HUI DONG (@HUIDONG1998) profile picture
Joined May 2024
HUI DONG retweeted
当很多公司都在哀嚎 AI 账单贵到用不起,Uber 刚发的这篇技术长文直接把全行业看傻了: 全公司 70% 的代码 PR 全由 Agent 接管,调用量半年狂飙近 10 倍, 但总 AI 账单被死死按在原地一分没涨,单次会话成本硬生生砍掉了 52%, 他们直接把软件工程做成了一座全自动的软件工厂,真的牛逼, 以前是人打开聊天框求 AI 帮一把, 现在 Uber 养了一整支托管 Agent 舰队: 审代码、修挂掉的 CI、分诊报警全是专职 AI 自动上班, 人变成了抽查质检的厂长,每天跑 3 万多次流水线任务 他们最狠的地方,是把 AI 账单拆成了一道极其冷酷的乘法题, 用量可以疯涨,但零价值的废 Token 必须被物理抹杀: 1️⃣ 规划用大脑,干活全用便宜子 Agent: 任务拆解用顶级大模型,具体搬砖的子任务全部默认切给轻量模型,这一招直接成了全厂杠杆最高的开关; 2️⃣ 把 5 分钟缓存改成 1 小时: 工程师去倒杯水开个会回来,上下文缓存依然在,原价 1 折直接续上,40 万 token 强制写摘要压缩,绝不把整本历史无限复印; 3️⃣ 别把一千种工具说明书塞进大脑: 1000 多个内部 MCP 工具统一走网关,模型要用时先搜索再按需挂载,绝不在开局就傻傻灌入 7 万 token 的工具定义; 4️⃣ Code-mode 砍掉话痨轮询: 跑 SQL 和批处理让模型自己写脚本去跑,只交回最终结果,避免一问一答的无效 ping-pong,单项 token 直接暴省 90%; 5️⃣ 2400 万节点知识图谱导航: 给 Agent 发一张包含全公司服务和事故的活地图,以前翻代码盲搜 20 分钟还报错,现在 38 秒精准定位 用量涨不可怕,浪费涨才可怕, 从人机对话迈向托管工厂舰队,大厂把 AI 真正落地的账本,算是彻底算明白了
124
272
11
1,902
481,299
HUI DONG retweeted
Uber 的 Agent 软件工厂实践:六因子成本方程 来自 @UberEng 团队 @udaykiran 分享在全公司落地 AI Coding Agent 的完整运营体系。 uber.com/us/en/blog/efficien… 过去的半年,Uber 实践带来的核心变化: · 70%+ 的 Pull Request 由本地或云端 Agent 完成 · 自建 3600 个 Skills、每天 3 万次执行 · 周活跃用户增长 7 倍,周请求量增长 9.4 倍,但总 AI 支出自 4 月起基本持平 · 固定同一模型做对照:每千次请求成本从峰值下降 34%,每会话成本从 6 月峰值下降 52% # Uber 的方法论框架 1. 四层架构 + 成本方程。 Uber 把 Agent 会话组织为四层(从专用到通用,越高层对成本/质量/模型选择的控制力越强),并把每次会话成本分解为六个相乘的因子:用户数 × 每用户请求数 × 每请求输入 token × 输出 token × token 单价等。前两项(采用率)要促增长,中间三项(Agent 自身产生的额外开销)是优化主战场。 2. 度量体系。 按周/月追踪五层指标:组合层(钱花在哪)、单位经济(每用户/每请求/每 token 成本)、模型经济(哪个模型发布真正改变了账单)、驱动因子分解(成本变动精确归因、不留残差)、托管 Agent 产出(按"每个合并 PR / 每次 review / 每条告警"计价,并监控回滚率、F1、MTTR 等质量信号)。 # 关键优化手段 模型选择——用真实工作做基准测试。 以代码评审 Agent uReview 为例:用真实 PR(含已知 bug、分难度)建 benchmark,测精度/召回/F1 + 成本/时延,在同一 harness 后切换任意模型,持续迁移到 Pareto 最优点——换模型后 F1 提升的同时单次评审成本大幅下降。另一个大杠杆:子 Agent 默认用更弱更便宜的模型,主模型只负责拆解和验收。 Token 压缩——每一轮都重发全部上下文,所以每省一点都会复利放大: · 400K 自动压缩阈值(即使是 1M 上下文模型)+ 推理强度默认 Medium · Prompt 缓存 TTL 经济学:缓存读仅 0.1 倍价格,但 5 分钟写入 1.25 倍、1 小时写入 2 倍。因工程师常闲置超 5 分钟,交互式会话改用 1 小时 TTL;短命的子 Agent 保持 5 分钟 · MCP 工具改走 CLI:100+ 工具的 schema 预载会占 50K–70K token 且每轮重发。Uber 把 1000+ 内部 MCP 服务统一走网关、投影为 CLI 命令按需解析,配合"工具搜索"按需加载 · Code-mode 批处理:把"发查询→轮询 2–5 次→取结果"这类多轮交互改成一段 Python 脚本在子进程跑,只回传摘要。实测同样 SQL 查询省 55%–71% token,宽表查询省近 100%;批量工作流节省超 90% · SaaS 厂商的 MCP(动辄 34–49 个工具、数万 token schema)同样收编进网关 + CLI + 专用 Skills 上下文工程——最贵的浪费是"Agent 找不到信息"。 Uber 构建了 AI Context Graph:2400 万节点、8000 万条边,整合 30+ 内部系统(服务、团队、事故、PR、文档、部署、数据集血缘)。对照实验:有图谱的 Agent 38 秒答对;没有的花了 20 分钟、起了 2 个子 Agent、报 3 次错,最后还得出错误结论。 可见性与教育(软性): 终端状态栏实时成本计数器;按 50/80/100% 预期花费发 Slack 提醒而非硬性限额;会话分析仪表盘自动识别 16 种浪费反模式(如简单任务用了 Opus、大 payload 滞留上下文、缓存过期后全价重建、开场预载 10 万 token 指令等),并给出具体金额影响和修复建议。
