文章指出炒股者多依赖二手信息，而AI读财报虽有价值，却存在编造数字、跨表算错、盲目自信、中途改口径崩溃等问题。作者以中兴通讯2024/2025年报为测试案例，用Apodex 1.1验证了一套四步验伪法：问网上搜不到的问题、强制列出数据出处、跑到一半改口径、手动核对至少一个数。测试显示AI能发现负少数股东损益异常并交叉验证数据，但作者仍抓到一处补充说明中约6%利润抬升的错误概括（实际两年相差一个数量级）。结论强调每个带百分比的句子都要核对，并介绍了FrontierAgent开源harness及相关工具。
作者使用 Apodex 1.1 的 Deep Discover 功能，对 43 条 AI 裁员公开案例进行核验研究，并重点复现 Salesforce、Klarna、Duolingo 和 Snap 四家公司。研究发现：只有 17/43 条案例与 AI 存在明确或模糊关联，最值得关注的信号不是裁员本身，而是“岗位入口收缩”——离职后不补、初级岗减少、岗位职责扩大。文章详细演示了如何用 Agent Team 并行查证、中途追加招聘入口核验、通过 Statement Review 复核结论，最终交付可复用的报告、证据表和 CSV。核心观点：AI 对就业的影响更常表现为招聘入口变窄，而非直接裁员。
作者分享了一次 AI Agent 实战经验：通过 DeepSeek Harness 安装开源项目 FrontierAgent，并接入 Apodex 本地部署的大模型或官方 API，对 584 篇精品文章进行分析。文中详细介绍了安装 DeepSeek Harness 并接入 DeepSeek、Codex、Grok Build 模型的步骤，配置 FrontierAgent 的 Apodex API 环境，以及使用 react 和 agent_team 两种模式运行任务。36 分钟后，Agent 分析出两套写作模板：三分钟大白话科普类和实操干货教程类。文章还介绍了 Apodex 开源大模型从 Qwen3.5 基座到 Agent 专项训练的演进过程，为自媒体写作提供了 AI 辅助创作的新思路。
作者针对'AI Agent会不会杀死SaaS'这一争议问题，使用Apodex投研工具进行了系统分析。Apodex先拆解任务，研究Salesforce、ServiceNow、Workday等公司，分析seat-based模式、AI收入及Agent与SaaS的关系。核心结论是：Agent绕过的是人机界面，但依赖数据、权限、工作流和system of record。AI Agent会压缩浅层SaaS的席位和界面定价权，但增强掌握企业数据轨道的平台。AI收入是真实增量但尚未完全验证。短期是AI增强SaaS确认期，中期转向seat+usage+workflow混合模式，长期SaaS将演变为'轨道+Agent市场'。
作者以 Moderna/Merck 个体化 mRNA 癌症疫苗 Phase 3 进展为案例，体验了 Apodex 的 Deep Discover 多 Agent 研究产品。产品通过 Task Board、分工的 Sub-agent（临床数据读取、肿瘤研究、估值分析）与 Verifier 复核，实现可视、可中途干预的研究流程，并在测试中自行纠正了药物实体混淆。文章后半部分详细记录在单张 RTX 5090 上用 SGLang 部署 Apodex 1.1 mini（36B MoE GPTQ Int4）及开源 FrontierAgent 的过程，包括网络代理与 SSRF 防护冲突的排查、Agent Team 宏观研究实测，以及单卡下并行的本质是任务与上下文并行而非吞吐并行的性能分析。
作者关注 AI 泡沫话题但缺乏系统分析思路，遂使用主打多智能体协同的 Apodex 1.1 模型进行实测。在 deep discover 模式下提出“AI 是否有泡沫、何时破裂”的问题，模型自主拆解任务，组建 4 个子代理并行取证（市场数据、专家观点、历史泡沫类比、反向验证），另有最终汇总核验代理。作者中途追加黄仁勋“AI 五层蛋糕”分析需求，系统保留有效中间成果、仅重规划受影响子任务。最终得出“AI 有一定泡沫，集中在回款慢、融资依赖高、同质化层级”的结论。作者总结了 Apodex 全流程执行、异步 Agent Team、可中途干预三大特性，并附开源链接。
作者尝试用 Apodex 1.1 自动生成训练数据，解决用小模型替代大模型时缺乏标注数据的难题。实验场景是让小模型学会根据自然语言描述从 HuggingFace 九百多个候选模型中挑选正确的模型。Apodex 拆解任务、派出 14 个子 Agent 分工协作并上网核实，最终生成 4218 条经核实的训练数据，还主动推翻了作者一条错误规则。用这批数据训练 Qwen3.5-0.8B 后，挑对模型的比例从 0.4% 提升到 10.7%，瞎编模型名的比例大幅下降，效果优于当年 Berkeley 用 GPT-4 生成的数据。作者总结：AI 能替人造数据的关键，在于能否自动判对错。
