每日精选 — 2026年4月10日

今日概览 #

四名宇航员正从月球飞回地球, 今晚将溅落太平洋, 而地面上的科技圈正在经历另一种引力场的重组: Claude 推出 Advisor 分层策略把"最聪明的 AI 不该亲自干活"变成了产品特性, 阿里 HappyHorse 以一半成本登顶视频 AI 全球盲测榜, GitHub 上 Agent 框架的星标数以万计地飙升。当 AI 的"做什么"已经不是瓶颈, “怎么组织 AI 去做"正在成为这个行业真正的竞争维度。

🐦 来自时间线 (X/Twitter) #

Artemis II 宇航员抵达地月中点, 今晚溅落太平洋 #

@NASA · 8小时前 · 65126 赞

四名 Artemis II 宇航员已通过地月航程中点, 预计今晚美东时间 8:07 PM (北京时间 4 月 11 日 8:07 AM) 在圣迭戈附近海域溅落。这是自 1972 年 Apollo 17 以来人类首次环月飞行任务。65000+ 赞和近万转发提醒我们: 在 AI 占据全部科技注意力的今天, 把人类送到月球再安全带回来, 仍然是这个物种最令人敬畏的工程成就。

-> 原文

Claude 平台推出 Advisor 策略: Opus 当顾问, 成本降八成 #

@claudeai · 18小时前 · 24896 赞

Anthropic 将 Advisor 策略引入 Claude Platform: 让 Opus 作为顾问, Sonnet 或 Haiku 作为执行者, 在接近 Opus 级别智能的同时大幅降低成本。24896 赞说明这个策略击中了真实需求。核心洞察不是"用便宜模型替代贵的”, 而是"让最强模型只做判断, 不做执行"。这本质上是把人类组织中"高管做决策, 团队做执行"的分工模式移植到了 AI 系统中。

-> 原文

Project Glasswing: Anthropic 用 Claude Mythos 保护关键软件安全 #

@AnthropicAI · 2天前

Anthropic 发布 Project Glasswing, 由全新前沿模型 Claude Mythos Preview 驱动, 能发现几乎所有人类难以发现的软件漏洞。这是 Anthropic 继 Managed Agents 后的又一重磅发布, 但方向截然不同: Managed Agents 是矛, Glasswing 是盾。Mythos 不公开发布, 仅向经审核的安全研究机构开放, 这个决策本身就说明了它的危险程度。

-> 原文

Anthropic 工程博客: 构建 Managed Agents 的基础设施挑战 #

@AnthropicAI · 2天前

Anthropic 工程博客发布长文, 讲述构建 Managed Agents 托管服务的技术挑战: 如何为"尚未被构想出的程序"设计基础设施。这个问题的本质和操作系统设计是一样的, 你不知道用户会跑什么程序, 但你必须保证它们能安全、高效地运行。Anthropic 正在把自己定位为"AI Agent 的操作系统", 而不仅仅是模型供应商。

-> 原文

Simon Willison 深入拆解 Meta Muse Spark 及 meta.ai 的工具系统 #

@simonw · 1天前

Simon Willison 对 Meta 新发布的 Muse Spark 模型做了深度拆解, 同时挖掘了 meta.ai 聊天界面中的 Code Interpreter 和"container.visual_grounding"工具。后者尤其值得关注: 这意味着 Meta 正在给 AI 赋予"看到屏幕并理解位置"的能力, 这是 Computer Use 的另一种实现路径。Simon 的拆解一如既往地扎实, 值得细读。

-> 原文

阿里 HappyHorse 登顶视频 AI 全球盲测榜, 成本仅 SeedAnce 一半 #

@imaxichuhai · 昨日 · 152 赞

阿里旗下视频 AI 模型 HappyHorse 在全球权威盲测榜单上拿下文生视频和图生视频双料第一, 成本只有字节 SeedAnce 的一半, 并已全球开源。核心负责人张迪是快手可灵模型的创始人。SeedAnce 出道才几个月就面临被超越, AI 视频赛道的竞争周期已经从年缩短到了月。这也是中国 AI 人才流动催生创新的又一个案例。