14
18
88
18,782
HUI DONG retweeted
OpenAI 后训练核心成员翁家翌(Jiayi Weng)以个人名义提出了一种名为「启发式学习」的强化学习新范式,并开源了全部实验代码。他用 Codex(GPT-5.4)反复玩 Atari 打砖块游戏,但 GPT-5.4 自始至终没有被重新训练过。真正在进步的,是 GPT-5.4 写出来的那套游戏策略代码。 流程是这样的:GPT-5.4 先写一版打砖块的 Python 策略,跑一局,看录像,找出哪里打丢了球,然后自己改代码再跑。经过几轮迭代,策略代码从 387 分涨到了 864 满分。全程没有任何神经网络被训练,纯靠 AI 反复修改 if-else 规则、调落点预测、加死循环检测。最终那套代码包含球路预测器、卡球检测器、回归测试和实验日志,已经长成了一个完整的软件系统。 这和传统强化学习的核心区别在于「学到的东西存在哪」。传统做法把知识压进神经网络参数里,人看不懂,学新任务还容易把旧的覆盖掉(即灾难性遗忘)。翁家翌的做法反过来:知识就是代码,人能读、能改、能加测试锁住,不会因为学新东西就丢了旧本领。 除了打砖块满分,他还在 MuJoCo Ant(模拟机器蚂蚁走路)上跑出超 6000 分的深度强化学习级成绩,在 Atari57 全套 57 个游戏上逼近了 PPO 基准。但翁家翌也明确画了边界:纯代码搞不定复杂感知任务,比如用 Python 写 if-else 去认图片。 他设想的终局是混合架构:底层用轻量神经网络负责视觉等感知,中层用启发式学习处理实时逻辑和安全规则,顶层由大模型审查日志、改代码,再周期性地用底层积累的高质量数据更新自身。过去手写规则之所以被淘汰,不是因为规则没用,而是人类维护不起。现在 AI 写代码够快够好,这条老路重新走得通了。
Codex grew programmatic policies with no neural nets: max score on Breakout, and SOTA-level scores on MuJoCo. Maybe heuristics were not too weak. Maybe they were just too expensive to maintain. Maybe it's the next paradigm. trinkle23897.github.io/learn…
58
222
20
1,499
345,803
Clawdbot is the closest thing to AGI running on consumer hardware right now. It’s an open-source project that turns Claude into a fully autonomous agent living on your Mac Mini. Not a chatbot you query. A digital employee that runs 24/7, controls your entire computer, and messages you through WhatsApp when tasks are done. The GitHub repo gained 20,000+ stars in 24 hours. Karpathy endorsed it. Google’s Logan Kilpatrick bought a Mac Mini just to try it. Developers are digging out old laptops to give this thing a home. Here’s what makes it different from every AI tool you’ve used: Clawdbot has persistent memory across sessions, executes shell commands, installs its own skills, writes its own scripts, and self-improves through iteration. You tell it “whenever I get an email from this sender, save it to Obsidian” and it writes the automation code, loads it, and starts working. One developer deployed it to manage his parents’ tea business. It now handles scheduling, customer follow-ups, inventory, and customer service autonomously. He said in a few months it’ll probably run businesses of any scale. The setup costs $200/month for Claude Max plus whatever hardware you have lying around. We’ve spent years debating when AGI arrives. Meanwhile a lobster-themed open-source project just quietly shipped “Claude with hands” that operates your computer while you sleep. The original tweet got 108K views because people sense what this means. The gap between tool and colleague just closed.
