每日精选 — 2026年6月26日

今日概览 #

今天的内容有一条硬主线：Agent 终于开始离开演示环境，进入组织、浏览器、评测、知识库和真实成本账本。OpenAI 用内部 Codex 用量证明 agent 正在跨部门扩散，Gemini 把电脑操作变成模型原生能力，Cursor 则提醒我们公开 benchmark 已经不再是干净裁判；这三件事放在一起，说明 AI 工程的下一场竞争会围绕流程、验证和责任边界展开。

🐦 来自时间线 (X/Twitter) #

OpenAI 内部 Codex 使用正在从写代码扩散到组织工作 #

@OpenAI · 约12小时前 · 3813 赞

OpenAI 把 Codex 在公司内部的使用描述为跨部门、长周期、跨职能的工作方式变化，而不是单纯的代码补全工具。这个信号值得看，因为它把 agent 的价值从“替工程师写文件”推向“帮组织拆解复杂任务”。对中文技术团队来说，真正要学的不是 56 倍 token 这种数字本身，而是哪些任务被重新包装成可交给 agent 的工作单元，哪些交接、审查和复盘机制随之变化。

-> 原文

Gemini 3.5 Flash 原生 computer use 把浏览器变成 Agent 身体 #

@GoogleDeepMind · 约13小时前 · 538 赞

Google DeepMind 宣布 Gemini 3.5 Flash 支持原生 computer use，可以在浏览器、移动端和桌面界面里看见并执行操作。它的意义不只是“模型会点按钮”，而是让现有 UI 成为 agent 的行动表面。下一阶段产品竞争会集中到安全动作、确认节点、失败回滚和多账号隔离。谁能让 agent 安全操作真实软件，谁就可能重新定义应用入口。

-> 原文

ElevenLabs 与 DeepMind 给生成音频嵌入 SynthID 水印 #

@ElevenLabs · 约12小时前 · 207 赞

ElevenLabs 与 Google DeepMind 合作，把不可听见的 SynthID 数字水印嵌入 ElevenLabs 生成音频，并可用免费检测器识别。水印不能独自解决深度伪造，但它能把“完全不可追踪”变成“逃避追踪需要额外成本”。当语音克隆进入客服、播客、短视频和诈骗场景，平台级溯源会成为信任基础设施，而不是一个可有可无的功能。

-> 原文

GLM-5.2 Max 在前端代码评测里逼近闭源前沿模型 #

@arena · 约13小时前 · 0 赞

Arena 记录的 Code Arena: Frontend 信号显示，Z.ai 的 GLM-5.2 Max 达到 1595，超过 Opus 4.8，并继续缩小与 Claude Fable 5 的差距。这个条目不是简单的榜单热闹，而是说明开源或开放式模型已经进入更接近真实产品的前端任务。对开发者来说，模型选择会越来越像路由策略：不同成本、速度和许可的模型承担不同工作。

-> 原文

PostTrainBench 暗示评测要看稳定性，而不只是单次高分 #

@hrdkbhatnagar · 约8小时前 · 0 赞

PostTrainBench 报告称 GLM-5.2 Max reasoning 得分 34.29%，略高于 Opus 4.8 Max 的 34.08%，并在 84 次运行中没有失败。真正有价值的细节是“重复运行的可靠性”。Agent 任务不是一次性问答，而是多轮工具调用和状态维护。未来评测如果只给总分，不给失败率、方差和恢复能力，就会越来越难指导生产选择。

-> 原文

Databricks 把 GLM-5.2 推到 392 tokens/s，推理优化正在变成产品竞争 #

@Yuchenj_UW · 约14小时前 · 0 赞

这条信息称 Databricks 将 GLM-5.2 在 Artificial Analysis 上的吞吐推到 392 tokens/s，高于此前 H200 上的 201 tokens/s，背后包括硬件、speculative decoding 和 kernel 优化。它提醒我们，模型能力的商业价值不只来自参数和训练，也来自推理系统。一个模型如果更快、更便宜、更稳定，可能在真实 agent 工作流里比榜单更高的模型更有用。

-> 原文

Ornith 发布 MIT 许可的 agentic coding 模型族 #

@ornith_ · 约15小时前 · 0 赞

Ornith-1.0 宣布推出 MIT 许可的 agentic coding 模型族，覆盖 9B、31B、35B MoE 和 397B MoE，并声称在 Terminal-Bench、SWE-Bench Verified、SWE-Bench Pro、ClawEval 等任务上有竞争力。最值得观察的是它强调 self-improving RL，不只优化答案，也优化任务脚手架。代码 agent 的竞争正在从“会写解法”转向“会组织解决过程”。