作者利用 Planet Labs 公开的尼泊尔边境博特科西—特里苏利河道溃决洪灾影像数据集，通过新上线的 Apodex 1.1 进行完整分析，为六类前线救灾队伍生成应急防灾救灾指南。文章总结了该任务的可取之处：能力单位定义完整、证据轨迹可追溯、主动标注不确定性、状态维护制度化、输出下沉到一线动作、产品化交付与闭环迭代。作者认为这条任务的执行过程为 Agent 自进化（轨迹学习、反思、技能学习）提供了可靠可验证的地基，既是救灾工具，也是一份值得研究的 Agent 工作样本，最终产出可直接分发的 PDF 报告。
作者将中文 X 榜单 Top 50 大 V 的 241 条爆款推文导入 Apodex 1.1（Deep Discover 模式），实测其 Agent 能力。文章展示了 Task Orchestrator 自动拆解任务为多个并行 Subagent、支持人在回路中途干预动态重构分支的特点。通过数据分析提炼出爆款三大铁律：↓ 流程箭头是机制解读利器；约 11 处空行营造移动端阅读留白；结尾观点型金句（≤20字、带立场词）可提升点赞 2-3 倍。同时归纳出 12 种 Hook 起手模版，并封装成可直接用于 Claude/ChatGPT 的 System Prompt，认为 AI 正从生成内容转向执行研究。
作者用 Apodex 1.1 对 modelcontextprotocol/servers 的三个参考实现做安全审计实测，并以 Apodex 提出的六条标准（理解目标、真实环境动手、长链条任务状态、处理新反馈、失败自修复、结果可核查）逐一验证。测试中多 subagent 并行推进、可中途切换威胁模型并仲裁内部结论分歧、三次撞墙均自行修复。最终交付30条清单，作者抽验10条行号全部准确，关键在于交稿前的 Statement Review 自查机制抓出并修正了多处错误。结论：五条通过、一条有条件通过，工具的可验证性和自我纠错能力表现出色。
作者将11款AI视频剪辑与生成工具的评测任务交给Agent工具Apodex，针对MacBook Pro M1 16GB、首月预算100元以内的新手创作者，通过持续补充约束条件进行迭代式研究。最终推荐零成本起步组合：度加剪辑+剪映+即梦，可实现1080P无水印、带字幕配音和B-roll的可发布视频。文章同时总结了Codex的能力边界：适合打磨提示词、整理素材清单、辅助写脚本，但无法替代需要复杂环境配置和本地大模型运行的任务。
作者将一份包含 10 款 AI 产品的竞品研究任务交给 Apodex（Deep Solve 1.1 模式）。Apodex 将任务拆解为 10 项工作并在任务板上可视化推进，首轮 60 步完成定价矩阵、研究报告、产品定位图和带 URL 的证据来源。遇到文档生成错误时能局部修复并保留已有成果；第二轮修改研究范围时复用首轮证据、仅补充受影响部分。作者认为 Apodex 提供的不只是长回答，而是一套可检查、可继续使用的研究成果。
作者使用 Apodex 1.1 Research Agent 系统研究了近60天爆款 AI 视频的共性，整理出23个案例、10+种玩法。研究发现：真正决定传播的不是画质和运镜，而是前2秒的 Hook 和低理解成本；纯视觉内容正同质化，需要叠加 Prompt、模型对比等信息层；同一视频在不同平台需差异化包装；经反向验证筛掉多个证据不足的结论。作者建议创作者先测 Hook、加信息层、分平台运营，并重视创意、节奏、叙事等传统内容能力。
作者使用 Apodex 1.1（主模型+在线工作台的科研 Agent 产品）对 221 个 MATS 项目进行研究，分析中国模型尤其是开放权重模型在 AI 安全研究中的使用情况。系统区分原始提及与实质性采用，通过异步 Agent Team（10 个 Subagent 并行）处理 4,821 条证据摘录，支持运行中 Chime-in 调整任务范围，并用独立审查 Agent 核验结论。研究发现中国模型实质性采用率从 2023 年的 4.35% 升至 2025 年的 50.55%，80.9% 的使用在开放权重条件下发生，中国开放权重模型正成为安全研究的实验基础设施。
作者针对“程序员还能干多久”的热议，使用深度研究模型 Apodex 调研了历史上29个被技术显著改变的职业，按被消灭、萎缩、转型、增长四种结局归纳规律。结论显示外包交付最危险、运维和算法相对安全，后端/全栈约还有6年窗口。文章总结了职业存亡的关键因素、从业者自测表，并附上可复用的四步职业咨询提示词，帮助读者推演自身职业的未来走向并制定行动方案。
