Anthropic Claude Code 负责人 Boris Cherny
很多人惊讶于他给 Claude 写 prompt 的方式竟然这么随意，他的回应是：像跟同事说话一样跟 Claude 说话就好，prompt 没有什么秘诀，大多数任务不需要过度搭脚手架或写得特别规定死。Sonnet 3.5 那个年代 prompt 写法影响很大，现在更重要的是讲清楚三件事：你要它做什么、希望它花多少力气、它该怎么验证自己做对了。他还附上了自己真实用过的 prompt 作为例子。
很多人惊讶于他给 Claude 写 prompt 的方式竟然这么随意，他的回应是：像跟同事说话一样跟 Claude 说话就好，prompt 没有什么秘诀，大多数任务不需要过度搭脚手架或写得特别规定死。Sonnet 3.5 那个年代 prompt 写法影响很大，现在更重要的是讲清楚三件事：你要它做什么、希望它花多少力气、它该怎么验证自己做对了。他还附上了自己真实用过的 prompt 作为例子。
他认为 Claude 会越来越多地把「大脑」放在云端，再给它一双「本地的手」去操作你的电脑，这一点他在 Latent Space 播客上也聊过。原推
他也坦白这里有不少棘手的技术问题：如果 Claude 只能在你电脑在线时访问文件，电脑一关机它可能就卡住干不了活，所以也许需要某种同步机制，但同步本身又有很多边界情况。原推
另外一条获得 4000 多赞的观点：在更高的抽象层工作，一直都要求你理解底下那几层，他不认为 coding agent 会改变这一点。原推
大胆判断：AI 驱动的逆向工程和反编译进展快得离谱，很快所有软件实际上都会变成开源的。「AI 正在冲向一切、冲向每一个人。」
他认为网络安全会是未来几年 AI 最具决定性的领域之一。vibe coding 带来的漏洞、agent 发起的攻击，甚至意外失控、四处搜刮数据的 agent 集群，都会给安全团队带来全新量级的工作，而 OpenAI 和 Hugging Face 这件事只是预演。安全团队本来就是企业里资源最紧张的部门之一，压力只会更大；反过来 agent 也会成为解法，保护代码、企业系统、关键基础设施和数据的新型 agent 产品会大量出现。他的结论是：现在是做安全的好时候，会用 agent 做安全的人才市场会非常火。
Every 团队尽可能把工作都交给 agent 来跑。为了在新模型发布时让全公司共享 skills，他们在 Claude Managed Agents 上做了一个公司级 agent，所有人都在 Slack 里用；内部用开之后，又把它开放给了订阅用户。Dan Shipper 说没有 Claude Managed Agents 他们做不出这个 agent，并和 Willie Williams 一起录了完整对谈讲怎么做出来的。
现在在 Claude 里贴一个 Google 文件链接，或者让它新建文档、表格或幻灯片，文件会在对话旁边打开，你和 Claude 可以一起编辑。访问权限跟随你的 Google 共享设置。目前在所有付费方案中以 beta 形式提供。
他说今天发布了四项被评为「不错到很棒」的东西，外加一些数学证明，但社区投票结果很明确，要求 reset。他自己核算过，发现这个游戏的规则似乎天生偏向 reset，不过规则就是规则，所以 reset 已经执行。他补充说这些改进不会被撤回，「鱼和熊掌可以兼得」，明天 Day 3 见。
在今天的发布里，他最喜欢的是基于蒙版（mask）的编辑功能，并预告还有更多东西马上要来。
转发一个新功能时评论说：「思考，快与（不那么慢的）稍慢」，也就是在置信度低于某个阈值时让 AI 多想一会儿。他认为这个很简单的功能，会对大规模的 AI 决策产生非常大的影响。原推
另外一句玩笑话收获 5000 多赞：照这个速度，AI 会比 GTA 6 先给我们做出 GTA 7。原推
他把团队的 claw（OpenClaw agent）接到了 X 上，用来更快地触发工作。没人认领的会话任何人都能接；agent 会查是谁最近改过相关代码，然后在团队服务器上提醒对应的人。整套东西只靠一个 prompt 搭起来，而且因为插件现在支持热重载，团队服务器是自己把自己扩展出来的。
他批评太多 VC 在追逐多巴胺，或者故意激怒别人来换取 X 上的流量。X 不适合讲细微差别，话一出口就很难收回，这些人没意识到这正在毁掉自己的长期品牌，而且受伤更多的往往是他们手下的人：他就知道有两个人因为 X 上的争吵，丢掉了原本已经谈妥的交易。资本本身已经是商品，基金又那么多，愿意玩长期游戏的人却很少。
核心观点：当所有人都用同样的前沿模型时，模型只决定了下限；真正拉开差距的是谁能把模型针对自己的数据和工作负载做 post-training，而推理量最大的地方，正是最值得先训练的地方。
嘉宾是 Applied Compute CEO Yash Patil，曾是 OpenAI 研究员、参与过 Codex，主持人是 Redpoint 的 Jacob Effron。Applied Compute 成立 16 个月，帮企业训练并部署自己的模型。他眼中的「拥有自己的智能」，重点不是担心实验室偷数据，而是灵活性和控制权：模型跑在哪、怎么部署、优化成本还是延迟。他也提醒，模型被从产品里撤掉的事在编程领域已经发生过不止一次，实验室进入垂直赛道后，未必会一直服务正在和自己竞争的公司。
几个比较反直觉的点。第一，RL 本质上是一台「爬山机器」，最难的是定义要爬哪座山，所以企业自己的 evals 要像员工一样被保护起来，因为任何公开的 benchmark 最终都会被别人刷。第二，非可验证领域其实没那么难，用专家答案做 rubric 打分就是不错的替代信号，这也意味着不同公司的专家会训练出截然不同的模型。第三，RL 的泛化远不如预训练，在数学上训练对法律任务几乎没有迁移。第四，他过去一年最低估的是 Jevons 悖论：OpenRouter 上模型一降价，用量就暴涨，大家对成本的在意程度超过了对能力的在意。
他还说推理服务其实是相对容易的那一半：有 GPU、装上 vLLM、挂到 OpenRouter，就「差不多」有了生产级服务。真正的护城河在训练与推理的联合优化，比如把模型训练得更省 token，在 eval 不掉分的情况下直接降低账单。他押注会出现一个新的 AI 超大规模云厂商，就像 AWS、GCP、Azure 建立在 CPU 上那样建立在 GPU 上，形态是一个倒金字塔：最底层是很少人能做的训练，往上依次是推理、路由，以及 context 和 harness。
最值得记住的一句：「如果我能比竞争对手便宜 10 倍做成一件事，这就是差异化，我就能在竞争中赢下他们。」（"If I can do something 10x cheaper than my competitor, that is differentiation."）