做产品的第一课不是学写代码，而是找对需求
本文由 AI 自动整理生成，可能存在错漏，请以原文链接为准。
今天想跟你分享两件挺戳人的事：一个完全没编程背景的金融人，靠多 Agent 工作流一周做出产品、一月上线；还有 Agent 成本远不只是 Token 钱，那些你看不到的上下文膨胀和人工维护才是大头。
灵感百宝袋
从投行转行的家伙，靠多 Agent 工作流一周做出 MVP、一个月上线——他的核心心得不是技术，而是找需求。
手工川本科读金融，在投行实习时自学编程，后来彻底转向开发。从去年 10 月开始，他几乎把所有代码都交给 AI，自称「99% 的 AI + 1% 的方向」。但他反复强调，AI 降低写代码的门槛之后，更难的不是会不会写代码，而是能不能发现用户愿意掏钱的真需求。他的原话是：不会写代码的人，反而可能更接近大众需求，因为程序员天天面对开发工具，想到的往往是自己那点事。真正值钱的不是码代码的速度，而是你对问题看得有多透。
原文：https://www.infoq.cn/article/DHDOQWmDXa4obvC4l99E
Jeff Su 出了个 Claude Design 教程，手把手带零基础的人上手，看完就能用它画出第一个设计稿。
Jeff Su 的视频向来讲得又细又稳，这次教 Claude Design 也不例外。他直接从一个空白画布开始，怎么布局、怎么调组件、怎么改颜色，跟着点就行，不需要任何设计底子。对于平时要做些简单海报、原型图却又不想碰专业软件的人，这比自学一圈设计工具快得多。打开 Claude，放旁边跟着做 15 分钟就行。哪怕你从来没有画过界面，也能拿出一个像样的东西，然后你就知道以后这种小活都可以丢给它了。
原文：https://www.youtube.com/watch?v=VeWf0l4ci6Y
江湖快报
Anthropic 发起罕见病研究资助，入选者能拿到最高 5 万美元的 Claude 额度。
这次资助是 Anthropic「AI for Science」计划下的一次专题征案，专门聚焦罕见遗传病研究。他们想通过这种方式让多个研究团队同时攻坚相近的问题，互相交流经验，加速突破。入选者可以在六个月内使用价值 5 万美元的 Claude API 额度。如果你身边有做基础研究或者早期生物技术创业的朋友，可以转给他们看看。
原文：https://www.anthropic.com/news/rare-disease-research-grants
Gemini 企业 Agent 平台的评估服务正式上线，用二十多种指标和 DeepMind 的评判模型统一衡量 Agent 质量。
简单说就是，以前开发者自己写测试来量 Agent 好不好用，标准不统一，从开发到上线没法对齐。现在 Google 提供了一个统一的评估引擎，内置了 20 多个预置指标，还能根据具体场景自适应打分，不用每次硬想一个评判标准。对于正在搭 Agent 的团队，这能少花很多时间在「感觉好像还不错但不确定」上——直接用同样的尺子量，心里有底。
NVIDIA 的 Vera Rubin 平台正式亮相，芯片、网络、散热整条栈协同设计，目标就一个：让每个 Token 的成本更低。
这次发布的 Vera Rubin 不是单颗芯片升级，而是把七款芯片和五种机架托盘当作整个系统来调优。CoreWeave 用它在 DeepSeek-R1 上跑出的结果是，同样一度电的吞吐量比上一代 Grace Blackwell NVL72 高了 10 倍，这正是那些电力吃紧的 AI 工厂想要的。对用 AI 的人来说，最直接的感受可能还得再等一阵：当推理成本再降一个量级，很多现在觉得贵、舍不得跑的工作流，就可以敞开了试。另外它还采用了 45 度进水温度的液冷设计，不依赖冷水机组，新建数据中心能省下大量水。
原文：https://www.infoq.cn/article/3gb6NlxK6c0A9or5Zfbt
贤者视角
OpenAI 端掉一个利用 ChatGPT 搞投资、恋爱、赌博诈骗的团伙，但这事背后更让人后背发凉的是，行骗的人本身也可能是被拐去强迫做这行的。
据 OpenAI 披露，这个团伙盘踞在柬埔寨波贝一带，除了投资和恋爱杀猪盘，还搞假冒执法机构的诈骗。他们从 WhatsApp 方面得到线索后开始调查，最终封禁了一批账号，并把情报分享给了行业伙伴和相关机构。报告中特别提到，有迹象显示部分操作者可能是人口贩卖和强迫犯罪的受害者——被高薪招聘骗去后，在债务绑架和胁迫下做这些事。技术作恶的背后，往往是人先被当作工具。
原文：https://openai.com/index/disrupting-malicious-uses-of-ai-criminal-scam-operation