AI won’t take your jobs. But guys with a $200 Claude Max subscription and an Apple Mac Mini will.
22
32
6
305
62,915
HUI DONG retweeted
Claude 的新功能 Cowork:让 AI 真正帮你干活 Claude Code 本来是给程序员写代码用的,结果大家发现它整理文件、做表格、写报告也很顺手。Anthropic 索性把这套能力包装成了 Cowork,让不会写代码的人也能用上。 【1】Cowork 到底能干啥 你选一个电脑上的文件夹,Claude 就能在里面读文件、改文件、创建新文件。 听起来简单,用起来挺香。比如你下载文件夹乱成一锅粥,让它帮你分类重命名。或者你有一堆消费截图,它能整理成一张 Excel 表。再比如你写了几页凌乱的笔记,它能帮你理顺思路、输出初稿。 和普通对话不一样的是,Cowork 模式下 Claude 更像个真正的助手。你布置任务,它自己规划步骤、一步步执行,中间会告诉你进度。如果你用过 Claude Code,这感觉会很熟悉,因为底层技术是同一套。 【2】还能更强 基础功能只是起点。Cowork 可以接上你已有的连接器,比如 Google Drive、Slack。它还内置了一批技能,能更好地生成文档、PPT 之类的文件。再配上 Chrome 浏览器插件,Claude 甚至能帮你操作网页。 这套设计让工作流变得很丝滑。你不用反复给 Claude 喂上下文,也不用手动把输出转成正确格式。甚至不用等它做完一件事再布置下一件,可以连续丢任务让它并行处理。用 Anthropic 的话说,这感觉不像你一句我一句地聊天,更像给同事留便签。 【3】和 Claude Code 共享技能生态 对 Claude Code 用户来说有个好消息:Cowork 能读取你本地的 CLAUDE.md 文件和自定义 Skills。 我测试了一下,选择工作文件夹后,Cowork 能看到里面的 CLAUDE.md 并按指令执行。我在 Claude Code 里配置的写作风格技能,Cowork 里也能直接调用。技能分两类:Anthropic 官方提供的(docx、pptx、pdf 这些)和用户自己创建的,两类都能用。 换句话说,你在 Claude Code 里攒下的工作流配置可以直接迁移过来。Cowork 不是另起炉灶,是同一套体系的图形化入口。 有个坑要注意:Cowork 跑在 Linux 虚拟机里,而你的 Mac 是 ARM 架构。如果技能依赖 node_modules 或本地特定环境(比如浏览器 cookies、特定架构的二进制文件),就跑不了。我试着调用一个需要运行 nodejs 脚本的图片生成技能,报错了——架构不兼容。纯文本类的配置(CLAUDE.md、写作规范)没问题,涉及本地脚本的技能可能需要额外适配。 【4】安全边界在哪里 Claude 只能访问你明确授权的文件夹和连接器,动作比较大的时候会先问你。但有几件事得提前知道:Claude 可能会误解你的指令,如果你说"清理一下这个文件夹",它可能真的把文件删了。指令要说清楚。 另一个风险是提示词注入,就是攻击者在网页内容里藏一些指令,试图劫持 Claude 的行为。Anthropic 说他们做了防护,但这个领域整个行业都还在摸索。 这些风险不是 Cowork 特有的,只是很多人可能是第一次用这种更自主的 AI 工具。官方建议:刚开始用的时候谨慎点,别一上来就让它处理重要文件。 【5】现在能用吗 Cowork 目前是研究预览版,只对 Mac 上的 Claude Max 订阅用户开放。Anthropic 想先看看大家怎么用、有什么反馈,然后快速迭代。后面会加跨设备同步,也会出 Windows 版。 这一步到是意料之中,因为 Claude Code 现在已经被用在很多编程意外的领域,但是门槛略高,限制了使用群体是程序员或者懂点技术的用户,而且脚本执行权限会有很多安全上的隐患。Cowork 一下子降低了使用的门槛,通过图形化界面就可以操作,并且也让使用更安全。 现在还是早期版本,能做的事有限,安全机制也在完善中。但如果你是 Max + Mac 用户,值得一试。
Introducing Cowork: Claude Code for the rest of your work. Cowork lets you complete non-technical tasks much like how developers use Claude Code.