-> 原文

Obliteratus: 一键移除 LLM 审查的开源工具 #

@HowToAI_ · 昨日 · 1121 赞

一个名为 Obliteratus 的开源工具可以精确识别模型中负责"拒绝回答"的权重, 并将其投影移除。技术上很优雅, 伦理上很复杂。它证明了当前 LLM 的安全对齐机制本质上是脆弱的: 审查行为被编码在可识别的权重方向上, 而不是深度整合进模型的推理能力中。这给 Anthropic 等追求"深度对齐"的公司提了一个重要的醒。

-> 原文

港大开源 Vibe-Trading: 29 个 AI 角色协作, 打通加密/美股/A股 #

@Jason23818126 · 昨日 · 634 赞

港大最新开源的金融 AI 交易项目 Vibe-Trading 原生打通了加密货币、美股和 A 股三大市场, 预设 29 种 AI 角色协作, 用自然语言就能调度 AI 团队跑回测。634 赞和 157 转发说明量化交易的民主化有巨大需求。但 29 个 Agent 的协调复杂度不容小觑, 这让人想起 Brooks 定律: 增加协作者未必加速项目。

-> 原文

🎙️ 来自播客 #

Anthropic 年化收入触及 300 亿美元, Mythos 被称为"GPT-2 以来最危险的模型" #

Latent Space (AINews) · 2天前

Latent Space 深入分析了 Anthropic 对 OpenAI 即将 IPO 的"反击组合拳": 年化收入飙升至 300 亿美元, 同时发布 Project Glasswing 和 Claude Mythos Preview。后者被称为自 GPT-2 以来第一个因"太危险"而不公开发布的模型。分析指出, Anthropic 的策略是在 OpenAI IPO 前最大化市场注意力, 同时用安全叙事建立差异化定位。

“Mythos 是 GPT-2 以来第一个因为太危险而不对外发布的模型, 但这次的理由和当年完全不同。” — Latent Space

-> 收听

Meta 超级智能实验室终于出牌: Muse Spark 的架构野心 #

Latent Space (AINews) · 2天前

同期 Latent Space 覆盖了 Meta Superintelligence Labs 发布 Muse Spark 的战略意义: 这不是 Llama 的延续, 而是 MSL 在全新架构栈上从零构建的第一个前沿模型。分析认为 Meta 正在押注一个大胆的假设: 当前 Transformer 架构已经接近天花板, 需要全新的基础架构才能实现真正的突破。

-> 收听

OpenAI 的 Token 工程: 如何为万亿级 Token 规模构建基础设施 #

Dwarkesh Podcast · Ryan Lopopolo · 3天前

Dwarkesh Patel 采访了 OpenAI 的 Ryan Lopopolo, 深入讨论了在海量 Token 规模下运行前沿 AI 模型的工程挑战。这期内容的价值在于它揭示了 AI 产品化中最被低估的部分: 不是模型研究, 而是把模型可靠地跑在生产环境中。当 Token 消耗以万亿计, 每一毫秒的延迟优化都意味着数百万美元的成本差异。

“人们总在讨论模型能力的天花板, 但对我们来说, 真正的天花板是基础设施。” — Ryan Lopopolo

-> 收听

维京人、征服者与人类永恒的扩张冲动 #

Lex Fridman Podcast · #495 · Lars Brownworth · 昨日

Lex Fridman 与维京历史学家 Lars Brownworth 对谈, 覆盖了维京时代的军事策略、Ragnar Lothbrok 传奇、北美探险以及拜占庭帝国。虽然表面上和科技无关, 但维京人的扩张模式和今天科技公司的全球化策略有惊人的相似: 以贸易网络为骨架, 以技术优势(造船术)为核心竞争力, 以文化适应性为生存策略。

