Loading...
Loading...
Microsoft CEO Satya Nadella（萨蒂亚·纳德拉）：AI 代理将重塑工作流，真正的价值在于技术应用撰文：Techub News 整理
导语
在2025 年 5 月结束的微软 Build 2024 开发者大会主题演讲后，微软董事长兼 CEO Satya Nadella（萨蒂亚·纳德拉）接受了 The Rundown AI 的快速专访。这场对话紧贴大会热点，聚焦于微软如何整合其最新发布的一系列 AI 工具与平台，以构建所谓的“智能体网络”（Agentic Web），并深刻探讨 AI 代理将如何从根本上重塑知识工作、企业运作乃至社会生产效率。作为全球科技巨头之一的掌舵人，Nadella 在带领微软成功转向云与 AI 后，其关于技术应用本质与未来工作形态的思考，具有极高的行业风向标意义。
摘要
微软正构建“AI 时代的脚手架”，通过整合 Copilot、Foundry 等工具与开放协议，打造一个可组合的“智能体网络”（Agentic Web）。
未来知识工作者将转型为“代理管理者”，AI 不是替代人，而是通过改变工作流程和产出物（Artifact）来增强人的能力。
企业的可持续优势在于利用自身数据和知识对 AI 进行微调，并形成“数据-微调-市场反馈-再优化”的良性循环。
技术的真正价值不在于“基准测试黑客行为”或庆祝科技公司，而在于其能否被广泛应用于医疗、教育等领域，切实提升生产力和改善生活。
企业转型的关键在于文化、能力建设以及亲身实践，而非研究成功案例。
构建智能体网络：AI 时代的“新脚手架”
在 Satya Nadella（萨蒂亚·纳德拉）看来，当前我们正处在平台转型的早期阶段，大约两到三年后，讨论的焦点将从单个应用转向整个平台生态。微软的目标是构建一个支撑 AI 时代的“新脚手架”。
他以斯坦福医学院的肿瘤委员会会议为例，描绘了理想中的智能体协作场景：一个高风险的医疗决策场景，需要整合来自病理学、多个实验室、PubMed 数据库等多源数据，并由多个 AI 代理进行协同处理，最终将结果呈现给在 Microsoft Teams 中协作的医生。医生随后还能将这些信息轻松转化为教学用的 PowerPoint。这种复杂的、跨数据源和应用的“编排”（Orchestration）能力，正是未来应用的核心。
为了实现这种愿景，Nadella 认为必须构建一个每一层都开放、可组合、有标准协议的真实技术栈。如今，从 Microsoft 365 Copilot 到 AI 开发平台 Foundry，再到自然语言网络（NL web）和模型上下文协议（MCP）等开放组件，这个技术栈正在成型，共同编织成他所说的“智能体网络”（Agentic web）。他甚至认为，这或许能让我们重新发现互联网最初的开放精神。
微软正在尝试构建一个统一的 AI 用户界面（UI for AI），将聊天、搜索、代理、笔记本等功能集成于一处，Microsoft 365 Copilot 和 Teams 正是其体现。但 Nadella 强调，这并非唯一的形态。针对开发者、科学家等不同群体和工作流，将会涌现出丰富多样的 AI 交互界面。其底层令人兴奋的能力在于：数据、多模型调用、代理编排层以及能够理解意图并将其分解为对多个模型调用的新型推理模型。
从知识工作者到代理管理者：工作流的彻底逆转
随着 AI 代理的普及，知识工作的性质将发生根本性变化。Nadella 认为，未来知识工作者将更多地扮演“代理管理者”的角色，而非被代理所取代。
他用一个生动的比喻来解释这种抽象层次的提升：如果一个外星智能在 80 年代初观察地球职场，会看到“打字员池”、“幻灯片制作池”。而今天再来，它会认为“全人类都是打字员池”，因为人人都在打字。但实际上，我们从事的是知识工作，只是工具和形式被抽象和改变了。
他以自己准备客户会谈的流程为例，展示了工作流的“彻底逆转”。过去，需要账户团队撰写报告、通过邮件发送、他再手动整理到 OneNote 中阅读。而现在，他只需给出一个提示（Prompt），AI 就能从网络、邮件、文档、CRM 系统、供应链系统中自动抓取信息，生成一份全面的报告，他再分享给团队。他坦言，作为 CEO，他现在做的“知识工作”比过去更多，感觉能力更强、效率更高。
因此，Nadella 给所有知识工作者（无论是软件、金融、销售还是科学领域）的建议是：积极使用工具，主动改变你的工作产出物和工作流。拥有改变周围工作方式的能动性（Agency），是应对变革的最佳方式。他承认岗位更替必然会发生，因此最好的防御就是技能提升与再培训，而这一切始于使用工具本身。
AI 编程的未来：填补“技术债”，人类仍在循环中
开发者是工作流受 AI 冲击最显著的群体。Nadella 提到，微软目前有 30% 的新代码是在 AI 辅助下生成的。他展望了当 90% 或 95% 的代码都由 AI 生成时的世界图景。
他的思考起点是全球面临的巨大“技术债”或“IT 债”——大量未完成的软件项目。世界需要更多的软件开发能力来满足需求、清偿这些债务。在此背景下，AI 编程工具（如代码补全、代码解释、图表生成、多文件编辑、全仓库变更代理等）的价值在于，能让开发者保持心流状态，更高效地工作。
他特别提到新发布的 GitHub Copilot 工作流代理（Coding Agent），允许开发者指派任务并异步执行。但 Nadella 强调了一个关键点：“人类仍在循环中”（human is in the loop）。他认为人们高估了 AI 的自主性。即使在执行持续集成/持续部署（CI/CD）之前，代码仍需经过人工审核。这是一个开发组织内部人员与 AI 代理协同工作、共同解决开发赤字的新工作流。
对于企业而言，Copilot 的微调功能是一个重大突破，允许企业利用自有数据和代码库定制自己的 AI 编程助手。Nadella 指出，这引出了企业的“可持续优势”问题。优势不在于基础模型本身（这终将商品化），而在于企业能否形成一个良性循环：利用内部知识和数据微调模型 - 将输出应用于市场 - 获取客户或市场的反馈信号（即强化学习的奖励）- 用新数据样本进一步优化。完美运行这个循环，将成为 AI 时代企业新的核心竞争力。
企业转型之道：文化、能力与实践，而非案例研究
作为带领微软经历多次技术转型的领导者，Nadella 分享了企业如何围绕“代理时代”进行重组的心得。
他指出，微软并非靠单一产品成功的公司，因此最困难之处在于“不断调整”。他总结了转型需要彻底改变的三件事：工作方式、工作内容以及市场进入策略。同时革新生产函数、产品创新以及商业模式和上市策略，是一项艰巨的任务。
他认为，归根结底在于文化和能力建设，这能让企业有更多“射门机会”。对于稳定业务，AI 是顺风，能带来更大杠杆效应；对于衰退业务，AI 则是自我重塑的机遇。核心是培养寻找和实践新概念的文化与能力。
Nadella 特别提醒，迷恋时代的“明星公司”案例研究并无帮助。“现实是，案例研究没用。你必须亲自去做。”他引用了一句妙语：“你看别人去健身房，自己不会变健康。你必须自己去健身房。”这场变革关乎亲身实践，而非仰慕他人。
技术普及与价值回归：让强大的技术“消失”
关于员工技能提升，Nadella 主张“自下而上”的工具扩散模式，而非“自上而下”的标准化培训。他以个人电脑（PC）普及为例：最初是法律部门爱用 Word 写合同，财务部门爱用 Excel 做模型，但当人们需要跨部门协作时，工作流程和产出物自然被改变，这一切并非通过培训课，而是通过通用工具（PC 和 Office）的扩散实现的。
在微软内部，无论是 GitHub Copilot 还是 M365 Copilot 的推广，他都观察到类似的模式。他分享了一个网络工程师的例子：面对激增的 AI 工作负载和繁重的手动运维，她利用低代码/无代码和 Foundry 工具自主构建了一个多代理编排器，自动化了光纤故障处理流程。这种赋予员工工具和能动性，让他们改造身边工作流的方式，才是关键。他称 Excel 是“世界上最伟大、最普及的编程工具”，而 AI 工具将再次引发类似的全民“编程”普及。
谈到更前沿的“主动代理”（Proactive Agent），Nadella 引用了马克·维瑟关于“普适计算”的名言：“技术强大到足以消失。” 他认为，自然用户界面的演进方向就是以最小摩擦完成用户意图。主动代理应能理解高层意图、制定计划并执行，同时用户保持控制和可审查性（如通过会话日志）。这是透明性与自动化之间的平衡。
最后，主持人重提了 Nadella 此前引发热议的观点：AGI（通用人工智能）只是“无意义的基准测试黑客行为”，AI 的真正价值在于全球经济增长。Nadella 对此进行了阐释。他以医疗行业为例（占美国 GDP 约 20%），指出其巨大成本源于工作流低效。如果像斯坦福医学院使用的多代理编排器能够普及，让医疗提供者以更低成本提供更优质的护理，那才是价值所在。
他强调，自己的评论并非针对伟大的 AI 研究，而是认为社会过于庆祝科技公司本身，而非技术产生的影响。他渴望看到讨论焦点转向技术的实际应用。例如，世界银行在尼日利亚的研究显示，为学生提供 Copilot 或其他代理工具后，教育成果出现了可统计的显著改善。这种技术被广泛应用、解决实际问题的故事，才是他投身科技行业的初衷。“当全球其他行业因为运用技术为我们所有人创造了奇迹而受到庆祝时，那才是值得庆祝的一天。” Nadella 总结道。
分享一个大幅节省Codex额度的邪修方法，不要浪费了你的ChatGPT Pro会员。最近我的Codex额度，已经烧到我有点用不起的程度了。
大家可能都知道，我做了一个AI热点资讯产品，叫AIHOT。
然后我最近做的，基本都是关于AIHOT的底层优化，一个是尽可能降低成本，一个是系统底层的性能提升。
全是什么压模型API成本、压抓取成本、用算法替代模型、找过度设计、找性能瓶颈啥的，甚至最近因为突破了100万的月活，流量和请求费用已经到了我扛不住的地步了，又在疯狂的想办法，压缩流量传输，降低成本，都快把边缘缓存用到极致了。。。
然后我又为了做热度榜，把监控的信源加到了快2000个的量级，每天大模型的API的费用，也是几百块的烧。。。
所以，基本是一天一个200刀的Pro会员号，直接快干成日抛了，3个号轮着转，一个用完了切换另一个，继续做任务。
一边是AIHOT每天后端在疯狂烧钱，一边是为了优化AIHOT的烧钱而每天在Codex上疯狂烧钱，我感觉我自己每天好像起床就好像陷入了某种赛博循环，钱就跟流水一样哗啦啦消失了。。。
特别是我也不太懂代码，我只能当个产品经理，去规划流程架构，知道我的目标是什么，但是具体它要怎么实现？有没有一些能更加突破的方法能实现？你指望我这个愚蠢的人脑去想这个事，我肯定搞不定的，所以必须要有一个很强的大模型，根据我的需求和目标，调研完我们过去所有的日志数据，然后给一个很棒的开发的规划，后续我去执行才可以。
最近我是经常用GPT-6 Astra Max来分析和规划，甚至有两个降本的任务，我直接上了GPT-6 Astra Ultra，然后出完计划以后，用GPT-6 Astra 高来实施。
所以Codex额度不可能抗的住的，甚至额度消耗的很大头，是来自于前面的分析规划，用Ultra分析规划一次，我的200刀会员的周额度，直接能没10%。
穷则思变。
人一旦被额度逼到墙角，脑子就会异常活跃。
