目前 Codex 最真实的用户漏斗瓶颈。这条提问本身就是 OpenAI 在主动收集阻碍采用的真实原因，与 Nan Yu 的加入形成呼应：一边补产品工艺，一边补用户洞察。
🎨 Guillermo Rauch：DESIGN.md —— 用 Markdown 对抗 AI 时代的 “slop”
Guillermo Rauch（Vercel CEO）今天抛出一个大观点（2443 ❤️ / 103 🔄）：
“你的下一个设计系统是…… Markdown。
我们写了关于 𝙳𝙴𝚂𝙸𝙶𝙽.𝚖𝚍 如何帮助解决 AI 时代最难的问题：slop（内容垃圾）。
以及如何真正、最终地在大型组织内规模化设计品味。”
把设计系统写成 Markdown——设计规范变成可版本化、可 diff、可被 LLM 消费的文本资产。在 AI 生成内容泛滥、”slop 泛滥”的当下，Rauch 给出的解法是把品味（taste）显式编码进仓库：当 AI 开始参与产出界面，设计系统就不再只是给设计师看的文档，而是给模型吃的约束。这与昨天”agent 即新浏览器”的论点一脉相承：工具链的每一环都要为 AI 重构。
他今天另一条同样值得关注（250 ❤️ / 7 🔄）：
“Coding tokens 基本就是基础设施。然而公司对待它们的方式就像是：
『嘿，这是一把 AWS key。它能从 𝚝𝟹.𝚗𝚊𝚗𝚘（＄𝟹.𝟾𝟶/𝚖𝚘）一路开到 𝚙𝟻.𝟺𝟾𝚡𝚕𝚊𝚛𝚐𝚎（＄𝟺𝟶𝚔/𝚖𝚘），随便用吧。』
公司不会这样对待核心基础设施，原因显而易见——你需要治理、优化、观测用量和成本。
AI Gateway 解决了所有 token 的这个问题：per-key，现在是 per-user 预算。”
“coding tokens 就是基础设施”——当 AI 编程从个人工具变成组织级投入，额度治理（per-user 预算）就成了刚需。Rauch 又一次踩准了”AI 从 demo 到生产”的工程化痛点。
🧠 Garry Tan：Circleback 碾压 Granola + GBrain 记忆检索 SOTA
Garry Tan（Y Combinator CEO）今天两条都很有信息量：
“Circleback 比 Granola 好太多了，根本不是一个级别——Granola 甚至还不支持多说话人消歧（multiple person disambiguation）。”（603 ❤️ / 12 🔄）
会议记录工具赛道正在快速洗牌，Garry 直接点名对比，把”多说话人消歧”这个技术细节当作分水岭——会议 AI 的竞争已经从”能记”进入”记得准、分得清谁说的”阶段。
“我刚做了一些新的 GBrain evals，证明我的 retrieval-for-AI-agent 开源层在无需 LLM-in-loop 的情况下读取记忆是 SOTA 的。
我还为 agent transcript 的记忆保存加了 evals——这是充实你的大脑（brain）的最佳方式。Receipts 在这里。”（403 ❤️ / 33 🔄）
Garry 持续押注”AI agent 的记忆层”：不做 LLM-in-loop、直接检索记忆，是成本与延迟敏感场景的关键设计取舍。“给记忆读写都加上 evals”——记忆系统也需要可衡量的基准，这正在成为 agent 基础设施的新共识。
🏭 Aaron Levie：开源权重成熟 → 垂直领域”人人自训模型”时代
Aaron Levie（Box CEO）今天两条都指向同一个趋势：
“现在基础开源权重模型已经好得多，后训练基础设施也越发成熟和商业化——拥有大量数据的公司将会有全新的打法：拥有自己的模型。
过去，把数据授权给外部做训练几乎是唯一的选择；现在你可以合理地训练自己的模型，而不必承担与实验室在科研上竞争的代价和复杂度。
通用前沿模型在广泛领域仍会占优，但你绝对可以预见：未来的模型数量会比今天多得多，遍布每个垂直领域。”（119 ❤️ / 13 🔄）
“开源权重 + 商业化后训练基建”把模型训练的门槛从”科研能力”降到了”数据 + 成本”，垂直模型百花齐放的时代信号越来越强。
“随着 AI 安全事件增多，拥有最复杂的 AI agent 来检测和预防安全问题将变得至关重要。前沿模型在网络安全上仍然领先，但开源模型正在快速追赶。疯狂的时代。”（77 ❤️ / 13 🔄）
“用 AI agent 防 AI 攻击”——安全攻防正在变成 agent 对 agent 的军备竞赛。
🤖 Peter Yang：信任是个人 agent 普及的最大障碍
Peter Yang 一句话点破 agent 采用的核心矛盾（28 ❤️）：
“信任将是个人 agent 采用的最大障碍（也是最大驱动力）。”
配合他最近对 Grok Bot 作为”云端电脑”的系列体验记录，这条观点把”普通人敢不敢把账号和事务交给 agent”的问题摆上台面——信任既是门槛，也是早期采用者的差异化优势。
🧠 Dan Shipper：AI 拟人化的”好”与”坏”
Dan Shipper 今天关于拟人化的辨析值得细读（87 ❤️ / 10 🔄）：
“当拟人化帮助我们更好地使用（理解、预测等）AI 时，它是好的。
当它被用来散布恐慌、恐惧，或进行不切实际、没有根据的与人类的比较时，它就是坏的。
大多数拟人化的反对者，反对的其实是它的滥用——用来散布恐慌，或通过声称意识等方式改变 agent 的道德地位。
不滥用它，也可以进行拟人化。”
在”AI 有没有意识”的争论日益喧嚣的当下，Shipper 给出了一个实用主义框架：看拟人化是否服务于”更好地使用 AI”，而不是服务于情绪和立场。这与 Garry Tan 昨天”实用主义者赢麻了”的论调一脉相承。
🎙️ 播客精选：Rich Sutton —— 模型为什么会停止学习，以及如何重新开始
Training Data 对谈 Rich Sutton（强化学习之父、《痛苦的教训》作者）与 Khurram Javed《Why AI Models Stop Learning, and How to Start It Again》：
“人们觉得我有时观点很激进，开场提问总说我的想法和大家多不一样。但我不这么看——我觉得我只是在用普通的方式思考，只是其他人都想得有点怪。
在 AI 疯狂之前，你根本不需要说『持续学习（continual learning）』，因为谈论非持续的学习本身就没有意义。所有学习本来……”
在模型能力触顶争议与 scaling 收益递减讨论升温的当下，Sutton 把”持续学习”重新拉回桌面：学习本来就应该是持续的——这是 RL 祖师爷对”预训练-微调”主流范式的一次根本性提醒。🎧 收听完整节目
🚀 其他值得关注
- Madhu Guru：给 PM 的模型前沿指南（140 ❤️ / 10 🔄）——“PM 应该比前沿实验室的研究员更了解自己用例的模型能力边界：每个尺寸级别的模型能做好什么、在哪里失败、有哪些 workaround、2-3 个月后能做什么、路线图该怎么排。这是 PM 现在的核心工作。”（模型能力认知正在成为 PM 的必修课）
- Garry Tan 的 GBrain evals 已在上文；另外他今天还点赞了 Circleback（见上）。
- Nikunj Kothari：一条高互动内容（176 ❤️ / 4 🔄）。
- Amjad Masad（Replit CEO）：转发 iOS 交互技巧（30 ❤️ / 2 🔄）。
- Peter Yang：为 @drhoeflinger 的视频点赞推荐（”太棒了，继续分享你的知识吧”）。
数据来源：Follow Builders · 2026-09-01