-> 收听

极限挑战者 Michelle Khare: 恐惧管理的方法论 #

The Tim Ferriss Show · #860 · Michelle Khare · 3天前

Tim Ferriss 采访了以挑战极限闻名的 Michelle Khare, 讨论了她面对恐惧的准备方法论。核心观点: 恐惧不是需要克服的障碍, 而是需要管理的信号。她的方法论和软件工程中的风险管理如出一辙: 识别风险、量化概率、准备预案、设定止损线, 然后执行。

-> 收听

🤖 来自 AI 对话 #

当安全研究本身成为最大的安全风险 #

与 Claude Opus 的对话

Anthropic 刚发布了 Project Glasswing, 用一个名为 Claude Mythos 的超强模型专门挖软件漏洞。大多数人的第一反应是: 太好了, AI 帮我们找漏洞, 世界更安全了。

但这里有一个被忽视的悖论。一个能找到"几乎所有人类都找不到的漏洞"的模型, 本身就是最危险的攻击武器。Anthropic 选择不公开发布 Mythos, 只给经过审核的安全研究机构使用, 这个决策本身就说明了问题的严重性。

更深层的矛盾在于: 安全研究的价值恰恰来自于信息不对称。如果你知道一个零日漏洞, 你可以选择修补它, 也可以选择利用它。历史上, NSA 囤积零日漏洞的做法最终导致了 WannaCry 勒索攻击, 影响了全球 150 个国家。现在我们把这个能力交给了一个 AI 模型, 而且这个模型的能力远超任何人类安全研究员。

但真正让人不安的是经济逻辑。Anthropic 是一家需要盈利的公司。Glasswing 今天是免费的公益项目, 但发现漏洞的能力本质上是可以定价的。想象一下: 如果某个国家愿意出 10 亿美元买断 Mythos 一个月的独占使用权, 会发生什么?

也许我们需要的不是更强的漏洞发现工具, 而是一种全新的软件架构范式, 让"漏洞"这个概念本身变得不那么致命。就像生物系统不依赖于"没有病毒"来存活, 而是依赖于免疫系统的持续适应。

Advisor Pattern: 为什么最聪明的 AI 不应该亲自干活 #

与 Claude Opus 的对话

Claude 官方推出了 Advisor 策略: 让 Opus 当顾问, Sonnet/Haiku 当执行者。表面上这是成本优化, 但背后隐藏着一个关于智能分工的深刻洞察。

直觉告诉我们: 用最强的模型做所有事情, 结果应该最好。但实际数据显示, Opus 当顾问加 Sonnet 执行的组合, 在很多任务上的表现接近纯 Opus, 而成本降低了 80% 以上。

这不是 AI 独有的现象。麦肯锡不会让合伙人亲自做 Excel 表格。外科主任不会自己缝合伤口。NBA 教练不上场打球。在所有高效组织中, 最有能力的人都在做判断和决策, 而不是执行。

但这里有一个反直觉的推论: 如果"思考"和"执行"可以分离, 那么 AI 系统的未来可能不是一个超级大模型, 而是一个由不同规模模型组成的"公司"。最小的模型处理 90% 的常规工作, 中等模型处理异常情况, 最大的模型只在关键决策点介入。

这跟人类大脑的工作方式惊人地相似。你的大脑皮层不会参与每一次呼吸和心跳, 它只在需要有意识决策时才介入。进化早就发现了这个最优解: 把昂贵的认知资源留给真正需要它的时刻。

对独立开发者的启示: 不要追求用最贵的模型做所有事。学会设计"认知层级", 让合适的智能处理合适的任务。

开源视频 AI 的"快手效应": 为什么最强的人总在离开后才爆发 #

与 Claude Opus 的对话

阿里的 HappyHorse 视频模型刚登顶全球盲测榜单, 核心负责人张迪曾是快手可灵模型的创始人。

这不是个案。OpenAI 的核心研究员离开后创办了 Anthropic、xAI、Character.AI。Google Brain 的人才流失催生了半个硅谷的 AI 创业公司。中国也一样: 从字节跳动走出来的人在做 MiniMax, 从百度走出来的人创办了多家大模型公司。