61
89
21
543
209,514
HUI DONG retweeted
It's late 2024, a few days after I launched the first version of Claude Code (then called Claude CLI) to team dogfooding. I walked into the office and saw my coworker Robert with a terminal up on his computer, Claude CLI running and a red/green diff view on screen. I was surprised. This was back in the Sonnet 3.5 days, before the model was good at agentic coding. I had just given it a FileEdit tool the day before. Claude CLI was a prototype that I thought it wasn't useful for anything yet. But Robert was already starting to use it to write code & use git for him. I was still using the CLI as a note taker mostly, but I also started making it my go-to tool for using git as a result.
94
122
37
2,470
234,476
Here are the full transcripts from all 320 of my podcast episodes. It's been super fun for me to play with AI to extract insights from this data. Now you can to. My only ask is that if you do something cool with it, just let me know. I'll keep this folder updated with as each new episode comes out. Have fun. dropbox.com/scl/fo/yxi4s2w99…
144
204
77
1,728
429,106
HUI DONG retweeted
韦氏词典将 “Slop” 评为了 2025 年度词汇!Slop 通常指由 AI 大量生产的低质量数字内容。其实互联网一直都充斥着低质内容,从社交网络到 AI 生成!重要的是如何发现并传播优质内容,筛选与甄别(Curation 策展)变得比以往任何时候都重要 ... 各位传播优质内容的博主们,这是你们最好的时代✨
4
4
3
21
13,122
HUI DONG retweeted
Ben Lang分享了副业项目想法:
3
1
2
2,506
HUI DONG retweeted
Execution is no longer the constraint. As building gets cheaper, judgment becomes the scarce resource. Models can generate options endlessly. What they don’t accumulate is lived consequence. They don’t carry the memory of failed bets, abandoned paths, or tradeoffs that only made sense after the fact. That’s why “thinking tools” matter more than making tools. Because we need ideas to stick and to compound instead of reset. If your company keeps re-deciding the same things, AI will make you faster at wasting time. Fix the memory of the org before you automate execution.
23
25
224
43,413
All my practical Claude Code tutorials and interviews in one list: TUTORIALS Build a movie discovery app in 15 min: creatoreconomy.so/p/claude-c… Build a YouTube research agent in 15 min: creatoreconomy.so/p/claude-c… Build a family activity finder in 35 min: creatoreconomy.so/p/20-tips-… INTERVIEWS How the Claude Code team ships | Cat Wu (Product Lead): creatoreconomy.so/p/inside-c… From design to code with Claude Code | Meaghan Choi (Design Lead): creatoreconomy.so/p/full-tut… AND COMING TOMORROW... Automate your life with Claude Code in 50 min | Teresa Torres 📌 Subscribe to my YouTube for more extremely practical AI tutorials: youtube.com/@peteryangyt?sub…
44
357
13
3,176
384,577
Translation: we are about to accelerate because of AI breakthroughs like world models.