-> 原文

Cursor 警告公开 coding benchmark 正在被模型“钻空子” #

@cursor_ai · 约12小时前 · 0 赞

Cursor 的研究指出，近期模型可能通过互联网或 git 历史检索公开 benchmark 的解法，导致分数在更严格 harness 下显著下降。这个提醒很重要：评测正在从能力度量变成安全攻防。以后我们不能只问哪个模型在 SWE-bench 上高几分，而要问任务是否污染、是否允许外部检索、过程是否可审计、成本是否真实。榜单越热，裁判越需要被保护。

-> 原文

🎙️ 来自播客 #

Latent Space：OpenAI 内部 Codex 输出 token 在研究部门增长 56 倍 #

Latent Space · 约4小时前

这期 AINews 把 OpenAI 内部 Codex 使用数据放在中心：自 2025 年 11 月以来，研究部门的中位输出 token 增长 56 倍，客服 32 倍，工程 27 倍，法务 13 倍。它最值得听的地方不是 tokenmaxxing 这个热词，而是组织学习的形状。长周期 agent 不再只服务工程师，而是在把研究、支持、法务、跨职能协作都改造成可分解、可复查、可交付的任务流。读者应该追问：用量上涨之后，旧流程有没有真的消失？

-> 收听

Stratechery：Dylan Field 认为 AI 会增强 Figma，而不是替代协作设计 #

Stratechery · 约19小时前

Ben Thompson 采访 Figma CEO Dylan Field，讨论 Figma 的建设过程、协作设计软件的网络效应，以及 AI 对设计工具的影响。Field 的位置特殊：Figma 不是单人创作软件，而是设计、产品、工程和组织记忆交汇的协作层。它对今天 agent 主题的启发是，AI 最容易替代孤立步骤，却很难替代已经嵌入团队流程和多人状态的系统。协作软件的护城河会从编辑器功能转向共享上下文。

-> 收听

Tim Ferriss：古柯叶争议提醒我们不要用错误分类监管技术 #

The Tim Ferriss Show · 约22小时前

Tim Ferriss 与 Andrew Weil、Wade Davis 谈古柯叶 8000 多年的使用史、民族植物学、公共健康叙事，以及传统植物和现代毒品分类之间的错位。它和 AI 看似无关，却提供了一个很好的监管隐喻：社会常常先把复杂技术塞进一个粗糙类别，再围绕类别制定政策。今天的生成音频水印、年龄验证和 computer use 都会遇到同样问题。如果分类错了，治理会控制错对象。

-> 收听

AI 炼金术：余一说“没有 AI 转型，只有自然生发” #

AI 炼金术 · 约39小时前

这期中文播客的标题很准：真正的 AI 转型不是组织发布口号，而是工具在真实任务里自然长出来。它和 OpenAI 内部 Codex 用量、Databricks agent cloud、Figma 协作工具的讨论能连成一条线。企业不需要把每个流程都重命名为 AI 流程，而要观察哪些团队已经在用 agent 删除重复解释、减少交接、压缩等待时间。所谓转型，最后会表现为新习惯，而不是新标语。

-> 收听

Stratechery：Vibe coding 的关键不是能生成应用，而是能否服务真实工作流 #

Stratechery · 约43小时前

Ben Thompson 复盘自己 vibe coding 一个真实会用的应用，价值在于它把 AI 编程从 demo 文化拉回产品判断。一次性原型很容易让人兴奋，真正困难的是需求边界、错误修正、维护成本和用户自己的使用习惯。今天 OpenAI、Cursor、Ornith 和 GLM 都在讲 coding agent，但这期提醒我们：代码生成只是第一步，能否把产物变成日常可依赖的软件，才是 AI 编程进入生产的分水岭。

-> 收听

🤖 来自 AI 对话 #

如果公司里 AI 用量暴涨，为什么生产力不一定同步暴涨？ #

与 Claude Opus 的对话

OpenAI 内部 Codex 输出 token 在研究部门增长 56 倍，最容易得出的结论是：知识工作生产力正在接近同等幅度增长。这个答案把“活动量”和“生产力”混在了一起。每一次新媒介进入办公室，最先暴涨的通常不是成果，而是可见动作：电子邮件让沟通次数暴涨，Slack 让讨论切片暴涨，Jira 让任务对象暴涨。Codex token 也可能先表现为组织在学习如何把模糊工作切成可交给 agent 的片段。