常见的解释是"大公司束缚了人才"。但真正的原因更微妙: 大公司提供了"隐性训练数据"。在快手, 张迪不只是学会了如何做视频生成, 他还学会了什么不该做, 什么方向是死路, 哪些工程决策看起来优雅但实际上是坑。这些负面知识在大公司内部是被浪费的, 因为组织惯性不允许你推翻已有的技术路线。但当你带着这些知识离开, 它们就变成了最大的竞争优势。

更有趣的是成本数据: HappyHorse 的成本只有字节 SeedAnce 的一半。这说明张迪在快手和阿里的经历帮他避开了很多昂贵的弯路。

人才流动不是零和游戏。一个人在 A 公司积累的失败经验, 可能在 B 公司创造十倍的价值。AI 行业的高流动率, 本质上是一种分布式知识蒸馏。

From the Moon to the Terminal: 为什么 Artemis II 比本周所有 AI 发布都重要 #

与 Claude Opus 的对话

当整个科技时间线都在争论 AI 模型时, 四个人类正从月球飞回来。Artemis II 今天抵达了地月中点, 宇航员今晚将溅落太平洋。

Artemis II 是一次测试飞行。没有登月, 没有戏剧性的月面行走。只是: 绕月球一圈然后活着回来。NASA 花了超过 400 亿美元和 15 年来完成一件在 1968 年 Apollo 8 就已经做到的事。互联网对此的嘲讽声不断。

但批评者忽略了关键点: Artemis II 是在重建已经失传的机构知识。建造 Apollo 的人已经去世或退休。制造技术、操作直觉、那些让宇航员活下来的上千个微决策, 全部需要从头学习。你不能简单地阅读 Apollo 的文档然后复制它。存在于人类双手和判断中的知识, 不会通过文档转移。

这恰好是 AI 行业正在梦游走入的风险。我们正在构建极其复杂的系统, 而关于这些系统实际如何运作的知识, 集中在极少数人的头脑中。当 Ilya Sutskever 离开 OpenAI, 他带走的不只是想法, 而是多年关于什么有效什么无效的直觉, 这些是任何论文或代码库都无法捕获的。

Artemis II 是一个 400 亿美元的提醒: 机构知识是脆弱的, 重建代价高昂, 且不可替代。

29 个 AI 角色协作炒股, 听起来很酷, 但这可能是金融市场的噩梦 #

与 Claude Opus 的对话

港大开源了 Vibe-Trading, 一个用 29 个 AI 角色协作做量化交易的系统。技术上很漂亮, 但从市场结构的角度看, 这可能是一场灾难的预演。

表面上, AI 交易系统让普通人也能享受机构级的量化分析。民主化, 对吧? 但如果每个人都在用相似的 AI 模型做交易决策, 会发生什么?

答案是: 极端的同质化。当市场上 60% 的交易决策来自相似架构的 AI 系统时, 它们会在同一时间买入同一资产, 也会在同一时间恐慌抛售。这不是假设, 2020 年 3 月和 2024 年 8 月的闪崩已经给出了预告。

更深层的问题是: 金融市场的定价效率依赖于参与者的多样性。价值投资者、趋势交易者、套利者、做市商, 每种策略都在纠正其他策略的偏差。但 AI 交易系统天然倾向于趋势跟踪和动量策略, 因为这些策略在历史回测中表现最好。当所有人都成为动量交易者, 市场就失去了自我纠错能力。

这跟生态学中的"单一作物种植"是同一个问题。爱尔兰大饥荒不是因为土豆不好, 而是因为所有人都种同一种土豆。

📚 来自书架 #

第六章"否定法": 知道什么不该做, 比知道该做什么更有价值 #

Nassim Nicholas Taleb · 2012

塔勒布的 via negativa 原则: 真正的专业知识不是知道 100 种正确做法, 而是知道 10 种致命错误并系统性地避免它们。一个外科医生的核心能力不是"会做手术", 而是"知道什么时候不该做手术"。

