本周反复出现的一个词，是基建。
AlphaGo 问世 10 年，Demis Hassabis 回顾了从围棋到蛋白质折叠、数学证明的演化路径。他给出的判断很明确：Gemini 的多模态感知能力，正在和 AlphaGo 那套逻辑规划能力靠近。AI 的角色，也在从工具走向协同科学家。应用层另一边，OpenClaw 已经超越 React，成为 GitHub 历史上 Star 最多的项目。它不只是一个开源工具，更像一套正在下沉的 Agent 基础设施。
从个人开发者的六层架构治理，到企业级 Code Review 的三代演进，再到黄仁勋提出的 AI 五层蛋糕，这期内容其实都在回答同一个问题：当 AI 编程能力慢慢变成标配，真正拉开差距的，往往是你搭了什么样的基建。
这周我也一直在折腾这件事。我把主要精力放在用 Skills 搭建个人内容工作流上，试着把内容输入、整理、深度阅读、基于个人画像的创作、多平台发布和数据分析串成一条链路。系统还在调，但我已经很明显地感受到，一旦工具开始互相配合，事情就不一样了。这也是我读完这期后最强烈的共鸣。
十年之后，AGI 的方向越来越清晰
本周有一篇文章我反复读了两遍。
Google DeepMind 创始人 Demis Hassabis 亲笔回顾了 AlphaGo 十年。他没有只停留在那枚传奇的 Move 37，而是把重点放回到一套通用的搜索与推理方法。这套方法后来进入 AlphaFold，去解决困扰生物学家 50 年的蛋白质折叠问题；进入 AlphaProof，帮 AI 拿到国际数学奥林匹克银牌和金牌水平的成绩；也进入 AlphaEvolve，找到了比人类方案更优的矩阵乘法算法。
让我反复回看的，不只是这些结果，而是里面那个很稳定的模式：同一套底层方法，能在完全不同的领域里继续奏效。围棋、蛋白质折叠、数学证明、算法发现，看起来差得很远，但背后都离不开搜索与推理。这不是一堆专用系统碰巧拼在一起，而是一套通用方法在不同场景里的迁移。
Demis 对 AGI 的判断也讲得很直白：未来的 AI，不会是多模态感知和逻辑规划各走各的，而是两条线慢慢汇合。Gemini 负责理解世界，AlphaGo 代表在世界中规划和行动的能力。两者一旦结合，AI 的角色就会从回答问题的工具，变成能参与科学探索的协作系统。对我来说，这篇文章最有价值的地方正在这里。它不是在空谈远景，而是在给出一条已经能看到前后脉络的路线。
模型层这周也很热闹。Gemini Embedding 2 是 Google 发布的首个原生多模态嵌入模型，把文本、图像、音频、视频和文档统一到同一个向量空间，支持 100 多种语言，还支持 MRL 灵活维度压缩，可以在精度和存储之间动态取舍。对正在搭建多模态 RAG 系统的团队来说，这是个很实用的底层升级。
NVIDIA Nemotron 3 Super 则瞄准了另一个缺口：专门为智能体推理优化的开源基础模型。120B 参数、1M 超长上下文、Mamba-Transformer 混合架构带来 5 倍吞吐量提升，对需要在本地运行复杂多 Agent 任务的团队，是个值得关注的选择。
两项面向 Agent 的组件研究也很值得收藏。通义实验室开源的 Mobile-Agent-v3.5 通过混合数据飞轮与强化学习，首次在桌面、移动和浏览器三个平台上统一了 GUI 自动化能力，在 20 多个基准上达到开源最优。微软研究院的 PlugMem 则解决了长会话 Agent 的一个老问题：记忆臃肿。它把 Agent 的交互历史提炼成结构化事实和可复用技能，用更少的 Token 保留更有用的决策信息。
这两项工作让我更强烈地感觉到，Agent 基础设施正在变成熟。它不再只是大模型能力的展示，而是开始变成能被真实工程复用的组件。
解构智能体：一理一实
本周有两篇内容放在一起读，特别有意思。一篇讲原理，一篇讲实战。
李宏毅教授的解剖小龙虾视频是本周我最推荐的学习资源之一。他把 AI Agent 讲得非常清楚，核心观点也很直接：Agent 不是什么神秘概念，本质上就是一套由系统提示词、工具调用、记忆机制和 Sub-Agent 协作拼起来的系统。