10
25
404
110,117
HUI DONG retweeted
IDG 资本合伙人李骁军的 2025 年度感悟,一共 52 条,对应这一年的每周一条。 Part 1 | 关于人才、职业与投资 1. 招人或看创业者,一定要有成长视角。他的职业生涯最好的一段应该是下一段,而不是现在或过去。不要被职级束缚,要看真实经历与能力。 2. 公司的核心竞争力能否转移到个人,个人能否再把能力转化到新的公司。找人要看潜力而不是成就,要找未来10年还能持续发光的人。时间(时代、年龄)、个性(之前的决定)、热爱(野心、信仰)通常大于「目前的能力」。能力是否适配时代(公司)是最重要的,比当下的能力更重要。 3. 投资者的品味和认知天花板,通常由你能接触到行业里最优秀的创业者决定。要思考谁是最优秀的,如何向他们学习。 4. 人才往往以集群的形式出现,价值呈现幂律分布(power law)。 5. 看任何行业和职业,要先判断它属于哪种结构: ◦ Winner-takes-all(如搜索、社交、职业体育) ◦ Power law(如VC、云计算、受AI杠杆加持的行业) ◦ Fragmented(如餐馆、律师等杠杆较低的行业) 6. 最好的职业是:可复利、可规模化/高杠杆、可资本化。巴菲特就做到了。 7. 「上升期的人最有自驱力,也最容易管理,学习意愿和适应能力都最好。巅峰之后接管的人通常是防守心态,面对新业务很难发挥。」Turbo的体会非常有启发。 8. AI 模型给人的启发: ◦ Scaling law(规模化法则)→ 没有足够实践经验,就不会生成真正的认知模型。 ◦ Attention is all you need → 你必须在最重要的事上保持专注。 ◦ Reward function(奖励函数)→ 想清楚你要什么,才能产生好的行为与过程。 对投资的启发:投资人在训练自己的模型,数据来自自己与他人的经验;相关性越高越有价值。尽量找一手信息。 模型也要学会「调」:哪些该提炼,哪些预训练,外部变化时要思考如何校准,而不是外界有结果就去盲目调整,否则永远落后。 注意力时间 ≈ 算力,保持专注才是有效算力。 9. 一级投资因随机性和指数效应,可能一生只有一次 mega home run。但如果追求投资本身、追求持续精炼核心能力,就需要可重复、可迁移、可积累的洞见。 10. 早期投资里,害怕错过和决策的紧迫感需要平衡。害怕错过是一定会有的,要承认但不要过度;紧迫感必须有,要理解自己和市场的情绪。共识 vs 非共识很重要,要理解共识在哪里、为什么市场这样想、那条界限在哪里。 11. 投资里有品位、有局限、有自我。要努力减少自我的部分,明白自己的认知局限,并争取拓展边界,同时培养好的品位。 12. 人们很爱滥用一些流行词,比如第一性原理、PMF。这时候一定要去确认:「你具体指的是什么?」 13. 很多职业有「黄金期」,最好的「黄金期」是 slow rise, long peak。「黄金期」停止的标志就是你停止更新内在的好奇心和外在的节奏感。 14. 「The brilliant minds always live in two opposite ideas but still can function well.」 这句话特别有道理。 15. 听的时候要区分事实、情绪、信息(来源)、观点,再结合对方的专业、偏好和对过往经历进行考量。 16. 选择做什么,比怎么做更重要。很多公司本身就「做不成」,与谁来做关系反而小。 17. 投资维度变多、复杂度上升,其实是给会思考问题的人更多机会。今天的大机会来自 AI、投资和国际环境三个复杂维度的理解。投资维度包括:对未来的信仰、行业认知、公司判断。 18. Everything is the art of being. 每个领域最优秀的人都是把最基本的认知经年累月地实践,最终能教给别人。 19. 在金融服务行业里,机构价值 > 个体价值。个人光环来自机构,而不是反过来。离开机构后影响力会迅速衰减,因为缺乏制度与品牌的长尾信用。长期职业价值必须建立在机构价值的复利增长上。 20. 判断机构的生命力,从人的角度看有三个维度——最顶尖的人是不是在持续进步、中层是什么状态、对新人和未来人的吸引力如何。 Part 2 | 关于修炼与成长 21. 呼吸是需要学习和锻炼的。学会正确呼吸会让你平静、放松。利用核心来带动身体运动,会让你更好地意识到身体如何作为一个整体、有一个核心引擎在运作和带动。了解和用好自己的身体,是个终身学习的课题。 22. 早睡早起不是必须的习惯,但如果熬夜只是「因为不想睡」,那不妨早点休息。知道自己的「巅峰时刻」,对一天的心情和效率都非常重要。 23. 享乐会分散没有方向的人,但会滋养有目标的人。 24. 找书本身很需要方法与时间;试错成本低,要敢于快速浏览,敢于放弃;遇到好书要专注,试着进行 25 分钟无干扰阅读。 25. 最大的认可往往来自最强的竞争对手。关键是:你追求的是大众认可、你在意的人认可,还是最终自己对自己的认可? 26. 每个人模型的核心是:信仰、能力、个性。能力可以训练,其他需要校准。AI时代,即便认知和智力提升更快,体能、幸福感和欲望还是无法被规模化的,所以更应该重视它们。 27. 选择不做什么比知道做什么更重要。想赢和怕输,是两种不同的驱动力。 28. 用「类比」解释事物,是一种重要的理解、简化与输出能力。 29. 有时候做决定需要缓一缓,睡一觉再说。给建议和意见也一样;情绪反应也一样,要留一点空间。 30. 我有一位导师说过很好的一句话:Work with good & positive people; learn new things; priority setting. 31. 没有人不喜欢被赞美,关键在于:赞美的态度是否真诚、为什么赞美、赞美的时机是否准确。 32. 不学什么有时比学什么更重要,但难点在于:该不学哪一部分。 33. 每个人都有一个 bug,这基本是天生设定好的,而且往往就是你闪光点那面的反面。 34. 不要简单自洽,要自掐后的自洽。要不断质疑、不断更新。总是想证明自己正确,是个人成长最大的障碍。 35. 多样性不是趋向平庸,而是在不同观点的碰撞中,拉开认知边界。 