SpaceX 第三季度营收 146 亿美元，同比增长 161%，净利润 44 亿美元，扭转上年同期亏损。其最大业务已不再是火箭，而是 AI 超级智能业务（76 亿美元，增长约 830%），超过 Starlink 和发射业务。作者认为 SpaceX 正构建独一无二的完整体系：火箭、全球通信网络（Starlink 1360 万用户）、吉瓦级算力和能源，形成竞争者无法复制的飞轮。公司市值约 2 万亿美元，作者论证通往 10 万亿乃至 100 万亿估值的路径，同时提示资本开支巨大、AI 信贷周期和关键人物风险。
文章以杰文斯悖论类比：降低 AI 编码代理的使用摩擦反而会大幅提升其使用规模。Google Cloud Developer Plugin（基于开放的 Agent Plugins 规范）通过四层架构消除上下文瓶颈：多层级渐进式披露（约1680 token 的发现路由器）、通过 Developer Knowledge MCP 服务器获取实时有据可查的官方文档、严格的 gcloud CLI 执行护栏（leaf help 验证、非交互标志、输出投影压缩）以及凭据安全引导（ADC 与短期 IAM 模拟）。文章最后演示了端到端场景，引导 AI 代理一次性构建并部署跨 Cloud Run、Firestore 和 BigQuery 的实时事件分类管道，支持 Antigravity、Claude Code 和 Codex。
微软发布的一篇面向普通用户的 AI Agent 构建指南。文章通过夜间钓鱼攻击自动处置等示例说明 Agent 与聊天应用的区别——不仅能回答问题，还能采取行动。文章介绍了使用 Microsoft Copilot 无需写代码即可构建 Agent 的五个步骤：1) 从问题出发明确目标；2) 检查是否已有现成 Agent；3) 用自然语言在 Copilot 中创建并配置 Agent 指令；4) 连接知识源（邮件、文档、SharePoint 等）并定义输出格式；5) 测试、分享并逐步扩展能力。文中以周报生成、共享邮箱管理等场景为例，说明如何让 Agent 融入日常工作流程。
本文探讨如何通过循环工程降低自主编码 Agent 的 Token 成本。以一个 5 轮 PR 修复任务为例，未优化的 Harness 消耗 81,000 tokens（$1.53），而优化后仅需 12,050 tokens（$0.042）。核心机制包括：稳定的系统前缀以最大化 KV 缓存命中；基于 AST 的工具输出压缩，仅提取代码骨架；沙箱确定性工具预检与自动修复，避免浪费 LLM 推理；MCP 工具 Schema 的按需懒加载与 Code-Mode 执行；以及双层级模型路由（Workhorse 处理机械性任务，Frontier 处理复杂规划），并定义了四种确定性升级触发条件，实现亚角级（sub-dime）任务成本。
作者基于为 10+ 家 YC 公司提供 GTM 服务的经验，阐述早期创业公司如何做增长。核心观点：AI 让找线索变得容易，但判断哪些线索重要才是关键。创始人前 50 次销售对话是数据收集，类似模型训练。文章提出线索的新定义（fit × timing × intent × confidence），强调先完整映射市场再进攻，重视时机信号，并将 outbound、inbound 与 GTM 工程整合为一个闭环系统：运行策略→捕获信号→衡量结果→更新模型，认为专有的结构化市场学习才是真正的护城河。最后以 Workersio 案例展示具体工作流。
作者分享其AI原生服务创业公司Panacea在生命科学监管咨询领域运营6个月的反思。针对红杉资本'Services: The New Software'的论点，作者指出其忽略了'问责制'这一关键因素：AI代理无法承担责任，就像自动驾驶仍需持有执照的飞行员一样。Panacea将内部专家与AI平台结合，用固定里程碑定价取代按小时计费，两个月内签约50万美元，七位数管道90%来自客户主动咨询。文章认为万亿美元机会不在于取代专家，而在于让专家劳动不再随收入线性扩张。
本文介绍如何利用 Google Gemini Enterprise Agent Platform 的上下文缓存（Context Caching）大幅降低 Agent Harness 的 token 成本。文章指出无状态 LLM 在多轮编码循环中会重复传输静态代码库导致 token 累积和成本暴涨，并剖析了前缀破坏陷阱——缓存要求提示词从第 0 个 token 起字节级匹配，动态变量必须放在提示词末尾。作者展示了服务端缓存的工作原理及双重节省模型（带宽节省与缓存 token 0.25 倍计费），并通过 CachePayloadBuilder 和 ContextCacheManager 实现缓存流水线。实测三个场景显示传输 token 减少 74%-79%。最后给出决策树：上下文小于 32768 token 或少于三轮时不应缓存。
Peter Diamandis 介绍其合作伙伴 Salim Ismail 提出的“组织奇点”理论：70% 的 CEO 承认公司存在高利润业务可在 60-90 天内被两名 AI Agent 使用者复制。文章阐述 AI 原生公司的五层智能架构（感知、解释、决策、编排执行、学习），人类仅在检查点做是否批准。传统公司无法内部转型，需采用边缘策略——在防火墙内建立数字孪生，逐步用智能栈重构工作流并替代旧系统。预计 AI 原生组织性能将提升约 100 倍，仅需 20% 人力；中层管理萎缩 60-80%，静态组织架构与五年规划消亡，而 MTP、法律实体、专有数据与人类判断得以保留。
作者详细介绍了如何利用 Codex (GPT-5.5) 构建个人 Agent 来管理邮件、WhatsApp、Telegram 等日常事务。文章强调了以 Google Drive 为单一事实来源的重要性，优先使用 API 和 CLI 以保证稳定性，并通过两个实际案例（邮件介绍、车牌更新）展示了 Agent 在跨应用工作流中的巨大效率优势。
本文深入探讨了“Model-Harness-Fit”（模型与协作框架的适配）这一概念。作者通过对比 Codex、Claude Code 和 GitHub Copilot SDK，指出模型在训练后与特定的工具界面、内存协议和规划机制深度绑定。仅更换模型而保留通用框架会导致性能显著下降。文章强调，模型本身的权重不再是唯一的护城河，与其配套的整个工程堆栈才是关键。
文章探讨了 AI Agent 的记忆机制，解释了为何不同 Agent（如 Claude Code 和 Codex）之间无法直接通过复制文件来迁移记忆。作者指出，这是因为模型在后期训练时与特定的记忆层“融合”了。文章对比了 Hermes、Codex CLI 和 Claude Code 三种实现，并得出结论：最聪明的架构（如向量数据库、知识图谱）输给了最简单的方案（LLM + Markdown + Bash 工具）。核心在于 Agent 遵循的读写规范，而非数据结构本身。
作者构建了名为 Ambrosia 的离线 AI 护肤日记应用，全过程在本地设备完成。文章探讨了端侧模型在硬件适应性、成本及隐私方面的优势，详细记录了基于 Qwen3-VL-2B 模型在本地 MacBook 上进行 LoRA 微调并在 iPhone 上部署的实践，强调了针对特定任务约束小模型比通用助手更高效，展望了边缘智能与算力结合的未来。