所以我就在想，我怎么最大化的去利用ChatGPT的网页版，因为大家都知道，ChatGPT的网页版有一个超强的模型，GPT-6 Pro，而且这个东西其实算ChatGPT Pro会员一个非常容易被忽略的隐藏福利。
因为它的额度是跟Codex分开的，并不消耗你的Codex额度。
200刀的Pro会员，一周有200次的Pro对话额度。
讲道理，这玩意一直是我心中极其好用的模型，7月份没有GPT 6只有GPT 5.6 Sol的时候，我就聊过，说这玩意的Review水平和深度，都极强。
但是GPT Pro模型一直有一个问题，就是没有办法看到我的真实的业务数据和场景，他可以通过插件的方式，链接我的Github，看到我所有的PR记录和实际的代码，但是他还是看不到我这么多月的所有的服务器日志记录，还有我真实的线上数据库。
如果你看不到这些东西，你怎么能去分析数据，然后推理找到一些底层突破，从而给我们一个真实的规划方案呢？
就比如昨天到底进来了多少条数据，我们每天的高峰数据到底是多少。
某一个模型调用到底一天烧多少钱，分别烧在了什么地方，缓存命中率是多少等等。
所以本质上。
代码告诉AI，这套系统理论上应该怎么运行。
生产数据告诉AI，这套系统实际上是怎么运行的。
PR历史，则告诉AI，它为什么一路变成了今天这个屎山。
这就是过去GPT-6 Pro我用它做方案规划最大的痛点，它一切都只能根据我的现有代码进行推测，它没有办法根据我的真实数据进行分析回测。
于是我就一直在想办法怎么去解决这个事，我当然知道有各种各样的桥接方式，把GPT 6 Pro的额度拉到Codex本地里面，用它来去处理。
但是过去无数种的经验告诉我，这种方式是会有风险的，我不太想冒这种风险。
然后，我就想起了一个东西，MCP。
在网页版ChatGPT的聊天模式中，可以调用插件，但是不能调用Skill，而插件的底层，其实就是MCP。
那如果...把我的服务器，直接封装成MCP，然后变成一个插件，能跟Github插件一样，直接让GPT-6 Pro通过MCP协议，读取我的服务器所有数据，这样是不是就行了？？？
说干就干，我直接给Codex发了一句话。
对，就这么一句话：“给 AIHOT 增加一个供 ChatGPT 使用的生产业务数据只读 MCP Server，让 GPT-6 Pro 能安全查询 AIHOT 所有服务器的真实数据。但是一定是最小权限、只读、可审计，不能影响生产性能，也不能暴露密钥和敏感数据。”
他自己就封装完了。
因为为了保护我们的服务器安全，所以我只给了只读的权限。他不能对我的服务器进行任何的操作，他只能读数据，但是不能操作数据。
同时也为了保护我们私有MCP的数据安全，他也提问了说，需要OAuth登录服务，那太简单了，因为我们用的是飞书，我过去在公司里面也直接开发了一整套的飞书的认证中心供我们同事使用，我直接就把飞书的鉴权给接进去了，只有我自己的飞书账号登录以后才能用。
然后过了大概半小时以后，Codex给我开发完了。
因为它强大的Computer use的操控能力，所以甚至，都给我上传好了，自己都做完了实验。
成了。
MCP是个好东西，真的，万物皆可MCP，你可以把你任何本地电脑上、服务器上的东西封装成MCP，然后做成你的私有插件，你就全部可以让GPT-6 Pro调用了，这个想象空间有多大，能做的事有多少，我相信大家的想象力一定比我丰富。
那接下来，再说一下怎么用，以及怎么跟Codex更好的协同。
打开我们的Codex，点击左上角的快速聊天。
吊起ChatGPT的聊天模式。
这时候就会在右下角给你弹一个窗，把模型选成GPT-6 Pro，点击+号，选择你自己的插件。
因为我既需要给数据也需要给代码和PR记录，所以我是同时调用我自己的插件和Github插件。
这个时候你就可以提出你的需求了。
比如我说，我希望继续降低成本。
他就会直接读取我们所有数据，开跑。
大概GPT-6 Pro思考推理了40分钟以后，终于跑完了，然后给我了一个非常详细的方案，我看了一下，质量真的极高。
这一次，如果你直接用GPT-6 Astra在Codex里去跑，我觉得周额度的10%是真的能干掉的，所以通过这种方式，真的就节省了周额度的10%，而且也是完全的符合OpenAI的所有规则，没有干任何出格的事情。
那有了这个方案之后，我们怎么扔到Codex里面，去直接执行呢。
方法也巨简单，你完全不需要把那个md文档和方案下载下来再上传之类的，你直接点击聊天窗口的添加到Codex。
你就会发现，这个对话，已经到你的Codex窗口上了。
接着，写一句执行的万能Prompt：
“帮我验证，并且做掉这里面提到的所有值得做的优化，然后统一上线。”
我自己习惯在执行的时候，把推理等级开到“高”了，大家开到“中”也行，但是不建议用“轻度”，至少我自己觉得效果不是特别好，有时候来来回回的失败或者不验证，搞起来特别麻烦。
马上GPT-6 Sol大概率就上了，GPT-6 Sol上了之后，执行这块，我可能会无脑切换到GPT-6 Sol了，只有一些高难的任务我觉得我才会切换到GPT-6 Astra。
上面Prompt写好以后，直接发送，我也不知道过了多久，因为我直接睡觉去了。
起床一看，开发完了。
这个任务，最终好像也只花了我周额度的4%左右。
还是很爽的。
讲道理，GPT-6 Pro这么强，每周还给我200次额度，让它躺在那里吃灰，然后另一边一天烧一个Codex账号，我是真的觉得我扛不住。
只要你是Pro会员，不管你是100刀的（100刀的能每周用50次GPT-6 Pro额度），还是200刀的，都可以试试，把你的真实数据和业务，封装成MCP，让GPT-6 Pro去使用，应该能减少很多你的Codex token消耗。
同时，我还是要强调一下，这种遵守规则的MCP和插件调用的方式，99.99%不会有啥风险，更不会给你降智或者风控啥的，但是如果你去用一些三方的桥接插件，把GPT-6 Pro的额度反代出来用Codex来开发，如果被风控了，别找我= =
账号安全第一。。。
最后，总结一下这套工作流。
ChatGPT上的GPT-6 Pro通过MCP的方式把真实世界接入进来，进行详细分析做规划和架构。
然后Codex的GPT-6 Astra high负责具体的开发执行。
省钱省心又省力。
我只需要提需求和做决策就行了。
哦不对，我还要负责付钱。
。。。
AI啊。
真好玩。
2026 AI Builders Day 完整议程公布：当模型不再稀缺，AI Builder 靠什么赢？一场关于算力、应用与下一波 AI 机会的上海聚会
一个周末做出 AI Demo 已经不难，但为什么真正被持续使用、让用户愿意付费的产品依然稀缺？
当模型能力逐渐趋同、调用成本持续下降，AI Builder 面临的问题正在从“能不能做出来”，转向“为什么用户会选择你”。产品的长期壁垒究竟来自数据、场景、工作流、用户关系，还是品牌与分发？当模型供应商涨价、限制地区或调整规则，应用又该如何保持稳定运行？
9 月 21 日，由 6Block 发起，Techub News 与 Miuro.ai 联合主办的「2026 AI Builders Day 上海站」将在上海国投大厦举行。活动预计汇聚约 100 位开发者、创业者、投资人与产业伙伴，从算力基础设施、模型调用到投研、视频与音乐创作，共同探讨 AI 如何从技术能力走向真实产品。
当模型不再稀缺，Builder 的机会在哪里？
活动压轴圆桌将以「AI 的尽头——当模型不再稀缺，AI Builder 的机会在哪里？」为主题，把讨论落到每一位 Builder 正在面对的现实选择：
如果只有三个人、有限预算和六个月时间，应该从模型、算力、Agent、工具还是垂直应用切入？
为什么 AI Demo 越来越多，真正找到 PMF、获得持续付费的产品却依然有限？
面对闭源模型、开源模型、自建部署与多模型 API，开发者应该如何选择基础设施？
当大家使用相同的模型，产品真正的壁垒在哪里？
如果 AGI 比预期更早到来，今天最值得积累的能力和资产又是什么？
这场讨论不试图给出统一答案，而是希望通过来自基础设施、产品、内容创作与生态一线的不同视角，帮助 AI Builder 看清下一阶段真正值得投入的方向。
从算力底座到具体应用
圆桌之前的多场主题分享，也将为这些问题提供具体的实践样本。
Gonka.ai 团队核心贡献者将带来主旨演讲，分享开放 AI 算力网络的实践与观察；GonkaRouter.io 技术负责人将以「一个 API，组建你的 AI 专家团」为题，介绍多模型能力的调用与协作；Uweb AI 团队实操导师将通过真实案例，分享如何用 AI 搭建辅助个人的投研系统。
在内容创作方向，Craftale AI 团队将围绕「AI 视频创作新范式：从灵光一现到完整短片」，拆解从创意到成片的完整流程；Miuro.ai 团队CTO 则将分享 AI 如何重构音乐创作、全球发行与价值流通。
目前确认出席的嘉宾还包括 SentientAGI APAC Lead Anita、星野大学校长及 AI 内容创作者 星野、Monad Greater China Ecosystem Lead、Billions Network APAC Lead 等 。
除议程嘉宾外，Haotian、DeFi Teddy、Jingle Bell 初号机、王小楼、Laughing、Zisu、Neal 与 Shawn Pang 等几十位 AI 及 Web3 研究者、创业者和生态建设者也将来到现场，与 AI Builders 围绕算力、Agent、产品落地与增长展开交流。
媒体及社区支持包括 OpenSchool、Foresight News、区块律动、深潮、PANews、Odaily、深求社区、OpenBuild、复旦大学区块链协会、华东政法大学区块链协会、TinTinLand 与 NODE-X 等。
现场还将设置问答、抽奖、茶歇和自由交流环节，奖品包括小米 AI 眼镜、 AI 推理、视频及音乐创作 Token 礼包，万向区块链周及 TOKEN2049 主会场门票等。
活动信息
时间：2026 年 9 月 21 日 13:30–18:00
地点：上海市虹口区东大名路 638 号国投大厦 15 楼多功能厅
报名：https://luma.com/d66o016k
国内第一个为团队而生的Agent，果然还是在飞书里面来了。就在刚刚，飞书和豆包工作一起，开了他们的全新发布会。
在聊了很多飞书为Agent做的全新升级，还有和豆包工作深度融合后的产品能力之后，他们也终于发布了一个全新的功能，也是我们内测了一段时间，让我非常喜欢的功能。
豆包工作伙伴。
讲道理，这玩意飞书在国内第一个做出来，我一点也不意外。
跟之前的豆包工作伙伴完全不一样，这一次，你可以把你的豆包工作伙伴，拉它进入企业里的任何群聊里面，成为一个团队共享的AI工作伙伴。
它拥有独立的人设，独立的名称，独立的组织身份，比如我就给它改名了，名字也很性感，叫义父。
它可以被拉进群，参加公司的会议、读所有的文档、代码等等等等，还能主动的去推进大家的工作，它长这样。
如果大家有印象的话，会觉得，这个豆包工作伙伴，怎么跟那个Claude Tag那么像。
对，确实很像。
而且我觉得，如果要理解豆包工作伙伴到底是什么，最好的办法，可能真的就是先理解Claude Tag。
今年6月份，Anthropic发布了Claude Tag。
这玩意，被卡帕西称为AI在用户体验上的第三次范式。
我觉得可以用一句特别简单的话来解释。