与今天的连接: 阿里的 HappyHorse 以竞品一半的成本登顶榜单, 核心负责人张迪在快手可灵的经历教会了他什么不该做。同样, Anthropic 选择不公开发布 Mythos 模型, 也是一种 via negativa 决策: 知道什么不该发布, 比知道什么该发布更难, 也更重要。在 AI 开发中, 我们太迷恋"加法思维", 也许真正的突破来自于勇敢地删除。

第九章"回答更简单的问题": 我们总在用直觉替代分析 #

Daniel Kahneman · 2011

当面对困难问题时, 大脑会悄悄用一个更简单的问题来替代, 然后回答那个简单问题, 并误以为自己回答了原始问题。比如"这个投资值得做吗?“会被替换成"我对这个创始人的第一印象好吗?”

与今天的连接: 今天围绕 Mythos 模型的讨论完美演示了这个偏差。核心问题是"一个超强漏洞发现 AI 该如何被治理?", 但 Twitter 上大多数人在回答"AI 找漏洞是好事还是坏事?", 然后根据自己是乐观派还是悲观派给出预设答案。Claude 的 Advisor 策略也暗合这一原理: Opus 作为顾问, 本质上是确保执行者理解了正确的问题, 而不是回答一个更简单的替代问题。

第三章"竞争是留给失败者的": 真正的创新是创造垄断 #

Peter Thiel · 2014

蒂尔的核心论点: 竞争不是市场健康的标志, 而是利润为零的死亡螺旋。真正创造价值的公司不是在红海中游得更快, 而是发现或创造一个只有自己能玩的蓝海。

与今天的连接: AI 视频生成赛道是完美的反面案例。阿里 HappyHorse 以一半成本击败字节 SeedAnce, 而 SeedAnce 出道才几个月。这正是蒂尔警告的竞争陷阱: 在同一维度竞争, 领先优势是以月计算的。相比之下, Anthropic 的 Project Glasswing 更接近"零到一"策略: 创造了"AI 安全审计"这个新品类, 目前没有竞争对手。

第二章"人月神话": 增加人手不会让项目更快完成 #

Frederick Brooks · 1975

Brooks 定律至今成立: 向延期的项目增加人手只会让它更延期。原因是通信成本随人数呈二次方增长, 10 个人有 45 条通信通道, 20 个人就变成 190 条。

与今天的连接: 港大的 Vibe-Trading 用了 29 个 AI Agent 协作交易, 这触发了一个有趣的问题: Brooks 定律适用于 AI Agent 吗? 理论上不应该, 因为 AI 之间的通信是即时且精确的。但实际上, Multi-Agent 系统面临自己版本的 Brooks 问题: Agent 数量增加时, 冲突决策的概率指数增长。Claude 的 Advisor 策略从另一个角度解决了这个问题: 不是增加同级别 Agent, 而是建立清晰的层级结构。Brooks 会认可这个设计。

⚡ 快讯 #

GitHub 上 Agent 框架集体爆发: superpowers 日增 2300 星 #

GitHub Trending · 143,962 星

obra/superpowers 以 144K 总星标高居 GitHub Trending 榜首, 日增 2299 颗星。这是一个基于 Shell 的 Agentic Skills 开发方法论框架。同日, NousResearch 的 hermes-agent 日增 6485 星(总计 45K), 标志着 AI Agent 框架正在经历和 2023 年 LLM 框架类似的寒武纪大爆发。

-> 原文

Hermes Agent: NousResearch 的"与你一起成长"的 AI Agent 框架 #

GitHub Trending · 45,498 星 · +6,485 今日

NousResearch 发布的 Python Agent 框架, 主打"The agent that grows with you"。日增 6485 星是今日 GitHub 最高增速, 说明市场对个人 AI 助手框架的需求正在井喷。

-> 原文

Karpathy Skills: 一个 CLAUDE.md 文件改善 Claude Code 行为 #

GitHub Trending · 10,624 星 · +1,364 今日

基于 Andrej Karpathy 关于有效 AI 编码工作流的观察, 用一个 CLAUDE.md 文件来改善 Claude Code 的行为模式。这个项目的火爆说明: AI 编程工具的使用效果, 越来越取决于"提示工程"而非工具本身。

