AI News｜2026-07-05

今日目录

• Aaron Levie：AI 的竞争正在变成对上下文的争夺
• Nikunj Kothari：Gemini 仍然是最接近一把钥匙跑完整 AI 栈的 API
• Cat Wu：Claude Code 已经开始接管企业知识接入这类脏活累活
• Guillermo Rauch：可观测性正在变成 agent 自我改进的闭环入口
• Thariq：用模型先发现自己的未知项，再进入更高质量的人机协作
• Peter Steinberger：把 imagegen 接进 coding workflow，设计实现开始合并
• Bryan Catanzaro：算力逼近上限后，模型进步会更依赖效率工程

今日判断

我今天更关注的，不是哪个模型又赢了谁，而是 builder 已经在把模型能力重新拼成工作流：上下文接入、可观测性、模型路由、以及让 agent 真能落到具体任务里。Aaron Levie 讲 context，我觉得不是宏大叙事，而是很实际的产品分层判断：谁能拿到企业文档、代码、数据仓库、审批链路，谁就更可能做出真正可用的 agent。Cat Wu 那条也一样，真正有意思的不是 Claude Code 又多了个 demo，而是 computer use 开始接管“把系统连起来”这类原本最烦、最碎、最容易卡住的实施步骤。

快讯

1. Aaron Levie：AI 的竞争正在变成对上下文的争夺

查看原文 · 来源：Aaron Levie (@levie)

Aaron Levie 这条不是在讲新发布，而是在讲 agent 产品真正会在哪里分出胜负：不是单看模型，而是谁能拿到更完整的业务上下文、工具权限和用户工作流入口。我看下来这对做 AI 产品的人很重要，因为它把很多表面上的功能竞争，重新落回到连接器、知识组织、权限体系、审阅流程和模型路由这些基础能力上。我的判断是，未来一段时间里，应用层价值会继续上移，但前提不是 UI 包装，而是谁先把 context layer 做深，尤其是在代码、法务、客服这类高密度工作流里。

2. Nikunj Kothari：Gemini 仍然是最接近一把钥匙跑完整 AI 栈的 API

查看原文 · 来源：Nikunj Kothari (@nikunj)

Nikunj 作为 Gemini 的公开批评者，反而给出了一条更可信的判断：如果你在做 side project 或 BYOK 产品，Gemini 目前仍然是少数能用一个 key 覆盖长上下文结构化任务、图像、搜索 grounding、实时音频，甚至视频能力的平台。我觉得这条重要，不是因为它夸了 Gemini，而是它说明开发者采购 AI 能力时，集成复杂度已经和模型质量同等重要。我的判断是，模型平台之间接下来拼的不只是单点 benchmark，而是谁能把多模态和实时能力收敛成最省心的开发面。

3. Cat Wu：Claude Code 已经开始接管企业知识接入这类脏活累活

查看原文 · 来源：Cat Wu (@_catwu)

Cat Wu 分享了一个很具体的用法：让 Claude Code 配合 computer use，按照 Claude Tag 文档去完成 GitHub、数据仓库、Google Drive 等数据源接入。这里真正的新信息，不是又一个“AI 能做 setup”的口号，而是 agent 开始吞掉实施阶段最容易拖慢团队的一段工作：看文档、点权限、配连接、查缺漏。我看这比单纯生成代码更接近企业 AI 的实际价值，因为很多内部工具卡死在接入成本。我的判断是，2026 年下半年最先成熟的 agent 机会之一，就是把软件部署和知识接入流程半自动化。

4. Guillermo Rauch：可观测性正在变成 agent 自我改进的闭环入口

查看原文 · 来源：Guillermo Rauch (@rauchg)

Guillermo 提到一个我很认同的方向：让 agent 能回看自己过去的运行记录，找出低效步骤、错误路径、重复工具调用，再生成新的 prompt 或 skill。这件事重要，是因为很多团队现在做 agent 还停在手工调 prompt，但一旦进入生产环境，真正决定效果的是失败样本怎么被持续吸收。我的判断是，agent observability 不会只是调试台，它会慢慢变成训练前的数据层和训练后的优化层之间的桥。谁能把 traces 变成可执行改进，谁的 agent 迭代速度就会明显更快。

5. Thariq：用模型先发现自己的未知项，再进入更高质量的人机协作

查看原文 · 来源：Thariq (@trq212)

Thariq 说他使用 Fable 时最重要的一步，不是直接下命令，而是先借助模型发现自己原本不知道自己不知道的东西。我觉得这条很实用，因为很多人把 prompt engineering 理解成措辞技巧，但真实高效的用法往往是先让模型把问题空间展开，再由人重新定义目标、约束和评估标准。我的判断是，下一阶段最好用的 agent 产品，不会只强调自动执行，而会强化这种前置探索环节，帮助用户更早暴露盲区，尤其适合研究、产品定义和复杂 coding task。

6. Peter Steinberger：把 imagegen 接进 coding workflow，设计实现开始合并

查看原文 · 来源：Peter Steinberger (@steipete)

Peter 给了一个很短但很有操作性的建议：如果你觉得 codex 一类 coding agent 设计感差，不要只让它直接改 UI，而是先用 imagegen 重新想象设计，再让它按那个设计实现。我看这背后反映的是一个越来越清楚的工作流变化：视觉探索和代码生成不再是两段割裂流程，而是可以通过模型串起来。我的判断是，前端和产品团队之后会更常见到这种双模型链路，先出视觉候选，再进入可执行实现，最终减少来回对齐成本。

7. Bryan Catanzaro：算力逼近上限后，模型进步会更依赖效率工程

查看原文 · 来源：The MAD Podcast with Matt Turck

这期播客里 Bryan Catanzaro 讲得最有价值的一点，是如果行业已经接近算力极限，继续提高智能水平就不能只靠堆更多算力，而要靠更高效的训练和推理方法。结合节目提到的 4-bit training、混合架构、多教师蒸馏这些细节，我觉得它给 builder 的启发很直接：接下来模型进步未必首先表现为更大，而更可能表现为更便宜、更可部署、更适合具体场景。我的判断是，效率工程会重新成为 open model 和 infra 公司的主要叙事，不只是研究点缀。