普通Agent，是一个属于你自己的能干活的Agent。
而Claude Tag和豆包工作伙伴这样的产品，就是类似于给这个Agent一个独立身份，让它安全、可控地帮公司里所有人一起工作。
这句话基本就解释完了。
我们过去接触的大部分Agent，不管是Claude Code、Codex，还是各种你自己搭出来的Agent，本质上都有一个共同点。
它主要围绕“你”工作。
而Claude Tag和豆包工作伙伴这样的形态，是一个完全不同的形态。
你可以理解为，他有自己的身份、权限、记忆之类的，长期驻扎在公司的组织软件里，Claude Tag是待在Slack里，豆包工作伙伴是待在飞书里。
公司里的任何一个人都可以跟它一起工作。
它知道这个群之前发生过什么，也知道大家最近在聊什么，知道公司是什么业务、每个人负责什么、大家手上的项目分别是什么，也可以接入GitHub、多维表格、知识库之类的这些公司的系统。
甚至很多时候，你甚至都不需要主动叫它。
它自己会判断：
这个事情，我是不是该干点什么。
你看，这个关系就完全变了。
以前在组织中，我们跟AI的关系，大概是：
人、人、人、人。
↓ ↓ ↓ ↓
AI、AI、AI、AI。
现在呢，就变成了：
人、人、人、人。
↓
AI。
所有人共享同一个AI同事，大家都拥有了一个团队智能体，大幅的降低各种沟通和损耗成本，让我们的小伙伴，更有时间，去做那些真正AI替代不了，真正重要的事情。
这就是我觉得这类产品，对于组织来说，真正牛逼的地方。
而在Slack中，Claude Tag其实可以发挥的作用没有豆包工作伙伴在飞书中的大，核心还是因为，飞书过去十年打下的基建和江山实在是太恐怖了。
群聊、会议、文档、日历、任务、项目、OKR等等，甚至还有多维表格上的各种各样的业务数据，实在是太丰富了。
所以在昨天，我甚至在公司内部，做了一个小小的决定，把公司内部沟通，也全面从微信迁移到飞书上了。
公司的一个小小的里程碑，终于全面从微信切换到飞书了。
这一年跑的太快，很多基石还没做好，沿着惯性在走，昨天想了想，还是下定决心了。
对公司组织来说，也要全面拥抱为未来而生的基建才行。
飞书基本上就是为Agent而生，虽说只是办公方式的一个小小的变化，但是也意味着，面向未来。
这个决定，其实跟这几天内测豆包工作伙伴以后，有很大的关系。
说回豆包工作伙伴，这玩意目前还是邀请共创测试，因为我们稍微特殊一点的身份，所以是前几天就拿到了内测的，大家想用的话，可能还需要再等等，但是有些东西，我觉得还是足够可以给大家看一看的。
当你有了豆包工作伙伴的权限之后，你就可以在后台，看到他的设置页面，可以看到它的人设、自动化、资产、记忆等等。
你可以随便改，比如我就把它改成了，义父。
于是我们所有人让它帮忙干活，都是需要在群里，@义父。。。
当然，你也可以建多个不同的工作伙伴，赋予他们不同的能力和人格。
给大家举个例子。
我们的小伙伴，就在尝试用义父，来讨论选题。
平时刷到有意思的东西，就会直接扔进选题群里，大家一起聊聊能不能做。
就比如说，今天他们看到的这个盆栽和手摇Token生成器。
就可以在群里@义父，让它调研一下，技术上怎么实现，是否能够复刻。
它立刻就可以给出一些建议，对工期、预算和可能遇到的问题做了初步估算。
然后也可以让义父在群里，核查一些信息。
然后还有一个选题，是开学了吗，于是说，看看能不能把ChatGPT当成语言老师。
他们就还是把截图发进群里，让义父看看。
义父聊完之后，大家还可以继续充分讨论，再进行投票。
讨论结束以后，他们又让义父把前面的聊天整理成了一张选题总结卡片。
选题聊完以后，我们的流程是，由内容组的小伙伴会先把觉得合适的方向提报到选题库，再由我筛一轮，确定哪些可以做。
现在有了义父之后，他们真的就是随时分享、随时讨论，随时让义父往选题库里面扔。
然后我就能看到，义父把前面聊到的两个方向分别录入选题库，状态先设成待定，等我看完再决定。
接着，又让它根据选题库里之前已经确认可做的选题排一下档期。
结合每个人的工作分工和已有排期，安排一下谁来做、什么时候做，再把对应的安排加进日历里。
确认好以后，还能直接给对应的小伙伴来发送日程邀请。
就有了这个豆包工作伙伴之后，我们的工作流程和协同也肉眼可见的发生了一些变化，因为，这是属于大家的Agent，是属于大家的同事。
也能根据大家的时间，来约大家的会议。
还能跟我们一起开会。。。
这个同事也会拥有跟大家互动后，存下来的跟每个同事相关的记忆。
也可以给他配置各种各样的权限。
还有非常非常非常多好玩的东西和好玩的场景，感觉后续要慢慢发掘。
飞书过去所有在机器人、AI和Agent上的积累，在此刻融为一体，汇聚到了豆包工作伙伴上。
这个东西，是我过去这么久，用过的最有趣的Agent之一。
不过这个事肯定不好做，因为Agent 、大模型、协同办公要深度配合才能有比较好的流程的体验，还有包括token消耗等可能会很大，但，一定是未来的趋势。
其实过去，我也一直在思考一个命题。
当AI真的进入一个组织以后，公司这种东西本身应该如何发生变化？
因为我们都知道，一家公司里面，很多时候大量的成本其实都浪费在沟通和协作上。
比如说很多看到我就脑壳疼的问题：“你有没有跟A同步？A告诉B了吗？B知不知道C已经改了？？？”
还有无数类似的，我都想杀人。
过去我还在互联网中产的时候，真的，很多时候，一件可能真正只需要两小时完成的工作，可能前前后后要拉十个人，开三个会，发上百条消息，然后互相同步来同步去，三天才搞完。
所以我现在，极其认同一个公式：
团队效率 = 所有人个人效率的总和，再减掉协作成本。
过去的AI一直疯狂提高的，都是前半部分，但是协作成本，靠的几乎还是组织管理方法论，还有使用的协同工具本身。
但现在，因为豆包工作伙伴这样的产品，好像也在开始大幅降低协同成本了。
但本质上，核心还是飞书这个产品的基建，实在是搭的过于优秀了。
就像我上面说的，这也是我自己，为什么决定，最后还是决定把我们公司内部的工作沟通也全部迁到飞书
这当然只是一个很小的变化。
但我也只是想，把公司的工作方式，更加的面向Agent一点。
对公司组织来说，也要全面拥抱为未来而生的基建。
我们已经讨论了三年AI会怎么改变个人。
那接下来，也要开始聊一聊，AI究竟会如何改变公司了。
这个未来是必然会来的，那企业内部如何沟通，如何沉淀我们所有的知识和经验，如何管理项目，如何组织数据，如何让Agent真正的进入公司，这个是每一个组织，都必须要考虑的东西。
虽然我过去吹了飞书无数次，我真的不想再吹了。
但是我还是非常想真情实感地说一句。
相信我，企业拥抱AI。
先从飞书开始。
就像谢欣在发布会最后说的那句话一样：
“把卓越的工具交给人们，他们自会，创造非凡”
专访「AI投研精英孵化计划」学员伯纳德 zkBernard – 投研证据折扣器撰文：Alma Li，TECHUB NEWS
导语
当大模型让策略生成、信息处理与历史回测变得越来越快，一份看似漂亮的结果，究竟有多少来自真正独立、足够且可信的证据？HighBlock Limited 产品经理、独立开发者伯纳德 zkBernard 正在开发「投研证据折扣器（Evidence Deflator）」，试图把 AI 投研里常被忽略的验证问题前置：在策略得出结论之前，先审计模型知识覆盖、回测区间、参数搜索与统计门槛，判断这份回测到底有没有足够的分辨力。
在 AI 投研精英孵化计划的交流中，伯纳德 zkBernard 提出了一个很直观的比喻：让大模型用其训练数据已经覆盖的历史区间来验证策略，就像让考生做一张已经看过答案的试卷。
核心观点
“分数可能很高，但它检验到的未必是能力，也可能只是记忆。”他说。
选择从“验证层”切入 AI 投研的原因：市场上不缺用 AI 生成观点、筛选标的、搭建策略的工具；真正稀缺的是另一种能力：当一个模型给出一份漂亮回测，研究者如何分辨其中哪些是独立证据，哪些只是模型或研究者对已知历史的重复利用？
伯纳德目前在 HighBlock Limited 从事香港合规框架下的加密资产机构业务产品设计与行业研究，覆盖理财与 RWA、做市、托管、OTC、AI 等方向；工作之外，他也进行独立开发和开源研究，关注 AI 判断的独立性，以及 Agent 工具之间的协议互操作。两条路径最终交汇在同一个问题上：AI 可以更快地产生结论，但结论是否经得起验证，不能被默认成立。
一份回测，可能是一场“开卷考试”
TECHUB NEWS：很多人会把“回测周期够长、收益曲线够漂亮”视为策略有效的信号。你为什么认为这还不够？
伯纳德 zkBernard：传统直觉会认为，回测时间越长越好：如果一套策略在过去三年、五年、十年都有效，未来或许也会继续有效。
但当策略设计、解释或验证本身依赖大模型时，问题会变得不一样。模型有知识截止日，也在训练阶段接触过大量公开市场信息、历史事件和既有叙事。如果我们拿模型知识截止日之前的历史数据去验证它给出的判断，就很可能是在让它处理一份“已经做过的试卷”。
它得出的高分，未必说明这套逻辑真的能迁移到未来；有时，它只是在调用或复述自己已知的市场记忆。
TECHUB NEWS：这种“开卷考试”风险，具体会怎么出现？
伯纳德 zkBernard：至少有三种比较典型的情况。
第一，模型设计了一套策略，回测结果漂亮得可疑。它可能已经知道过去几年某类资产上涨背后的原因，于是顺着已知结果组织出一套看起来合理的逻辑。
第二，研究者换一种问法继续问模型，得到的结论几乎没有变化。我们以为这证明策略很稳健，但它也可能只是同一份记忆被换了种说法复述了两次。
第三种更隐蔽：研究者自己在选择回测区间时，已经不自觉地知道这段历史发生过什么。比如，看到某一轮芯片行情后，再专门挑这一段区间去验证相关策略。此时“开卷考试”的不只是模型，也包括研究者本人。
所以问题不只是“AI 会不会出错”，而是研究流程本身有没有把已知答案带进验证环节。
不是判策略对错，而是先审计证据
TECHUB NEWS：你正在做的「投研证据折扣器」，具体要解决什么问题？
伯纳德 zkBernard：它不是一个直接告诉你“这套策略有效”或“这套策略无效”的工具，更像是在策略结论之前增加一个审计层。
我希望它先检查几个关键问题：模型自身的知识截止日是什么；回测的起止时间在哪里；研究者设定了哪些统计指标和门槛；为了得到最终结果，实际尝试过多少组参数、采用了怎样的参数搜索结构。
这些信息共同决定，一段表面上很长的历史样本，究竟还能算作多少真实、独立的证据。工具所做的，是把“表面证据”折算成“实际证据”，并给研究者一个明确判断和下一步建议。
TECHUB NEWS：也就是说，重点不是回测“好不好看”，而是它是否有足够分辨力？
伯纳德 zkBernard：对。这两者很不一样。
假设一段回测横跨 66 个月，但其中大部分历史已经可能被模型训练数据覆盖，真正未被覆盖、相对独立的样本可能只剩下 8 个月；而按这套策略的风险和统计特征，可能需要约 48 个月才具备足够的统计分辨力。
这时不能简单说“结论不够强”，更准确的说法是：这份回测暂时没有足够分辨力。它没有提供足够独立的样本，让我们判断策略是否真的具备可迁移的有效性。
这个区别很重要。“结论不够强”容易让人继续为原有观点找理由；“证据没有分辨力”则要求研究者回到验证设计本身，承认此刻还不能下结论。
调参越多，所需验证越长
TECHUB NEWS：除了模型知识覆盖，为什么你也特别关注反复调参？