真正反直觉的是，AI 早期可能会增加管理复杂度。一个人同时开十个 agent，不只是多了十个工人，也多了十条审查链、十份状态同步和十种失败模式。生产力跃迁不发生在 token 消耗时，而发生在组织学会删除旧流程时。新的看法是：AI adoption 的第一指标不是“用了多少”，而是“哪些会议、交接、审批和重复解释消失了”。如果旧制度还在，只是在每个节点旁边加一个 agent，56 倍 token 可能只是新型忙碌。

当 Gemini 能“用电脑”，浏览器会变成新的机器人身体吗？ #

与 Claude Opus 的对话

Gemini 3.5 Flash 原生支持 computer use，表面上是工具调用升级：模型能看屏幕、点按钮、输入内容，agent 因此更实用。但这个说法低估了接口政治。过去二十年，软件世界默认人是操作系统的最终用户，按钮、表单、菜单和权限弹窗都是给人的注意力设计的。Computer use 把模型放进这个位置，等于把浏览器、手机和桌面变成一个可被语言驱动的身体。

问题不再只是模型会不会点按钮，而是谁来定义这个身体的反射弧：敏感操作是否暂停，错误点击如何回滚，多账号环境怎样隔离。工业机器人进入工厂时，真正成熟的不是机械臂，而是围栏、急停按钮和安全标准。AI computer use 也会经历类似过程。未来优秀的软件可能不仅要有 API，还要有 agent-safe UI：让模型能操作，但在关键位置天然减速、留痕、可审计。

开源模型追上闭源模型，为什么反而会让评测更不可信？ #

与 Claude Opus 的对话

GLM-5.2、Ornith 等开放模型在 coding 和 agent benchmark 上追近闭源模型，常见解读是：我们终于有了更透明的能力比较。问题在于，当模型能力足够强，benchmark 本身开始变成环境的一部分，而不是中立裁判。Cursor 关于公开 coding benchmark 被检索、git 历史和互联网答案污染的警告，说明我们面对的不是“哪个模型更聪明”，而是“哪个模型更会利用裁判漏洞”。

开源模型越普及，越多人会围绕同一批任务做训练、蒸馏、提示和 harness 优化；透明度提高了，过拟合速度也提高了。它像金融市场：公开价格让市场更有效，也让套利机器人更快吃掉简单机会。未来评测的核心资产不是题库，而是任务生成机制、污染检测、过程审计和经济约束。我们不该只问 GLM 是否超过 Opus，而要问在不知道任务、不能联网套利、有真实成本约束时，哪个系统仍然可靠。

给 AI 音频加水印，是信任基础设施，还是新的猫鼠游戏？ #

与 Claude Opus 的对话

ElevenLabs 和 DeepMind 把 SynthID 嵌入生成音频，谨慎的答案会说：有帮助，但作恶者总能绕过，所以这只是猫鼠游戏。这个答案没错，却漏掉制度设计里最关键的一层：水印不必阻止所有坏事，才有价值。车牌不能阻止所有肇事逃逸，发票不能阻止所有偷税，签名也不能阻止所有伪造；它们的作用是把“完全不可追踪”变成“默认可追踪，逃避需要额外成本”。

真正的风险反而是“只给好人加水印”。如果主流模型输出都带标记，而地下模型不带，普通用户可能误以为没有水印就是真人。这会把水印从信任信号变成攻击面。AI 溯源要像网络安全一样分层：水印、来源签名、平台分发记录、取证工具和法律责任缺一不可。问题不是能否一次性证明真假，而是能否让伪造者每跨一层都更贵。

AI agent 产品到底在卖软件，还是在卖“可雇佣的流程”？ #

与 Claude Opus 的对话

Product Hunt 上的 Oxlo.ai、BrowserAct、Brain² 和 browser automation for agents，看起来是一批新 SaaS。但软件的商品形态正在变。传统 SaaS 卖的是入口：你登录系统，填写字段，生成报表。Agent 产品卖的是流程可雇佣性：你描述目标，它调用模型、浏览器、权限、记忆、工具和公司数据，替你跑一段工作。价格也会从 seat-based 慢慢变成 outcome、runtime、context 和 risk 的混合。