他把 Agent 的运作拆成四个层次。第一层是身份认知：系统提示词决定了 Agent 是谁、能做什么、边界在哪里。第二层是记忆管理：RAG 检索外部知识，对话压缩突破上下文上限，让 Agent 能持续处理长任务。第三层是持续运行：心跳机制让 Agent 保持 24 小时自主运行，不依赖人工触发。第四层是任务分解：Sub-Agent 在隔离沙箱里并行处理独立子任务，主 Agent 负责协调和整合。
这四层叠起来，就构成了 OpenClaw 这类系统的运作逻辑。这个视频最有价值的地方，是它先帮你建立心智模型，再去谈具体工具怎么用。现在关于 Agent 的讨论已经很多了，很多人真正缺的不是更多技巧，而是一张能看清全局的地图。
腾讯技术工程的 OpenClaw 实战指南则提供了从地图到现场的路径。文章从硬件选型讲到多 Agent 协同架构，展示了每日论文抓取、ComfyUI 图像生成等真实落地案例，也给了一个很实用的安全提醒：越追求高自动化，越要按数据全开的最坏情况来估算风险，边界先设好，再放行。
两篇放在一起看，是理解 OpenClaw 体系很好的入口。前者帮你建立框架，后者告诉你怎么落地。
Claude Code 工程的系统化进阶
本周关于 Claude Code 工程实践的内容密度很高，我挑几篇真正有系统性的。
Tw93 深度使用 Claude Code 半年后写出的这篇分析，是我目前见过对 Claude Code 拆解最系统的中文文章之一。他把整套系统分成六层：CLAUDE.md 定义长期上下文，Tools/MCP 提供动作能力，Skills 注入按需工作流，Hooks 做强制拦截，Subagents 负责隔离执行，Verifiers 完成验证闭环。核心洞察是，Agent 的失控往往不来自模型能力不足，而来自上下文污染、工具冗余和缺乏确定性约束。
这个框架里有几个细节值得展开。Hooks 是强制拦截层，在 AI 执行动作之前插入确定性检查，相当于给 Agent 装了个安全阀。不管模型多强，有些操作就是不能绕过人工确认。Verifiers 是验证闭环层，让 AI 不只是执行，还要验证自己的执行结果是否达标。这两层合在一起，解决了 Agent 系统里最难处理的两个问题：越权和自欺。
他的另一个判断我也很认同：上下文工程比提示词工程更重要。好的 CLAUDE.md 不是说明书，更像项目的运行边界和协作共识。它要告诉 AI 目标是什么、约束在哪里、什么时候必须停下来问人。这部分做扎实了，模型之间的差异反而没那么关键。
这个框架配上 HackerNoon 上的可扩展性三角一起读会更完整。这篇文章给了一个清晰的决策框架：MCP 负责动态数据交互，Subagents 负责任务隔离与模型路由，Skills 负责静态知识注入。三者边界清晰，过度设计是最大的工程病。作者举的一个例子很到位：把静态文档塞进 MCP，或者让 Skills 去查数据库，本质上都是工具放错了位置。
OpenAI 的 Build Hour 视频从官方视角展示了这套方法论在 Codex 上的实践。他们提出了 Harness Engineering 的 7 个易读性指标，核心主张是把 agent.md 规则嵌进代码库，让 AI 能独立完成 PR 交付，而不是全程靠人盯着。
得物技术的 Spec Coding 实战报告则用数据印证了这条路的价值：10 天、2754 次真实工具调用，三层规范体系带来 36% 的效率提升。文章难得的地方在于，它也客观记录了失效边界，在复杂 CI 环境和隐性依赖场景下，AI 会在哪里出错。这份诚实反而让这篇实战报告更有参考价值。
说到这里，企业级落地还有一个很值得单独拿出来看的点：Code Review。
快手的智能 Code Review 三阶进化则提供了企业规模验证。从采纳率 7.9% 的纯 LLM 启发式，到积累 1100 条硬性规则的规则确定性阶段，再到能感知仓库级上下文、主动识别关联改动的 Agentic 自主决策，最终采纳率做到了 54%。最打动我的细节，不是模型本身，而是他们愿意把 1100 条确定性规则这种苦活做扎实。AI 幻觉真要压下来，很多时候靠的不是更强的模型，而是更硬的工程约束。