伯纳德 zkBernard：因为探索中不断试参数是很常见的，但如果研究者尝试了很多组参数，最终只展示表现最好的一组，就会产生明显的选择偏差。
例如，一套策略原本可能需要约 48 个月的有效验证期；如果在过程中尝试了 20 组参数，再从中保留表现最好的结果，所需的验证期就可能被显著抬高到约 112 个月。原因并不复杂：被挑中的“最优结果”有一部分可能来自偶然性，而不是策略真正的能力。
这对普通研究者最重要的提醒是：不要只保留最终胜出的参数组合。参数尝试次数、筛选规则和被淘汰的方案，本身也是研究证据的一部分，应该被记录下来。
TECHUB NEWS：如果工具给出的结果是“证据不足”或“回测没有分辨力”，研究者下一步应该做什么？
伯纳德 zkBernard：不是机械地延长回测时间，而是根据问题出在哪里采取行动。
如果独立样本不足，就应保留更严格的样本外测试，或等待、收集更多未被已有知识覆盖的新数据；如果参数搜索过多，就要减少无约束的试错，把参数尝试过程完整记录下来；如果历史数据本身不足以支持判断，也可以考虑换一种验证方式，例如跨市场、跨资产类别或不同市场状态下的测试。
工具的价值不在于代替研究者做判断，而在于让“暂时不能相信”成为一个可解释、可执行的结论，而不是一句模糊的风险提示。
从“怎么用”回到“为什么可信”
TECHUB NEWS：你为什么带着这个项目参加 AI 投研精英孵化计划？
伯纳德 zkBernard：一方面，我希望认识更多做 AI 投研的同行，看看大家如何理解研究、策略和产品；另一方面，我也想验证一个想法：市场上是不是确实需要一个更前置的审计层。
传统基金会请第三方核查业绩，例如围绕投资业绩标准建立可查的记录。但我在想，为什么一定要等业绩出来、甚至出现问题以后，才去做验证？能不能在策略和投研方法形成结论之前，就先把验证过程留下可复核的记录？
我想做的，是把这套审计逻辑向前推一步。
TECHUB NEWS：孵化营过程里，有没有让你重新思考产品的反馈？
伯纳德 zkBernard：有。导师和同行会不断追问：这到底是一套什么机制？为什么这些数字能够帮助识别回测是否有效？
我后来反思，做产品的人很容易把“产品怎么用”当作“产品为什么成立”来解释：我输入什么，系统输出什么，再如何测量。但用户真正想知道的，是为什么这些参数能识别模型回忆、样本覆盖或选择偏差。
这提醒我，产品不仅要有流程，也必须把原理讲清楚。特别是在 AI 投研里，如果一个工具本身不能被理解、不能被复盘，就很难成为真正值得信任的基础设施。
未来：嵌入工作流，而非替代判断
目前，这一工具已在小范围内供同事和朋友试用，主要用于检验个人投资策略的逻辑有效性。伯纳德也保持着审慎态度：即使个人持仓近期表现不错，也未必完全来自策略本身，可能只是赶上了整体市场上涨。
“如果策略只是跟着大盘走，我直接买指数也许就可以。”他说。下一步，他计划将策略与标普 500、QQQ 及更贴近策略所属板块的相关指数进行对比，进一步区分策略可能产生的 Alpha，与市场整体 Beta 所带来的收益。
在产品迭代上，他希望优先加强样本独立性的评估，例如衡量不同参数变体之间的重合程度；同时，也在考虑将工具以 API 或 MCP 等形式接入回测和 Agent 工作流，减少对单独前端界面的依赖。初期目标用户将主要是有风控和策略优化需求的机构，也会兼顾个人研究者。
对于刚开始借助大模型做投资研究、策略生成或回测的人，伯纳德最希望他们先问自己一个问题：
“这份漂亮的结果，究竟有多少来自真正独立、足够且可信的证据？”
当 AI 让“创造”变得更便宜，验证也许会成为更稀缺的能力。「投研证据折扣器」并不提供买卖结论，它试图提供的是一条更审慎的路径：先确认一份结论是否经得起验证，再讨论这套策略是否值得相信。
编辑说明：本文根据 TECHUB NEWS 对伯纳德 zkBernard 的访谈录音、会议纪要及采访提纲整理。受访者所在公司、产品功能、技术方案及后续计划，均以其访谈表述和采访资料为基础；涉及工具示例中的样本期、参数数量及验证期，仅用于说明方法论，不代表实际投资表现或未来结果。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
本周 AI 项目推荐：Citely、ACE、VIRSE、BuilderHub上新啦！作者｜Yoky
微信｜yokyliu617
过去一段时间，我们几乎每周都会遇到一批新 Builder。有人辞职创业，有人在大公司之外做 Side Project，也有人没有工程背景，却借助 Coding Agent 第一次把自己的想法做成了可以使用的产品。真正缺少的是一个集合地。
这些 Builder 和产品散落在朋友圈、微信群、GitHub、Product Hunt 以及一条条很快沉下去的社交媒体动态里。产品发布时可能获得一阵讨论，但几周以后，再想找到背后的团队、查看最新版本，或者确认这个人后来又做了什么，往往已经很难。现有的发布平台更擅长记录“今天上线了什么”，却很少持续回答“是谁在做，他为什么做，现在做到哪一步了”。
此前，我们把长期在做的项目推荐栏目变成了一个围绕 Builder 运转的平台BuilderHub（https://builderhub.pingcode.tech/），目前已经有 50 位真实 Builder 入驻。相比收集更多产品链接，我们更想把人、产品、里程碑和持续发生的思考放在一起，让一次发布成为一条长期记录的起点。
最近，BuilderHub 又完成了一轮更新：
Agent 自动入驻和维护： Builder 申请后会获得专属 API Key 和任务说明，把它们交给自己的 Agent，就可以自动回传个人信息、产品、里程碑和 Builder Talk。此后发布新版本、开放内测、获得首批用户或调整方向，也可以继续让 Agent 更新。
Builder Card： 每位 Builder 都可以生成一张可分享的线上名片，把个人身份、产品方向和关键进展放在一起，更方便地向用户、合作伙伴和投资人介绍自己。
投票、周榜和月榜： 社区成员可以把票投给自己认可的 Builder，用户反馈和硅星人的编辑观察共同形成榜单。我们会定期从新入驻项目和榜单中筛选团队，进入每周推荐、采访和后续深度报道。
如果你也在做 AI 产品，欢迎申请入驻 BuilderHub：https://builderhub.pingcode.tech/join把你的产品和进展放进来，也让更多用户、伙伴和同行找到你。
本周，我们从 BuilderHub 的上新项目里选出了 6 个值得关注的产品。
1
01 VIRSE：
https://builderhub.pingcode.tech/builders/yifan-zhao
产品概述
VIRSE 是一套面向品牌、设计工作室和专业创意团队的 AI 设计基础设施。
产品把 50 多个图像与视频模型放进同一块无限画布，用户可以在一个空间里管理参考图、资产、生成结果和团队协作。VIRSE 更核心的能力叫 Aesthetic Memory：系统学习团队的视觉语言，让不同设计师、Agent 和外部合作方尽量沿着同一套品牌标准工作；历史资产还可以按照“看起来像什么”来搜索。
它解决的不是如何再生成一张图，而是商业设计里更难的部分：多轮迭代以后，风格还能不能稳定，资产能不能复用，团队能不能协作。
团队背景
VIRSE 创始人赵一凡毕业于 Cornell University，曾在腾讯从事软件工程与产品工作，此前做过 AI 定制设计产品，并完成过一次收购退出。VIRSE Labs 位于旧金山，是一支规模不大的跨学科团队，成员背景覆盖视觉智能、工程和人机交互。
赵一凡同时理解工程系统和设计生产，这一点直接体现在 VIRSE 的产品取舍上：团队没有把重点停在模型数量，而是把大量力气花在画布性能、上下文、审美记忆和多人协作这些不容易出现在 Demo 里的地方。
为什么值得关注
图像与视频模型的能力还在提高，但“接入最新模型”本身会越来越难形成壁垒。专业设计团队真正付费的，是可控、一致和可交付。
VIRSE 的判断是，AI 设计的下一层竞争，不是生成能力，而是谁能保存并复用一个团队的审美上下文。 如果这层记忆成立，AI 就不再是设计师偶尔调用的工具，而会逐渐变成团队视觉系统的一部分。
1
02 Stances
https://builderhub.pingcode.tech/builders/zijian-jia
产品概述
INSPIRED AI 是一家在新加坡注册的 AI 应用公司，由贾子健创立。团队早期聚焦 AI 语言学习，先后推出 TalkMe 和 ListenLeap。
TalkMe 面向口语表达，通过实时 AI 对话提供发音、语法和表达反馈；ListenLeap 面向听力输入，把 Podcast 与 YouTube 视频转化为带有双语字幕、逐句精听、词汇解释、AI 问答和跟读评分的学习材料。两款产品共同覆盖语言学习中的输入与输出环节。
2026 年，团队推出第三款产品 Stances，将内容理解、信息检索和来源追踪能力拓展到决策研究场景。用户提出需要判断的问题后，Stances 会从播客、访谈、专家公开观点和高质量讨论中整理一手资料，生成带有出处的洞察简报，并呈现共识、分歧、观点语境与变化时间线，帮助用户建立自己的判断依据。
团队背景
Inspired AI 创始人贾子健是连续创业者，拥有约 10 年 C 端产品经验，曾在网易、360 和好未来负责产品，参与过多款大规模用户产品。联合创始人戴雨珺长期关注二语习得与教学设计，负责把语言学习方法转化为产品体验。
据团队及投资方锦秋基金披露，TalkMe 与 ListenLeap 已经验证了海外用户付费和正向现金流。比具体数字更值得看的是，这支团队没有停在第一款能赚钱的产品上，而是在重复使用语音、内容理解、检索和交互能力，继续寻找新的消费场景。
为什么值得关注
AI 消费应用最难的从来不是做出 Demo，而是让用户第二天还愿意回来，甚至愿意付钱。Inspired AI 已经用两款语言产品证明了自己对 C 端需求、增长和付费的理解，现在又用 Stances 切入信息溯源。
这次转向背后的判断很有意思：生成答案越来越便宜，判断答案值不值得信却越来越贵。Inspired AI 正在从“帮用户学会表达”，走向“帮用户保留自己的判断”。 这支 Builder 团队的价值，也正在从一款产品的功能，变成连续寻找产品市场匹配的能力。
1
03 ACE
https://builderhub.pingcode.tech/builders/joe-guo
项目简介
ACE 正在搭建一套 AI 原生音乐平台，由音乐基础模型、专业创作工作站 ACE Studio，以及个人音乐 Agent miya.fm 组成。
ACE Studio 面向音乐制作人、作曲人和专业创作者，将 AI 人声、AI 乐器、声音克隆、音轨分离、音乐生成与 DAW 协作整合进完整工作流。目前产品约有 10 万付费用户，月收入约 200 万美元，用户累计编辑约 300 万首作品。
miya.fm 面向更广泛的个人用户，希望将生活、关系和情绪转化为音乐。用户可以通过对话、文字、照片或社交内容生成歌曲，也可以用自然语言表达当下的场景和心情，获得更个性化的音乐内容。
团队背景
ACE 由 Joe Guo（郭靖）、Sean Zhao 和 Conger Sheng 于 2019 年共同创立。