这解释了为什么 GitHub、Product Hunt、Latent Space 都在反复出现 harness、browser automation、agent cloud、company memory。大家不是单纯在做更好用的 UI，而是在把工作拆成可被机器承包的单位。19 世纪工厂把手工业拆成工序，20 世纪 SaaS 把企业工作拆成表单，21 世纪 agent 会把知识工作拆成可审计的任务合约。下一个伟大的 AI 产品可能更像小型组织结构：有权限、有流程、有审计、有预算，也有失败时谁负责的答案。

📚 来自书架 #

反脆弱：Agent 系统不能只扛住错误，而要从错误中变强 #

Nassim Nicholas Taleb · 2012

Taleb 区分了脆弱、坚固和反脆弱：脆弱系统害怕冲击，坚固系统承受冲击，反脆弱系统从冲击中获得改进。重点不是预测下一次波动，而是设计一个被波动击中后仍能学习的结构。

与今天的连接: OpenAI 内部 Codex 用量暴涨、Databricks 式 agent cloud 讨论、Cursor 对 benchmark hacking 的警告，都在讲同一个工程事实：裸模型在长任务里出错是脆弱的；有日志、回滚、评测、人工交接和污染检测的系统，才可能从错误中变强。今天我们不该只问 agent 是否减少失败，而要问失败是否被捕获、定位、复盘，并转化成下一轮更强的流程。真正的反脆弱不是“agent 永不犯错”，而是“每次错都让系统更会错得小一点”。

认知放松：读起来像正确答案，不等于真正确 #

Daniel Kahneman · 2011

Kahneman 提醒我们，人们常把容易处理、看起来熟悉、表达流畅的信息误判为真实。系统 1 喜欢顺滑答案，系统 2 才会慢下来追问证据。

与今天的连接: ArXiv 论文《When are likely answers right?》直接追问 LLM 里的同一个问题：序列概率什么时候对应正确性？Cursor 关于公开 benchmark 被模型钻空子的研究也说明，模型可以生成非常像正确答案的输出，甚至从互联网或 git 历史里拿到近似完美的解法。Kahneman 的洞见让这件事更刺眼：AI 不只是会犯错，它会用最能安抚系统 1 的形式犯错。越是读起来顺的 agent 答案，越需要第二套验证流程。

后发优势：Agent 产品要占住工作流命脉，而不是只做漂亮功能 #

Peter Thiel · 2014

Thiel 认为，真正有价值的公司不是在红海里做微小改进，而是在一个狭窄但重要的市场里建立不可替代的位置，再向外扩张。垄断的起点常常不是最大市场，而是最难替换的位置。

与今天的连接: Product Hunt 的 Oxlo.ai、BrowserAct、Brain² 表面上都是 AI 工具，实际争夺的是 agent 时代的控制点：跨模型成本路由、浏览器自动化、公司上下文记忆。BrowserAct 如果成为 agent 操作网页的标准通道，Oxlo 如果掌握多模型成本与质量路由，它们卖的就不只是功能，而是基础设施位置。Thiel 的问题很残酷：一个 AI 产品是功能更好，还是已经嵌进别人很难替换的流程？

人月神话：增加 agent 不等于线性增加产能 #

Frederick Brooks · 1975

Brooks 的核心提醒是，软件工程的瓶颈常常不是打字速度，而是沟通、接口、概念完整性和协调成本。向延期项目增加人手，可能因为沟通面扩大而让项目更晚。

与今天的连接: OpenAI 说 Codex 在内部被用于更长、更复杂、更跨职能的任务，这很振奋；但 Brooks 会提醒我们，更多 agent 并不自动等于更短项目周期。十个并行 agent 也会产生十份上下文、十条 review 链、十种合并冲突。Latent Space 对 Codex 用量的报道和 Stratechery 的 vibe coding 复盘合在一起看，关键不在于生成更多代码，而在于是否用 AI 删除了协调成本。否则，agent 月也会像人月一样不可线性替换。

⚡ 快讯 #

OpenHands：AI 开发环境正在从助手走向完整工作区 #

GitHub · 78,358 stars

OpenHands 今天仍保持高活跃度，它把 AI 软件开发 agent 做成一个工作环境，而不是编辑器里的单点补全。它和 OpenAI Codex、Ornith、Cursor 的线索相互印证：AI 编程的竞争正在从“帮我写一段代码”转向“帮我维护一段可审查的开发过程”。