Agent 的真实成本远不止 Token 钱——上下文越积越长、人工审核和长期维护才是账单失控的主因。
据 InfoQ 在 WAIC 2026 的讨论，优刻得 CTO 王凯和焱融科技 CTO 张文涛把账拆得很清楚：Agent 要完成一项任务，背后是目标理解、任务拆解、工具调用、结果验证一连串动作，任何一步出错都可能从头再来，上下文不断膨胀，调用量和存储也跟着涨。王凯说得直白——「很多时候我们嫌 AI 贵，是因为我们连要解决什么问题都没定义清楚，就让 AI 不断试，给出无数个答案。」张文涛也认为，企业应该盯住的不是每百万 Token 单价，而是一头任务从开始到成功到底花了多少钱。
原文：https://www.infoq.cn/article/x4PTF8mgDBvtQQYa8B97
吉利设立 2030 实验室，要攻大模型、具身智能、数字底盘等前沿技术，同时全面推进燃油车混动化。
据 IT 之家报道，吉利的 CEO 淦家阅在中期经营会上宣布，下半年将以全域 AI 为引擎，成立 2030 实验室，储备从声学、光学到数据科学、智能体等一系列前瞻技术。同时，吉利还计划年底让混动车型月销冲上 3 万辆，推出新一代甲醇混动技术。一家传统车企如此系统地押注 AI，不只是为了单个功能的炫技，更像是把智能化当作整车底层架构来重新设计。
原文：https://www.ithome.com/0/984/369.htm
开发者补给站
AWS 出了两种部署 Kimi K3 的教程——用 SageMaker HyperPod 或 EKS 集群，把这个 2.8 万亿参数的 MoE 模型跑起来。
Kimi K3 是 Moonshot AI 放出的开源权重模型，参数总量 2.8 万亿，激活参数约 1040 亿，支持百万 token 上下文和原生多模态。想在自家 AWS 上自己托管它，官方给出了两条路径：SageMaker HyperPod 适合追求可复现和托管的团队，EKS 则更灵活，方便和你现有的 K8s 体系集成。门槛主要在硬件和网络：这规模的模型需要高端 GPU、高速互联，部署前得先估一下成本和延迟是否扛得住。如果你们已经在 AWS 上跑大型推理任务，跟着这篇博客走一圈至少能把方案定下来。
原文：https://aws.amazon.com/blogs/machine-learning/deploying-kimi-k3-on-aws
Vinv 是一个开源的 IDE 插件，能自动帮你找 bug、清死代码、揪性能问题。
它不像传统静态分析工具那样只报问题，而是结合 AI 给出修复建议，从代码里揪出潜在的性能瓶颈和未使用的代码块。刚在 HN 上亮了个相，讨论还不多，但仓库本身值得一看。适合已经用 VS Code 或 JetBrains 系 IDE、对代码质量有一定要求的个人开发者或小团队。因为是早期项目，生产环境用之前先在自己仓库上跑一跑，看误报率能不能接受。
原文：https://news.ycombinator.com/item?id=49127975
TraceLLM 是一个面向生产环境 AI 应用的可观测性平台，基于 OpenTelemetry，让你像追踪传统微服务一样追踪 LLM 调用。
它能监控每次 prompt 执行的耗时、token 消耗、错误和调用链，通过 OTLP 把 trace 发到你已有的后端。这样当线上 Agent 出现延迟或错误，你能快速定位是卡在模型调用还是工具链路上。如果你是做 LLM 应用的工程团队，并且已经在用 OpenTelemetry 做监控，TraceLLM 几乎可以无缝接入；如果还没有这套体系，搭建成本会高一些。
原文：https://www.producthunt.com/products/tracellm
好物挖掘机
DepthData 帮你把公司所有 AI 工具的开销、使用率、闲置账号看个明明白白，号称 AI 花费的「记录系统」。
现在很多公司同时买着四五种 AI 订阅，但没人清楚到底花了多少钱、谁在用、哪些号根本没打开过。DepthData 直接对接各家 API，拉出审核就绪的消费与使用报表，而且承诺不读取 prompt 内容，数据可验证性标得很实。如果你正在管预算，或者跑着多个 AI 团队，它能省掉来回对账、猜谁在用谁的功夫。
原文：https://www.producthunt.com/products/depthdata
mectrics 把 Mac 的 CPU、内存、温度、风扇全塞进菜单栏，MIT 开源，免费又轻巧。
它让你在菜单栏直接看到当前机器状态，点开还能看详细曲线。可以自己定制显示哪些指标，还有一个「Compact Health」模式，平时只占一个小图标，等某项不健康了才冒出来提醒你。对经常同时跑好几个 AI 模型或者本地推理、把机器榨到极限的人来说，抬头看一眼就知道该不该让风扇歇会儿了。