-> 原文

读代码前先跑的 Git 命令, HN 上爆了 2218 赞 #

Hacker News · 2,218 分 · 471 评论

一篇开发者指南, 讲在读任何陌生代码库之前先用 git log、git shortlog、git diff –stat 等命令建立心智模型。2218 分和 471 条评论说明"如何读代码"仍然是开发者社区最有共鸣的话题之一。在 AI 写代码越来越多的今天, 读代码的能力反而更重要了。

-> 原文

MegaTrain: 单块 GPU 全精度训练 1000 亿参数模型 #

Hacker News / ArXiv · 323 分 · 56 评论

一篇研究论文展示了在单块 GPU 上全精度训练 100B+ 参数 LLM 的方法, 可能从根本上改变 AI 研究的准入门槛。如果这个方法可靠, 它意味着独立研究者和小型实验室也能训练前沿规模的模型, 而不需要万卡集群。

-> 原文

编辑分析 #

今天所有内容都在指向同一个问题: 当 AI 的单体能力不再是瓶颈, “组织智能"才是真正的竞争力。

Claude 的 Advisor 策略是最直白的例证。Opus 不亲自干活, 它只做判断, 让 Sonnet 和 Haiku 去执行。成本降了 80%, 效果几乎不变。这不是技术突破, 这是管理学常识在 AI 系统中的迟到应用: 最贵的资源应该只做最有杠杆的事。但当我们把视线拉远, 会发现这个模式正在所有维度上复现。GitHub 上 superpowers(144K 星)和 hermes-agent(45K 星)同时爆发, 它们卖的不是更强的模型, 而是"如何组织模型工作"的方法论。港大的 Vibe-Trading 用 29 个 AI 角色协作, 但正如 Brooks 1975 年就警告的, 协作者的数量和协作的效率之间不是线性关系。阿里 HappyHorse 以一半成本登顶, 证明了"知道什么不该做"比"知道什么该做"更值钱, 这恰好是塔勒布 via negativa 的 AI 版本。

三个值得追踪的趋势:

第一, AI 的"管理革命"正在发生。 Anthropic 的 Advisor Pattern 和 Managed Agents 代表了两个方向: 前者是模型内部的分工(谁思考谁执行), 后者是模型外部的基础设施(谁来管理 Agent 的生命周期)。这两个方向合在一起, 正在把 AI 从"工具"推向"组织”。我们预计 6 个月内, “AI 系统架构师"会成为比"Prompt Engineer"更热门的职位。

第二, 安全和能力的悖论正在激化。 Anthropic 同时推出 Managed Agents(进攻)和 Glasswing(防守), Obliteratus 工具证明当前的对齐机制可以被一键移除。这不是道德问题, 这是系统设计问题。当安全机制被编码在可识别的权重方向上而非深度整合进推理能力时, 它本质上是脆弱的。Glasswing 用 AI 找漏洞修漏洞, 但谁来给 AI 本身的安全做审计?

第三, Artemis II 提醒我们机构知识不可替代。 在 AI 人才以月为单位流动的行业, NASA 花 400 亿美元重学 1968 年就会的事情是一记警钟。张迪从快手带走的"负面知识"帮阿里赢了一次, 但当整个行业的知识都集中在流动的个人而非稳固的机构中, 下一次"Apollo 级别的知识断层"可能就在 AI 领域发生。

延伸阅读:

• Anthropic Engineering Blog: Building Managed Agents
• LLM Agent Externalization 综述论文 (理解 Agent 框架爆发的学术背景)
• MegaTrain: 单 GPU 训练 100B 模型 (如果可靠, 这将改变 AI 研究的准入门槛)

lz.wiki 每日精选 · 32 条来自 12 个源 · 2026年4月10日 13:00 CST RSS 订阅 · 所有精选