Joe Guo 是声音算法工程师、产品设计师和音乐创作者。大学时期曾组建乐队并担任主唱，毕业后参与过亿级用户规模的移动游戏产品。亲身经历专业音乐制作的高门槛后，他开始探索如何利用 AI 改善音乐创作工具。
团队目前约有 40 名成员，能力覆盖音乐生成、音乐理解、AI 工程、音乐制作和产品设计。团队已经完成从早期娱乐产品到专业生产力工具的转型，并逐步建立起专业创作产品、真实编辑数据和音乐模型之间的协同体系。
为什么值得推荐
ACE 已经完成了较为扎实的产品和商业验证。ACE Studio 的付费用户规模、收入表现和专业用户留存，说明 AI 音乐工具在真实创作流程中具备明确需求。
更值得关注的是专业用户产生的数据。音乐人在 ACE Studio 中对音高、节奏、情绪和演唱细节所做的编辑，会形成高质量的偏好数据。这些数据能够持续反哺模型训练，推动生成质量和产品体验共同提升。
2026 年 9 月，ACE 完成近 4,000 万美元新一轮融资。现阶段的 ACE 已经展现出模型研发、产品落地、全球化运营和商业化增长的综合能力，是 AI 音乐赛道中值得持续追踪的 Builder 团队。
1
04 橡果 Oaky
https://builderhub.pingcode.tech/builders/oaky
产品概述
橡果 Oaky是一款陪用户收藏、记录、整理、创作和分发真实内容的 AI 创作搭子。
大多数 AI 内容工具从一个空白输入框开始，让用户给主题，然后直接生成文章。橡果想接住的是更长的一条链路：日常看到的内容、随手记下的想法、真实经历和长期积累的素材，如何逐渐被整理成属于用户自己的表达，再继续分发出去。
它并不把“多写一篇”当成唯一目标。更准确地说，橡果希望帮助有持续创作需求的人，搭建一套不会每次都从零开始的个人内容系统。
团队背景
橡果的 Builder 唐遥民是一名 AI 产品工程师和首次创业者，曾在智谱与美团担任 AI 产品经理，也长期公开记录自己的产品思考、增长实验和创业过程。他此前开源了“橡果视记”，现在把同一个问题继续推进到 Oaky。
唐遥民在个人记录里坦率写过创业早期的真实成本和走过的弯路。他很清楚 AI 可以降低软件开发门槛，但不会自动解决用户、分发和商业模式。这种对问题的长期体感，是橡果比“又一个 AI 写作工具”更值得关注的部分。
为什么值得关注
生成内容已经接近无限供给，真正稀缺的开始变成真实素材、个人视角和持续表达。橡果没有继续卷“同一个提示词谁写得更像人”，而是把产品起点放在内容生成之前。
它想解决的不是写不出来，而是一个人的经验没有被长期积累下来。 如果橡果能把收藏、记录、整理和发布连成自然的日常动作，它就有机会成为创作者的内容基础设施，而不是偶尔打开一次的生成器。
1
05 Citely
https://builderhub.pingcode.tech/builders/citely
产品概述
Citely 是一个面向全球化科技公司、AI 团队和 Web3 创业者的合规决策工具。
传统合规服务通常从法规原文、律师意见和一堆表格开始。Citely 反过来，从 Builder 正在做的动作开始：准备上线一个产品、进入一个新市场、与机构合作，或者发行稳定币。系统会把不同司法辖区的法规、执法案例和监管指引整理成 Playbook 和检查清单，再根据团队的自查结果生成一份诊断 Brief，告诉用户哪些事实已经确认、还缺什么材料、下一步要做什么。
Citely 目前还提供稳定币、AI 政策和 Web3 政策三个追踪 Agent，覆盖 43 个司法辖区，并把部分能力做成 MCP 工具。也就是说，合规不必永远停留在 PDF 和咨询会议里，它可以直接进入团队已有的 Agent 工作流。
团队背景
Citely 的 Builder 是 Alex 与 Sophie。Alex 负责法律、监管工作流和产品策略，曾在 Cornell Legal Information Institute 参与研究，也长期关注金融科技法、CBDC 隐私和数字资产规则；Sophie 负责软件工程和产品开发。
这是一个很典型的“双语团队”：一端能读懂监管语言，一端能把它翻译成软件。对于合规产品来说，这种组合比单纯堆一个法律知识库重要得多。
为什么值得关注
大多数创业公司不是不知道合规重要，而是不知道应该在什么时候、以什么动作开始。律师给出的往往是完整答案，创业者此刻需要的却只是一个更具体的问题：我下周要上线，现在还缺哪三样东西？
Citely 真正想产品化的不是法律知识，而是合规决策的顺序。 如果它能把复杂规则稳定地压缩成可执行任务，合规就会从一次性的外部服务，变成产品团队日常工作流的一部分。
1
06CCX
https://builderhub.pingcode.tech/builders/ccx
产品概述
CCX 是一个开源的 AI API 代理与协议转换网关，支持 Claude、OpenAI、Gemini、DeepSeek、Kimi、GLM、MiniMax 等多个上游服务。
它把 Claude Messages、OpenAI Chat/Responses、Gemini 等不同接口收进一个统一入口，并提供模型路由、多 Key 管理、优先级调度、健康检查、故障切换和 Web 管理界面。项目同时提供 Docker 部署和 Windows、macOS、Linux 桌面版本。
应用不必把自己焊死在一家模型厂商上。哪个模型能用、便宜、稳定，就让网关在后面完成切换。
团队背景
CCX 的 Builder 在 BuilderHub 使用 King 这个名字，GitHub 账号为 BenedictKing。公开资料没有提供他的公司与教育履历，但代码本身留下了另一种更直接的 Builder 档案：截至本期核验时，CCX 已获得约 4,000 个 GitHub Star，仓库累计 3,600 余次提交。
对于开源基础设施，持续维护比漂亮的创始人简介更有说服力。协议变化、上游兼容、异常恢复和部署问题，都只能靠一版一版地补出来。
为什么值得关注
模型能力正在快速分化：有人擅长代码，有人擅长长文本，有人便宜，有人稳定。与此同时，每家厂商又有自己的接口、额度和认证方式。开发者想同时使用它们，首先得维护一堆胶水代码。
CCX 把“多模型选择”从应用逻辑里拆了出来，变成一层独立基础设施。 4,000 个 Star 说明这不是一个被想象出来的问题。它接下来要面对的，是如何在兼容速度、稳定性和安全之间建立长期信任。
结尾：
这 6 个项目里，有已经验证过用户付费、继续做第三款产品的团队，也有公开履历很少、但用几千次提交证明自己还在维护的独立开发者；有人从法律和工程之间切入，有人长期记录自己的创作与创业过程，也有人已经创业、退出，又回来做下一家公司。
这正是我们越来越想强调 Builder 的原因。
BuilderHub 接下来会继续开放 Agent 回传和实时维护能力，让每位 Builder 的产品、里程碑和思考随着进展更新；投票与周榜则负责把真实反馈带回来。硅星人会定期从中挑出值得被更多人看见的项目。
AI 让更多人成为了 Builder。BuilderHub 想做的，是让真正还在 Build 的人被看见。
专访「AI 投研精英孵化计划」学员 Jack – AI 原生个人投研系统撰文：Alma Li，Techub News
导语：
从交易所 Listing Team 的项目发现、尽调研究到资产上线，Jack 经历过一套服务于平台业务的多维资产评估流程。如今作为独立投资研究者，他尝试将这种“网状思维”迁移至美股、数字资产、宏观与跨资产研究，并用 AI 搭建一套可持续更新、可交叉验证、可复盘的个人投研工作流。在他看来，AI 真正带来的不是“认知平权”，而是知识获取的平权；最终定义问题、判断证据和承担风险的，仍然是人。
在众多“AI+投研”的叙事里，最容易出现的画面，是用户输入一段提示词，系统迅速给出“买入”或“卖出”的结论。Jack 对这种想象保持距离。
核心观点：
“真实的投研不是一个按钮，而是一套系统化的研究工程。”
AI 的价值不在于替人拍板，而在于把原本分散、重复、难以留痕的研究动作，连接成一个可验证、可更新、可复盘的过程。
从 2021 年进入加密行业，到参与项目发现、尽调、商务沟通与资产上线的完整流程，交易所经历让他形成了一种多因子、动态的研究习惯。离开机构视角、开始以个人资金面对市场后，问题变成了另一种形式：资产覆盖更广，信息却更割裂。
于是，他开始为自己搭建一套 AI 原生投研基础设施。它服务的不是一个自动化交易承诺，而是一个更基础的问题：当研究者面对一条市场主线、一个资产或一个突发信号时，如何更快地形成完整逻辑，又不把判断力交给黑箱。
从项目上币到个人投资：研究目标变了，底层思维没有变
TECHUB NEWS：在交易所 Listing Team 的经历，给你今天做独立投研留下了什么？
Jack：当时做 Listing，不是只看一个项目质量好不好、融资额有多少，或者赛道增速快不快。站在交易所的业务场景里，要同时看项目本身、真实用户与市场需求、能否带来新增用户和交易、有没有持续的流动性和资产沉淀，以及它和平台战略、用户风险之间是否匹配。
最终的判断是动态的：它是否适合在这个时间节点上线。研究的对象看似是项目，实际服务的是平台的业务目标。
当研究身份从交易所转向个人投资者，目标随之变化：不是判断一个项目是否适合平台上币，而是判断一个资产是否值得配置、为什么值得配置、在什么条件下又不值得配置。
但 Jack 认为，两者的底层思路是一脉相承的。“价值和价格是两件事。”他说，研究一家公司或一个行业，不能只证明它“好”，还要同时放进基本面、预期、估值、价格、催化剂和市场环境里理解。真正有效的研究，应是一种网状思维，而非从单点信息推导出线性结论。
个人投研的痛点：信息不缺，决策过程却被切碎
TECHUB NEWS：从机构研究转向个人研究后，最大的挑战是什么？
Jack：资产越来越丰富，研究和决策反而变得更复杂。今天的交易平台能提供数字资产、美股、黄金等大量标的，但从“看到一个资产”到“形成投资判断”的过程，往往是割裂的。你要离开交易界面，去看行情、新闻、社交媒体、产业数据和公司信息，再把这些碎片重新拼回自己的逻辑。
在他看来，个人研究者真正消耗的，往往不是缺少观点，而是跨平台搜集、比对和更新信息所产生的决策摩擦。AI 投研系统的出发点，正是降低这种摩擦，把“发现机会—理解资产—验证逻辑—持续跟踪”连成一个工作流。
这套工作流首先要发现市场正在交易的主线：资金、产业趋势、基本面、价格和事件，是否共同指向某一方向；主线确定后，再理解具体资产为什么可能受益，其商业逻辑、项目逻辑和传导路径是什么；之后用独立数据补全证据链；最后将判断放进持续跟踪与复盘，而不是在一次输出后结束。
“它来自真实的研究工作流，不是为了展示 AI 而拼出来的流程。”Jack 说。
AI 不是买卖按钮，而是可复现的研究助理
TECHUB NEWS：能否用一个案例说明，系统如何在真实研究中发挥作用？
Jack：以 AI 和半导体主线为例，长期来看，它们仍可能是未来多年重要的产业方向；但这不意味着任何时候都应该无差别地追高。
他在访谈中回顾，以 AI 和半导体为例，长期产业逻辑依然很强，但长期看好并不意味着每一个时间点都适合配置。7 月和 8 月期间，半导体板块出现了比较明显的回撤和分化。系统识别到的变化，并不是简单地认为“AI 或半导体主线失效”，而是市场开始从此前相对广泛的上涨进入更明显的内部轮动和主线迁移。一方面，半导体内部不同细分方向和公司的表现开始明显分化；另一方面，医药、能源等方向在价格、资金和相对强弱上逐渐得到更多确认。公司和产业长期好不好，是一个问题；市场现在真正交易什么，是另外一个问题。