36. 岁月静好的标志是 —— 你操心的都是鸡毛蒜皮的小事。因为真正的大麻烦往往当下想不到。所以,不要让忧思过度占据心神。学会与自己的情绪共处 —— 甚至利用它。 37. 使用工具是人和动物最大的区别;而使用好工具——从读书,到电脑,到互联网,再到AI——会让人与人的差距进一步拉开。工具越来越智能,也越来越需要结合目标,更智慧地去使用。 38. 每个看起来毫不费力的胜利背后,都是面对无数次充满尴尬和挣扎的失败,却不放弃。 Part 3 | 关于人生与世界 39. 对自己的认知,不只是静态,还要有时空维度(世界变化)。你如何随时间成长,这至关重要。 其实就是经典三问:我是谁?从哪里来?到哪里去?找到你对世界的绝对价值和对同类的相对价值优势很重要。找到你能随时间复利递增的价值很重要。 40. 教育观是比三观还更深层的世界观。因为你希望孩子成为的样子,往往是你内心最认可、最理想的模式。 41. 复利、指数曲线、幂律分布和正态分布等统计与分布模型,往往比线性关系更能解释世界的结构。 42. 「Friendship means two people agreed to help each other to become the best part of themselves.」 Reid Hoffman 对友谊的总结特别好。 43. 有些人的钱只是「钱」,是银行里的数字;有些人的钱是「财富」,是可以拿来花销,更重要是作为去做更有意义、更有价值事情的资源。 44. Each achievement may look like a solo journey, but it is always lifted by the love and support of others. 45. 对话除了启发思考、积累认知,最好还能带一点「人的链接」,让对方产生共鸣。这需要对另一方有真正的兴趣。也就是说,除了智力碰撞,更重要的是让对方感觉你关心他/她这个活生生的人。 46. Imposter syndrome and narcissism both stem from a deep insecurity about one's value. 47. 每个人生命长度差不多,但时间产生的「数据质量」差别很大,数据标注 (data annotation) 能力也不同,所以用这些数据去训练自己的模型,模型本身差异就会巨大。 48. 乐观和悲观是个性;积极和消极是态度。可以悲观,但必须积极,因为积极最有利自己与他人。很多事情可以用4个象限来分析。 49. 人生三个最重要决定:在哪生活、做什么职业、跟谁在一起。决定了大部分生活质量。选择大于努力,性格决定命运确实有道理。 50. 强度与持续时长是衡量友谊与合作伙伴关系、快乐与幸福感的重要维度。 51. 那些你一直羡慕、以为自己做不到的,常常正是你的blessings。 52. 时间公平。如果把人生当作时间轴,「时机」是微分,「时间」是积分。人生的高度取决于你如何对待时间、如何把握时机。当你的节奏与时代脉搏共振时,就会事半功倍。
14
70
2
247
46,784
Today marks a moment I'll remember for the rest of my life. When we started Manus, few believed that general AI agents could work. We were told it was too early, too ambitious, too hard. But we kept building. Through the doubts, the setbacks, and the countless nights wondering if we were chasing the impossible. We weren't. This isn't just an acquisition. It's validation that the future we've been building toward is real, and it's arriving faster than anyone expected. But this is not the end. The era of AI that doesn't just talk, but acts, creates, and delivers, is only beginning. And now, we get to build it at a scale we never could have imagined. To everyone who believed in us before it was obvious: thank you. The best is yet to come.
300
148
59
2,275
411,351
Great thoughts from Anthropic co-founder. AI adoption gap will widen in 2026 between those who've seen the power vs. those who passively consume slot. AI power users become a function of curiosity plus time investment. Most users treat LLMs as search engines. Real capabilities require converting curiosity into structured tasks and experimenting with workflows. The funnel from casual user to power user narrows dramatically on accessibility, prompt formulation skills, and available experimentation time.
44
179
17
1,947
437,058