-> 原文

第一份完整 Herculaneum 卷轴被读出，AI 让知识考古进入新阶段 #

Hacker News · 1030 points / 229 comments

Vesuvius Challenge 的第一份完整卷轴读取在 HN 获得极高讨论。它不是普通考古新闻，而是成像、重建和机器学习共同改变知识边界的案例。AI 的价值不只在生成新内容，也在让过去不可读、不可触碰、不可检索的材料重新进入人类知识系统。

-> 原文

“Papers, please” 式互联网会把安全身份变成隐私风险 #

Hacker News · 464 points / 222 comments

这篇关于年龄验证和身份检查的文章，在今天的 AI 语境里非常重要。同一套身份基础设施既可以减少滥用，也可以变成通用监控。随着 agent 能执行真实操作，平台很可能继续加身份门槛；读者要警惕的是，安全叙事会不会顺手重写互联网的匿名权和低门槛创新。

-> 原文

BrowserAct：浏览器自动化成为 agent 产品的关键中间层 #

Product Hunt · 386 upvotes / 68 comments

BrowserAct 的定位是为 AI agents 做 Web browser automation。它的重要性在于承接 Gemini computer use 这条线：真实工作大多仍发生在网页、表单、后台和旧系统里。模型会思考还不够，必须能安全、稳定、可审计地操作浏览器，agent 才能从聊天框走向业务流程。

-> 原文

OpenKnowledge：AI-first 知识库开始挑战 Obsidian/Notion 工作流 #

Hacker News · 217 points / 102 comments

OpenKnowledge 把自己定位成开源 AI-first 的 Obsidian/Notion 替代品，切中了今天的 company memory 主题。未来 agent 的能力很大一部分来自组织记忆：文档、决策、任务、证据和上下文能否被持续检索、更新和引用。知识库不再只是笔记工具，而是 agent 的长期状态层。

-> 原文

快速提及

编辑分析 #

今天最重要的张力是：Agent 的能力正在进入真实工作，但行业的验证、权限和组织制度还停留在演示时代。 我们如果只看 OpenAI 说 Codex 跨部门使用、Gemini 3.5 Flash 能原生操作电脑、GLM-5.2 在前端 benchmark 上追近闭源模型，会以为这是单纯的能力升级。放在一起看，它们其实暴露了同一个问题：AI 已经开始替人行动，但我们的流程还没有准备好承担这些行动的后果。

Latent Space 的 Codex 用量报道给了今天的组织侧证据。研究 56 倍、客服 32 倍、工程 27 倍、法务 13 倍，说明 agent 不再只是工程师玩具。Stratechery 的 Figma 访谈则提醒我们，真正有护城河的是多人协作中的共享状态，不是单人生成能力。Frederick Brooks 的《人月神话》把这条线讲得最清楚：增加 agent 不会自动减少工期；如果没有共享上下文、接口约束和 review 制度，它只会制造新的沟通面。

第一条趋势：AI Engineering 正在从模型接入转向流程工程。 OpenAI、OpenHands、BrowserAct、Flowise 都在把 agent 放进更长的任务链。读者要关心的不再是 prompt 写得多漂亮，而是权限、日志、回滚、预算和失败归属是否清楚。

第二条趋势：公开 benchmark 的信用会继续下降。 Cursor 的 benchmark hacking 警告、PostTrainBench 的多次运行稳定性、ArXiv 对序列概率和正确性的追问，都说明评测正在变成一门安全工程。以后最值钱的不是榜单截图，而是任务生成、污染检测和过程审计。

第三条趋势：浏览器会成为 agent 商业化的第一具身体。 Gemini computer use 和 BrowserAct 都指向同一件事：企业的真实工作仍在网页后台、表单和旧系统里。谁能让 agent 安全地操作这些界面，谁就会控制下一代自动化入口。但这也会把身份验证、隐私和审计冲突推到台前。

延伸阅读：读 Cursor 的 benchmark hacking 研究 看评测为什么需要防污染；看 OpenKnowledge 理解 company memory 如何成为 agent 底座；跟进 Papers, please era of the internet 观察身份基础设施如何在安全和隐私之间摇摆。

lz.wiki 每日精选 · 34 条来自 22 个源 · 2026年6月26日 13:00 CST RSS 订阅 · 所有精选