在 Jack 看来，关键不在于事后为行情编写解释，而在于这些信号在当时是否能够被稳定识别，并对接下来一至三个月提供有价值的判断。这样的模块也必须在持续实践中被修正和迭代。
这正是他为 AI 划定的角色边界：研究者负责定义问题、设计框架、沉淀行业 Know-how，并决定哪些信号值得被纳入系统；AI 负责按照这些定义执行信息处理、逻辑验证和持续更新。AI 可以扩大人的覆盖面、固定研究过程、保留当时可获得的数据与判断依据，但不能替代人承担投资决策。
“我现在更愿意把它定义为助理。”他说，“它让投研过程可以复现：不仅能看今天得到了什么结论，也能回看在当时的信息条件下，系统为什么会形成这样的推断。”
数据分层：先定义证据质量，再让 AI 推理
TECHUB NEWS：AI 系统如何避免被错误信息或单一信源带偏？
Jack：控制 AI 错误不能只从数据源开始，更上游的是问题定义。比如直接问“半导体行业哪家公司最好”，本身就是一个不够严谨的问题——最好是增长最快、技术壁垒最高、资本回报最好，还是当前最值得投资？不同的决策目标会得到完全不同的研究路径。因此，他把整个验证过程拆成五步：问题定义、推理链条、数据来源、交叉验证、反向证据。然后再进入一类、二类、三类数据。
他将监管披露、公司财报和业绩电话会，以及美联储、财政部门、统计部门等直接发布的数据，归为一类数据：这类信息可追溯、可信度最高，应成为推理的优先基础。Bloomberg、Wind 或优质财经媒体等可作为二类信息，用来补充和交叉比对；而社交媒体传闻、论坛讨论等三类数据，最多可作为线索，不应覆盖或替代一类证据。
这种分层并不意味着 AI 自动变得可靠，恰恰相反，它把“数据把关”的责任重新放回研究者手中。模型可以更高效地处理、整理和呈现来源，但哪些数据可用、哪些结论需要被反证，仍需要人来设定规则。
Jack 认为，一个能够被长期信任的 AI 投研系统，至少应满足四项标准：研究过程模块化而非直接输出黑箱结论；每个模块具备清晰的数据逻辑与证据链；结论可以交叉验证，并主动寻找反向证据；当新信息出现时，系统能够持续更新并接受复盘。
AI 带来知识平权，不等于认知平权
随着大模型降低资料获取与学习门槛，“AI 是否会让个人投资者拥有与机构相同的认知能力”成为市场热议的问题。Jack 的答案很明确：AI 可以带来知识平权，但不等于认知平权。
“我们今天可以借助 AI 更快接触顶尖课程、研究论文和专业概念，这当然是一种巨大的知识平权。” 他说，“大家拿到同样的数据、同样的工具，也不意味着会形成同样的投资判断。”
差异来自现实经验，也来自对问题的定义能力。即使拿到相同的数据、使用相同的模型，不同研究者对于产业、风险、验证路径和仓位管理的理解不同，输入系统的结构也会不同，最终结论甚至可能走向相反方向。
对 Jack 而言，真正难以复制的“Edge”并不是一段公开代码或一个看起来成熟的提示词，而是研究者在真实场景里不断发现问题、修正问题、迭代框架的能力。公开展示的选股逻辑往往只是系统的一个切面；如何更早识别尚未被充分定价的变化、如何识别反向风险，才更接近研究能力的核心。
先在自己身上验证，再考虑产品化
目前，这套系统仍处于持续打磨阶段。Jack 将其称为 OPC（One Person Company）式的实践：先服务于自己的研究，再在使用中验证它是否真正解决了投资决策中的现实问题。
考虑到投资是高决策成本、高风险成本的场景，他对商业化保持谨慎。后续规划是，在个人使用足够成熟的基础上，先进行小范围内测；只有当系统能够稳定帮助研究者降低真实痛点，才考虑进一步产品化、商业化，并开放给更多研究者或投资者。
参加 AI 投研精英孵化计划，也为这套系统提供了一个外部校验场。Jack 提到，导师和不同背景学员带来的追问，尤其是关于“这套投研系统的 Edge 到底在哪里”的问题，促使他重新审视产品的差异化与可迭代性。
独立研究最容易陷入路径依赖：一个人可以持续优化自己的流程，却未必意识到盲区。对他来说，孵化计划的价值正在于把隐性的经验拿到外部讨论中，接受质疑，再把反馈带回系统。
当越来越多的人把 AI 想象成一个更快给出答案的工具，Jack 的实践提供了另一种路径：与其追求一个“万能买卖按钮”，不如先建立一套能解释证据、容纳反证、持续更新且可以复盘的研究基础设施。
投资判断最终仍由人承担；但一套被认真设计的 AI 工作流，或许能让这个判断不再只依赖零散信息、即时情绪和难以复述的直觉。
编辑说明：本文根据 TECHUB NEWS 对 Jack 的访谈录音、会议纪要及采访提纲整理。文中关于其个人系统、研究方法、市场案例与后续计划，均以受访者访谈表述及提供资料为基础。文中涉及 AI、半导体、数字资产、美股及其他资产的讨论，仅用于说明研究框架与方法，不代表对任何具体标的、行业或市场走势的推荐、预测或保证。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议。证券、期货合约及虚拟资产价格可升可跌，过往表现不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
专访「AI 投研精英孵化计划」学员小花猫 —— AI 行情助手撰文：Alma Li，Techub News
导语：
从早年听说比特币挖矿、数次与机会擦肩而过，到 2017 年正式进入加密市场；从依赖经验判断周期，到尝试将链上成本、矿工成本、衍生品与市场情绪等信号结构化，小花猫正在搭建一套 AI 行情研究系统。
他不把系统定位为“买卖按钮”，而是希望它帮助使用者把分散信息转为可复盘的评分框架，在高波动市场中减少由不确定性带来的犹豫与恐惧。对他而言，AI 是提升效率和放大经验的工具，最终定义问题、理解风险并承担决策结果的，仍然是人。
核心观点：
“AI 不会替你承担风险，但它可以让你在做决定之前，知道自己究竟在依据什么。”
从早期接触到真正入场：不是先知先觉，而是认知发生变化
TECHUB NEWS：先请你介绍一下自己。你是什么时候开始接触比特币和 Web3 市场的？
小花猫：小花猫：我在上海，日常工作主要是做企业数字化系统落地，在制造工厂数字化系统方面做了十多年产品经理。比特币我接触得比较早，2011 年朋友就喊我去挖矿，但当时没有认真研究它的价值，所以错过了。其实更早在 2009 年前后，我在一些电脑杂志和海外论坛看到过相关讨论，不过当时也不太懂。
小花猫：2013 年那轮牛市，比特币涨到一千多美元，媒体报道很多；后来市场下跌，加上外部环境的影响，我也没有继续关注。直到 2015 年，一位大学同学问我数字货币该怎么买，我才开始认真查资料，研究比特币白皮书、运行机制和价值逻辑。真正进入行业是 2017 年。当时百度玩客云等硬件和挖矿话题很热，我本身学计算机，也喜欢折腾硬件，于是研究矿机、加入 QQ 群，慢慢真正进入这个市场。
TECHUB NEWS：从“知道比特币”到愿意把它作为长期研究对象，你的认知发生了什么变化？
小花猫：小花猫：早期大家很容易把它当成类似 Q 币的东西，觉得没有价值。那时中文资料很少，想研究要去海外论坛看英文资料；节点同步、钱包使用也比现在困难得多。很多人即使拿到比特币，也未必知道怎样保存。
小花猫：后来我逐渐理解，比特币不是突然出现的。此前加密朋克和数字货币领域已经做过很多探索，只是在密码学、基础设施等条件成熟，加上金融危机后的时代背景下，比特币才真正有机会跑出来。理解了这些历史与机制后，我才开始把它当作一个值得长期研究的方向。
TECHUB NEWS：2017 年入场后，你为什么没有选择高风险、高仓位的方式？
小花猫：小花猫：我个人的风险偏好比较保守。如果我觉得一项风险超过一半，通常就不愿意承担。所以我基本以 BTC、ETH 这类主流资产为主，山寨币会买一点，但更多是试错。
小花猫：我也有遗憾，比如 BNB 当时买得很低，但没有一直拿住。不过我不认为这意味着应该放弃风险控制。主流币未必带来最高收益，但相对稳妥。对我来说，先把自己留在市场里，比追求每一次最高收益更重要。
市场手感：长期靠认知，短期靠周期判断
TECHUB NEWS：你想把自己的市场经验转成 AI 行情系统。在你看来，所谓“市场手感”到底是什么？
小花猫：小花猫：要先区分长期投资和短期交易。长期投资的核心，是对资产价值的认可，以及使用闲钱。身边有朋友很早买入比特币，买完放进冷钱包多年不看，最后获得较高回报。要么是他对比特币有坚定信念，要么是这笔钱对他而言可以承受损失，不会因为短期波动被迫卖出。
小花猫：短期交易则不同，更多是对行情和周期的判断。比特币过去有比较明显的周期特征，投资者需要识别顶部、底部以及市场所处阶段。如果想做高抛低吸，但对周期的判断不够准确，很容易踏空，或在剧烈波动中被甩下车。
TECHUB NEWS：你怎么看近期热门的 Meme 币或高波动资产？AI 能否替投资者找到下一个机会？
小花猫：小花猫：我会把 Meme 币当作买彩票。市场里经常有谁赚了很多倍的故事，但这很容易产生幸存者偏差：那么多人参与，最后真正赚钱的可能只是少数。更不用说频繁交易中还有 Gas 费、平台费用等损耗。
小花猫：不能因为看到几个成功案例，就认为它是一条可以轻易复制的路径。投资一定要有自己的体系。我的观点一直是，财富是认知的变现。你在一个领域短期赚到钱，不代表能在另一个你不了解的市场继续赚；没有对应认知，可能又会把收益亏回去。
把经验做成系统：用评分对抗信息碎片和决策恐惧
TECHUB NEWS：为什么会想到做这套 AI 行情助手？它最想解决的是什么问题？
小花猫：小花猫：以前我判断周期行情，主要依赖自己的经验。但加密市场波动很大：今天你觉得像低点，买入后明天可能又跌 10%，或者突然出现黑天鹅。即使从指标上判断接近适合买入的位置，真要下重仓决策时，内心还是会恐惧。
小花猫：这种恐惧很大程度上来自信息没有被量化。过去我会在微信群、X 平台和不同网站上看数据，每个人都有自己擅长的指标，但信息很碎片，没办法综合判断，最后还是靠感觉。于是我想，如果把重要指标收集起来、设定权重、形成明确分数，至少能让判断更可量化，减少犹豫。它有点像一个帮助你下决心的工具或朋友，但不是替你做决定。
TECHUB NEWS：系统主要参考哪些数据？顶部与底部的判断是否使用同一套逻辑？
小花猫：小花猫：不是同一套。底部判断上，链上成本是一个比较核心的指标，矿工成本在过去几轮周期中也比较有效；200 周均线或周线等，也会给一定权重。顶部判断则更看衍生品数据和市场情绪。
小花猫：系统不是挑一个指标说了算，而是把多个指标合起来。权重也不是永远固定的：一个指标在过去有效，不代表在所有阶段都有同样的重要性，所以需要根据市场结构变化持续调整。
TECHUB NEWS：你如何设计系统的评分机制？
小花猫：小花猫：系统每天会打分，但不是简单用一个单向分数。我设计了“牛顶分”和“熊底分”，可以理解为看多和看空两组证据在博弈，像正方和反方同时提出依据。
小花猫：最后根据两组分数的差值，判断市场处于顶部偏向、底部偏向还是中性。这样系统不会因为一个指标强烈看多或看空，就直接给出绝对结论；当两边证据接近时，系统的“中性”状态本身也是一个结论，说明当前方向还不够明确。
市场结构变了：指标权重也要持续迭代
