他描绘下一步：从「来回聊天的 agent」走到「在后台拉起、替你完成有用工作的 agent」，token 消耗可能是今天的 100 倍乃至 1000 倍。当下多数知识工作仍被信息吞吐卡住——跨系统搬数据、审文档、扫代码安全、翻日志找异常、查潜在客户——AI 已加速单点任务，但人仍在回路里，并行度受自身带宽与上下文限制。
下一阶段是把越来越难的问题交给 agent，再同时派多个 agent 拆任务，最终接近「丢进任意数量的 agent，目标达成再回来」。这些 swarm 会由人、工作流、触发器与其他 agent 部署，多数是净新增工作而非替代；前提是模型继续变强、成本可负担，再往后瓶颈是算力。
他盛赞 Meta 发布 Muse 开源权重模型：对企业是大事——可把前沿性能留给编排与高难任务，把低成本、可定制的后训练模型留给可重复工作流，进一步加速 AI 扩散，并推高整条栈上的 token 与工作负载。
他写：过去几年 Claude 在 prompt injection 上进展显著；随着 agent 做更多事，全行业必须尽快解决。Anthropic 与 Gray Swan 合作举办竞赛，欢迎研究者来找漏洞。
他纠正一种浅定义：Taste 不等于审美品味——那是最浅、也最常见的用法，因此乏味。真正的 taste 应落在更深的判断力上。
他用一段《心灵捕手》式独白嘲讽可解释性叙事：读完 polysemanticity 就以为 interpretability = 解开 superposition；下学期发现点亮埃菲尔铁塔的神经元，又以为「知道它在想法国」就能对齐超级智能——其实认出铁塔并不告诉你它在计划什么。
他力挺 SPC 投资组合里的 Goodfire：证明可解释性与对齐可以当成工程问题来推进，而不仅是哲学讨论。
她介绍个人 agent 工程套件 pstack：面向严谨、偏自主的 agent 工程，并持续调参与简化。十秒上手：① 跑 /setup-pstack 并选预算；② 在任意想加严的 prompt 前加 /poteto-mode。引用 Taylor Otwell「pstack is the new solid」的评价。
她引用 Ezra Klein：「永远不要低估受众的智力，也永远不要高估他们的先验知识。」另做了一份哈利波特风格动态报纸 The Toddler Times，图片可「活」起来。
核心观点：TypeSafe CEO Diogo Almeida 谈 Jev——面向软件、做决策而非吐长文的「machine-native」模型。有人嫌它「只是分类器」；他认为通用分类 / 校验是 AI-complete 的另一形态智能，可嵌进软件各层，而不是侧边聊天框里的主角。
他强调未来关键指标是 intelligence per dollar（每美元智能），而非只追 intelligence per second：当智能便宜几个数量级，人们会去做过去因太贵而不值得做的应用，这才是「Jevolution」停不下来的原因。开场金句是模型常像「95% Einstein、5% Mr. Bean」——若不标明何时是 Bean，就无法放心自动化。
训练上他们提出为 machine-native 优化的 RLCD；对 Sutton「苦涩教训」的回应是：在真实世界里任务形状与数据先于盲目堆算力——「你优化什么就得到什么」。口号 Build prod, not God：少在数据中心里造神，多解决真实自动化。复制品若只抄界面而错过智能形态，就抓不住难点。