TECHUB NEWS：本轮市场机构化程度更高，宏观因素也更复杂。过去有效的周期指标，如何确认今天仍然适用？
小花猫：小花猫：不能说历史指标一定失效，也不能机械照搬。比如链上成本仍有参考意义，但判断低点本身不可能精确到某个绝对价格。若系统提示进入底部阶段，我认为更合适的做法通常是分批、定投，而不是试图一次性抄在最低点。
小花猫：矿工成本也是这样。过去它比较重要，但现在新增挖矿产出占整体市场的影响相对变小，权重就可以下调。同时，机构资金进场等变化，也需要被纳入新的权重体系。市场变了，系统的权重也要跟着变。
TECHUB NEWS：系统如何验证？目前得到的回测结果是什么？
小花猫：小花猫：我回测了 2018 年至今的数据。按系统自己的分类，底部偏向的判断准确率约为 90%，顶部偏向约为 70%。系统上线运行二十多天以来，也给出两次阶段性顶部和底部转向的判断，都命中了。
小花猫：但我要强调，这些是系统内部的历史回测和阶段性观察，不代表未来，也不是收益承诺。市场环境会变化，系统仍要持续迭代和验证。
TECHUB NEWS：置信度在系统里扮演什么角色？
小花猫：小花猫：我后来加入了置信度机制。多个指标产生共振时，系统的置信度会更高；如果指标之间没有形成共振，置信度就会下降。
小花猫：这不是说高置信度就必然正确，而是让使用者知道：当前结论背后的信号是否一致。它相当于又增加了一层辅助判断，提醒我们不要只看一个结果，也要看这个结果的证据基础。
AI 是放大器，不是替人拍板的机器
TECHUB NEWS：在受访当时，系统对于市场状态给出的结论是什么？
小花猫：小花猫：当时系统判断是中性，但顶部相关分数略高，属于中性里的偏顶部。此前市场处于约 82,000 美元附近时，系统曾显示偏顶部；随后下跌后，状态回到中性。
小花猫：对于具体点位，我只能说那是当时基于系统与个人观察的看法，不应被理解为投资建议。市场如果出现强烈宏观冲击或超级黑天鹅，走势可能完全改变。系统更重要的作用是识别阶段性倾向，而不是精确预测每一个价格。
TECHUB NEWS：系统使用的是付费数据还是免费数据？AI 在其中承担什么角色？
小花猫：小花猫：K 线等基础数据主要来自公开可获得的数据源，其他指标也通过公开网站信息获取。底层开发使用了 GPT、Codex 等 AI 工具。
小花猫：但我认为，AI 本身不是核心壁垒。大家可能用到相近的模型和数据，结果却不一样，区别在于你怎么定义问题、选择什么指标、如何设权重、怎样理解市场变化。AI 更像能力的放大器：它能提升开发和迭代效率，但不能自动替你形成正确的投研逻辑。
TECHUB NEWS：这套系统未来会直接面向个人投资者开放吗？
小花猫：小花猫：目前我更倾向于先自用或和机构合作。个人投资者的认知、风险承受能力和使用方式差异很大。如果把系统简单包装成买卖信号，很容易被误用。
小花猫：按系统的回测和策略设想，如果一年能捕捉到若干阶段性波段，可能有约 20% 至 30% 的年化目标区间；但这只是内部回测和策略设想，不是实际业绩，也不构成任何投资建议。商业化之前，更重要的是继续验证系统、明确适用边界，并把风控放在前面。
从孵化营到产品落地：不要只留下 PPT
TECHUB NEWS：AI 投研精英孵化计划给你带来了什么收获？
小花猫：小花猫：孵化营让我重新关注数据可靠性、未来函数和验证方法的问题。做投研系统不能只看回测曲线是否漂亮，也要确认有没有使用当时不可能获得的未来数据，数据质量如何，市场结构改变后策略是否仍然有效。
小花猫：从开发效率上，AI 工具确实帮助我快速做出很多系统和原型。但我更看重把它们真正做成可以验证、可以迭代、可以商业化的作品。
TECHUB NEWS：你对后续孵化营有什么建议？
小花猫：小花猫：我觉得最重要的是鼓励大家真正把项目做出来。很多项目容易停留在 PPT 或概念阶段，但只有进入真实使用场景，才会遇到数据、逻辑、用户体验和风险控制的问题，才有机会不断迭代。
小花猫：另外，AI 应用也不应该只集中在金融。制造业、医疗和企业数字化等传统行业同样有很多值得做的场景。希望之后可以有更多跨行业的项目和讨论。
编辑说明：本文根据 TECHUB NEWS 对小花猫的访谈录音、会议纪要及时间轴文本整理，有删节。文中关于其个人经历、系统功能、数据来源、回测表现、市场判断和商业化计划，均以受访者访谈表述及提供资料为基础；其中涉及历史回测、准确率、目标收益区间和市场观点的内容，尚未经独立第三方审计、验证或复核。
免责声明：本文仅作信息交流与研究方法讨论，不构成任何投资建议、投资招揽或对任何资产的买卖推荐。证券、期货合约及虚拟资产价格可升可跌，虚拟资产属高风险投资，投资者可能损失部分或全部本金。过往表现、历史回测及受访者观点不代表未来结果。读者不应仅依赖本文内容作出投资决策，并应根据自身投资目标、财务状况及风险承受能力审慎评估，必要时咨询独立专业意见。
2026 AI Builders Day 上海站：从实践落地到终局推演链接算力、应用与 AI 未来
2026 年 9 月 21 日 · 上海国投大厦
6Block × Techub News
当 AI 从技术热潮走向真实应用，算力能否高效供给、工具是否足够易用、创意如何真正变成作品，正在成为每一位 AI Builder 面前的实际问题。
9 月 21 日，由 6Block 发起、Techub News 联合主办的「AI Builders Day」将在上海举行。活动将把算力基础设施、AI 创意应用、现场实操与行业思辨集中在同一个下午，邀请开发者、创业者、投资人及产业伙伴一起聊趋势，也一起解决实践中的具体问题。
这里不只谈 AI 的未来，也关注今天可以如何参与、如何构建，以及如何把一次灵感继续推进。
五个值得到场的理由
看懂 AI 背后的算力底座
从算力供给、模型托管到推理调用，理解 AI 应用如何获得更开放的基础设施支持，并观察算力网络与实际需求之间的连接方式。
让创意应用真正动起来
通过案例与现场实操，观察 AI 如何参与视频等内容生产流程，也为音乐及更多创意工具与平台的交流合作打开空间。
专业嘉宾汇聚，分享真知灼见
活动将邀请 AI 基础设施、算力、创意应用及 Web3 等相关领域的专业嘉宾，结合一线经验分享判断、方法与实践洞察；嘉宾阵容将陆续公布。
把 AGI、算力与去中心化放在同一张桌上
主题圆桌「AI 的尽头——AGI、算力与去中心化的终局之战」将汇集不同视角，讨论 AI 能力持续扩展之后，算力供给、开放协作与去中心化网络可能扮演的角色。
不只听分享，更能现场上手与连接
实操教学、案例分享与现场 Q&A 将带来可尝试的方法；活动尾声的茶歇与自由交流，也让参与者有机会认识正在建设产品、提供算力和推动应用落地的同路人。
AI 推理大礼包与现场抽奖
活动尾声：16:50-17:00
抽奖、茶歇与自由交流环节将送出 AI 推理大礼包等福利。无论你准备体验新的模型能力，还是推进下一次 AI 创作与开发，都可以把这份算力支持带回去继续实践。
活动议程
时间
议程
13:30-14:00
签到入场
14:00-14:10
主持人开场介绍
14:10-14:40
主旨演讲
14:40-15:20
AI 视频创作新范式：从灵光一现到完整短片
15:20-16:20
圆桌讨论：AI 的尽头——AGI、算力与去中心化的终局之战
16:20-16:50
手把手实操教学、案例分享与 Q&A
16:50-17:00
抽奖、茶歇与自由交流
适合参与的人群
本次活动预计汇聚约 100 位来自技术、产业及资本领域的参与者，适合：
AI、Web3 与算力基础设施开发者
AI 产品及应用创业者
模型、推理与算力服务团队
投资机构及产业合作伙伴
关注 AI 视频创作与实际应用的从业者
高校开发者与区块链社群成员
主办及合作机构
主办方：6Block
联合主办：Techub News
战略合作伙伴：OpenBuild
媒体支持：PANews、Odaily
社区支持：复旦大学区块链协会、Gonka、华东政法大学区块链协会、TinTinLand、Gonkarouter、NODE-X、Craftale
关于Gonka
Gonka 是面向高效 AI 计算的去中心化网络，连接开发者与 GPU 算力提供者。开发者可通过 gonkarouter.io 调用兼容 OpenAI 和 Anthropic 的 API 进行推理工作，硬件提供者则可通过贡献算力获得奖励。当前支持 DeepSeek V4、MiniMax M2.7和 Kimi K2.6 等大语言模型。
了解 Gonka：官网 · 官方 X · TG 社区
关于Craftale
Craftale 聚焦 AI 视频创作实践，探索如何借助 AI 将创意灵感推进至完整短片。本次活动中，Craftale 将围绕「AI 视频创作新范式：从灵光一现到完整短片」，结合案例与现场实操，拆解从构思、生成到成片的实践路径。
了解 Craftale：官网
活动信息
日期：2026 年 9 月 21 日
时间：13:30-17:00
地点：上海市虹口区东大名路 638 号国投大厦 15 楼多功能厅
规模：约100 位线下参与者
席位有限，欢迎提前报名，与 AI、算力及 Web3 领域的建设者一起交流、学习和连接。
报名链接：前往 Luma 活动报名页
GWDC 2026 KOREA · Hackathon 全球招募开启：$100K 现金与生态资源护航，全球 Builder 齐聚首尔共建 AI × Web3Web3Labs 携手全球商业伙伴、行业媒体、社区与高校生态，面向全球 Builder 持续开放项目提交，9 月底首尔另设 48 小时线下决赛
关于GWDC
GWDC（Global Web3 Developer Conference）作为全球顶尖的技术盛会，始终致力于连接全球开发者、技术领袖与创新企业，通过深度整合产业生态，全面推动前沿技术的跨界交流与创新实践。
本届大会由 Web3Labs 主办，Techub News、Hypai Labs 及 TokenPost 联合主办，将于 9 月 28 日至 30 日在韩国首尔 aT Center 举行。大会预计吸引 8,000+ 参会嘉宾、500+ 核心开发者、近百家参展商及 100+ 投资机构，旨在共建万人级 AI × Web3 交流平台。
顶级政商及行业领袖
GWDC 2026 KOREA 已成功汇聚 “政、产、融、研” 重量级嘉宾。截至目前，韩国副总理兼财政部长具润哲（Koo Yun-cheol）、韩国国会议员闵炳德（Min Byoung-dug）、香港立法会议员吴杰庄（Johnny Ng）、亚洲经济发展委员会主席尹锡宪（Suk-hun Yoon）等政界及金融领域重要嘉宾已确认出席，共话全球数字经济发展、合规治理与技术创新。
此外，大会还将汇聚 Web3Labs CEO 黄俊瑯（Caspar Wong）、Bithumb CEO Lee Jae-won、NAVER 创始人及 Happybean Foundation 主席 Kwon Hyuk-il、TRON 创始人孙宇晨（Justin Sun）、Kakao Pay CEO Shin Won-geun、Microsoft 大中华区数字业务副总经理 Ryan Li、Animoca Brands 集团总裁 Evan Auyang、YZi Labs 管理合伙人兼负责人 Ella Zhang、Nano Labs 创始人兼董事长 Jack Kong 等行业及机构代表，共同探讨 Web3 与 AI 的融合发展及前沿技术的产业落地。
关于GWDC · Hackathon
作为大会核心环节的 GWDC 2026 KOREA·黑客松，秉承“For Builders, By Builders”的极客精神，目前已正式面向全球 Builder 开启项目招募。
本届黑客松将围绕最多 5 条生态公链展开，奖池总额将超过 $100,000 USD，截至目前，本届黑客松已获 TRON 加持，并携手全球顶级云服务商 Microsoft 提供强大的算力与云端资源支撑，全方位赋能参赛团队的开发、测试与部署。项目招募持续开放，诚邀各阶段团队踊跃参与。
此外，本届黑客松将于首尔另设 48 小时线下决赛。所有团队均可赴首尔参与现场角逐，在极限开发与优化中，与全球开发者、顶级投资人及行业领袖深度交流碰撞，并于现场见证获奖名单揭晓，解锁更多生态合作与品牌曝光机会。
一、GWDC 2026 KOREA·Hackathon 基本信息介绍
时间：2026年9月28日 - 30日
地点：首尔·aT Center
形式：线下 Coding + Demo Day
奖金：50K USD + 价值50K USD生态资源支持
二、黑客松赛程安排：48小时极限挑战
本届黑客松分为线上报名与线下现场开发及决赛两个阶段，以下时间均为韩国标准时间（KST），请参赛团队提前关注相关时间节点：
线上团队报名 8 月 25 日 – 9 月 25 日
团队自行组队及报名
线下现场阶段 9 月 28 日 17:00–20:00
黑客松现场启动
公链生态及技术负责人进行项目介绍、技术分享与生态任务交流
开发者大礼包领取
9 月 28 日 20:00 – 9 月 30 日 11:00｜现场 Coding
参赛团队围绕生态挑战进行项目开发、技术优化与产品完善。
9 月 30 日 12:00 前
项目提交
9 月 30 日 15:00–17:00
Innovation Stage 项目展示 & 颁奖仪式
评审与项目展示
本届黑客松将邀请参与生态公链的 CXO、技术及生态负责人，以及行业头部 VC 担任评委，对参赛项目进行现场评审。优秀团队将获得 Innovation Stage 现场展示机会，并有机会与行业投资机构及生态伙伴进行深入交流，拓展后续投资与生态合作机会。
三、参赛权益与生态支持
· $50K USD 现金奖励 + $50K USD 生态资源支持
优胜项目可获得最高 $50,000 USD 现金奖励及价值最高 $50,000 USD 的生态资源支持。
· Microsoft Azure Credits 支持
符合条件的项目可获得 Microsoft 最长 6 个月的免费云服务 Credits，为项目开发、测试及部署提供云端资源支持。
· Web3Labs 全球加速机会
获胜项目将优先进入 Web3Labs 2026 全球加速计划及孵化项目储备库，获得后续项目发展与生态支持机会。
· 行业资源与投资对接
与行业资深从业者、头部企业及一线 VC 进行交流，拓展投资、生态合作及行业资源。
· 全球媒体与市场曝光
优胜项目将获得持续的媒体报道与市场推广支持，通过全球媒体及社区渠道提升项目曝光度与行业影响力。
四、GWDC 2026 KOREA Hackathon 参赛要求
· GitHub 开源代码仓库：参赛项目须提交可公开访问的 GitHub 代码仓库。
· Demo 视频：须提交项目 Demo 视频，时长不超过 3 分钟。
· Pitch Deck：提交完整项目介绍及 Pitch Deck。
· 现场展示：入围决赛的团队须在 Innovation Stage 进行项目现场展示。
· 团队规模：每支参赛团队最多 5 人。
参赛团队可根据自身情况选择线上参与或前往首尔参加现场环节。最终项目提交须包含以上全部材料，并按照赛事时间节点完成提交。
五、GWDC 2026 KOREA · Hackathon 报名通道
黑客松详情及赛道：www.gwdc.net/hackathon.html
开发者报名：https://forms.gle/vQRpYf9T7mwZBEPX9
官方 TG 社群：https://t.me/GWDC_Global
请选择您团队的报名通道，如未加入合作高校/社区通道，可选择其他。具体赛道与任务详情将于 9 月中旬公布。
全球矩阵伙伴与协作网络
目前，GWDC 2026 KOREA 已联动全球多地的头部行业品牌、媒体、AI 与 Web3 社区，以及知名高校链协。通过品牌资源共建、媒体矩阵报道、社区联合传播及高校生态资源整合，为本次万人级大会及黑客松赛事提供全方位的宣发支持与全球推广网络。
技术创新不止于代码，更在于将新的想法真正带入现实。GWDC 2026 KOREA Hackathon 希望为全球 Builder 提供一个开放的创作与交流平台，让更多创新想法被看见、被实践，并连接更多真实的应用场景。
期待与全球 Builder 相聚首尔，用代码，让世界重新有趣。Nansen 推出 Meridian 开发者挑战赛，提供 1000 次 API 调用奖励Techub News 消息，链上数据分析平台 Nansen 在 X 平台宣布推出 Meridian 开发者挑战赛。活动时间为 9 月 14 日至 27 日，参与者需在此期间完成 1000 次 API 调用，并将演示项目发布在 X 平台和公开的 GitHub 仓库中并标记 @nansen_ai，同时通过 Nansen 邮箱提交。未完成的提交将无法获得奖励。
（@nansen_ai）Aave 拟推 V4 RWA Hub 支持机构 RWA 借贷Techub News 消息，DeFi 协议 Aave 创始人 Stani Kulechov 在 Avalanche Summit 上透露，Aave V4 将推出 RWA Hub，部署于 Avalanche 网络，允许机构以现实世界资产作为抵押品进行借贷。
Aave 是 DeFi 领域头部借贷协议，总锁仓价值长期位居前列。此次 RWA Hub 的推出标志着 Aave 进一步拓展机构级金融服务，将链下传统资产与链上 DeFi 流动性连接，此前已有多个协议探索 RWA 代币化赛道。（CoinDesk）孙宇晨推出 Justin Sun Prize 学术奖励计划，激励数学突破研究Techub News 消息，波场创始人孙宇晨在 X 平台宣布推出 Justin Sun Prize 学术奖励计划。该计划旨在奖励数学领域的突破性研究，参与者需解决符合条件的数学问题，并使用 Lean 语言将成果形式化，通过该计划的开源 GitHub 仓库提交机器可验证的证明。
该计划已列出五个待解决的数学问题，具体细节与提交指南可在其官网查看。孙宇晨表示，此举旨在推动数学研究的开源协作与形式化验证发展。（@justinsuntron）Techub News 正式上线 AI 问答：一键获取 Web3 实时资讯与市场解读Techub News 今日正式上线 AI 问答 功能，进一步升级 Web3 内容服务体验。
用户在阅读新闻、浏览行情或追踪热点事件时，可直接通过页面内的 AI 问答入口提出问题，快速获取与加密市场、区块链行业、项目动态及政策趋势相关的信息参考。功能支持结合实时资讯与市场数据进行回答，例如“Clarity Act 法案的影响”，以及相关新闻背景解读。
AI 问答旨在降低信息获取门槛，让用户从“阅读资讯”进一步进入“理解资讯、追踪变化与探索问题”的体验。该功能现已在 Techub News 上线，欢迎用户体验。
（网页端预览）
（移动端预览）智谱 AI 重返港股市场，完成 40 亿美元大规模配售Techub News 消息，智谱 AI 在锁定期结束后重返香港股票市场，通过大规模配售筹集了 40 亿美元资金。此次大规模融资突显了香港在中国科技公司中的枢纽地位日益增强，这得益于有利的政策和市场动态。（Crypto Briefing）Morpho Midnight 发布 GitHub 审计报告，未发现严重漏洞Techub News 消息，DeFi 借贷协议 Morpho Midnight 在 GitHub 上发布了其智能合约的审计报告。报告显示，该协议未发现任何严重级别的安全漏洞。
Morpho Midnight 是一种旨在提供固定利率借贷产品的新型协议。此次干净的审计结果被认为有助于增强市场对其安全性的信心，并可能推动 DeFi 领域向固定利率产品加速转型。 （Crypto Briefing）IREN 2GW 德州数据中心获 ERCOT 基荷认证Techub News 消息，纳斯达克上市公司 IREN 旗下 2GW Sweetwater Hub 数据中心项目在 ERCOT（德州电力可靠性委员会）Batch Zero 并网筛选流程中获得基荷（Base Load）条件性认证，该项目由此被视为真实电力需求而非投机性申请。
Sweetwater Hub 位于西德州，由 Sweetwater 1（1,400 MW）和 Sweetwater 2（600 MW）组成。其中 Sweetwater 1 的高压变电站已于 2026 年 5 月 1 日通电，首期 300 MW 数据中心容量预计 2027 年第四季度上线。IREN 原为比特币矿企，现正转型大规模数据中心开发，全球总装机容量已超 5 GW。ERCOT 推出 Batch Zero 框架旨在应对 AI 基础设施热潮下数百吉瓦的并网申请积压，通过批量评估 credible 项目缓解电网接入拥堵。（CryptoBriefing）GitHub 发布 HydraFusion AI 编程路由工具，号称前沿质量Techub News 消息，GitHub 发布名为 HydraFusion 的 AI 编程路由工具，号称具备前沿质量。该工具旨在通过优化模型选择来重塑 AI 编程，或将迫使竞争对手提升效率或证明其成本合理性。
（Crypto Briefing）Gemini 交易所发布公开 TypeScript SDK，简化开发者集成流程Techub News 消息，加密货币交易所 Gemini 发布公开的 TypeScript SDK。该 SDK 旨在简化开发者集成流程，已封装身份验证、重试、重连及订单簿逻辑等底层功能，开发者无需从零开始构建客户端。
开发者可通过 NPM 和 GitHub 获取该 SDK 并立即使用。 （@tyler）MirroS 发布 Code-as-World 框架，可将视频转换为可执行的物理模拟程序Techub News 消息，AI 研究机构 MirroS 发布 Code-as-World 框架，这是一种将物理世界表示为可执行世界表征的新范式。该框架将视频场景转换为可由 MuJoCo 物理引擎运行的代码，形成一个包含物体组成、物理演化和视觉外观的三元组，从而实现对物理机制的精确表征。
该框架采用一个智能体循环，通过提出假设、实例化、执行、渲染和验证等步骤，最多经过五轮迭代，从真实视频素材中恢复出可执行程序。这些经过验证的世界程序可作为带有精确物理标签的训练数据，用于训练视觉语言模型。
基于此监督训练得到的 Code-as-World-VL-9B 模型在 QuantiPhy 验证集上取得了 55.4 MRA 的分数，超过了 Gemini 3.1 Flash 的 54.8 分。MirroS 已在 GitHub 上开源了相关代码库和模型检查点。 （MarkTechPost）