编程智能体正在重塑工程、产品与设计
当构建门槛继续下降，真正稀缺的会是什么？本周几篇文章合在一起，给了我一个比较明确的答案。
LangChain 的这篇文章把这个问题说得最直白。随着代码实现成本快速下降，软件开发的瓶颈正在从实现转向评审和系统思维。变化不只是效率提升，而是整个工作流在重排：PRD 的位置在变，原型驱动的迭代越来越靠前。工程师不一定先从需求文档开始，而是先让 AI 跑出一个能点击的原型，再围绕原型对齐认知。
这会带来角色分化。未来的专业人才，大概率会越来越分成两类：一类能直接动手构建、端到端交付；另一类更擅长架构判断和质量把控，能识别 AI 生成物里那些不容易一眼看出来的问题。但两类人都绕不过去一件事：产品感。原型到底对不对，体验顺不顺，方向值不值得继续做，这个判断在 AI 可以大量生成代码之后，反而更重要了。
值得一提的是，OpenClaw 超越 React，成为 GitHub 历史上 Star 最多的项目，这本身就是个很强的信号。Founder Park 对 Product Hunt 上 500 多款相关产品的梳理也说明，一条自下而上长出来的生态链已经有了雏形。不过我更倾向把它理解成基础设施到位的信号，而不是终局。
YC 设计专家的视频复盘指出了一个越来越常见的副作用：Vibe Coded 网站开始长得越来越像，都是熟悉的淡入动画、模板化仪表盘和没什么辨识度的视觉语言。AI 是执行杠杆，不是品味替代品。Elys 创始人 Tristan 的对话也从 AI 社交产品的角度呼应了这一点：真正难复制的，不只是模型能力，而是一个产品如何积累记忆、组织 context，并把这种长期关系沉淀下来。当所有人都能更快地做东西时，知道该做什么、为什么这样做，会变得更值钱。
宏观格局：五层蛋糕与记忆护城河
黄仁勋在署名长文里把 AI 拆成了五层蛋糕：能源层、芯片层、基础设施层、模型层、应用层。他的判断很直接：AI 更像一条完整产业链，而不只是一个软件产品。DeepSeek-R1 这样的开源模型，会继续充当供给侧的催化剂。它一边压低应用层门槛，一边把底层算力和基础设施需求重新拉起来。
a16z 的消费级 AI 应用百强榜则给了应用层一个最新切面。ChatGPT 的统治地位依然很稳，Claude 和 Gemini 也分别在专业和创意场景里占住了位置。
我觉得这里最值得盯住的，不是榜单名次，而是另一个变化：个人记忆正在变成新的竞争点。当模型能力越来越接近，谁更懂用户是谁、偏好是什么、做过哪些决定、现在卡在哪，谁就更容易建立长期优势。这更像关系积累，而不是单点功能。AI 用得越久，越懂你，切换成本也就越高。从这个角度看，很多 AI 产品现在在记忆能力上的投入，不只是功能迭代，也是在提前锁定未来的用户关系。
这两篇宏观内容，和另外两篇放在一起看，会更有意思。写给 AI 创业者的慷慨、残酷与迷雾用印刷机、电动机和云计算三段历史，推演出一个反复出现的规律：当核心能力被商品化，竞争就会从能不能做出来，转向做什么、为谁做、以及怎么被看见。当 AI 编程能力开始变成人人可用的工具，架构判断、产品直觉和用户理解，就成了新的稀缺资源。
屠龙之术的年度总结播客则补上了更宏观的数据面：70 页 PPT 回顾 2026 年 Q1 的中美 AI 格局，从算力叙事到 Agent 革命，再到中国模型厂商估值变化。如果你想快速把这段时间的行业变化过一遍，这期内容值得听。
基建时代的一点感想
读完这期内容，我反复在想一个问题：为什么大家都开始谈基建？
表面原因不难理解：OpenClaw 生态在扩张，模型在迭代，工具在成熟，大家都在往地基里补东西。但再往下一层看，基建时代也意味着执行力本身没那么稀缺了。当 Agent 可以 24 小时跑任务，当 Spec Coding 把效率提升 36%，当 AI 代码评审采纳率从 7.9% 提到 54%，执行差距会被越来越快地抹平。最后真正拉开差距的，往往是你能不能把正确的约束、知识和判断标准，稳定地交给 AI。
这也是为什么 Tw93 的六层架构让我觉得很有价值。它不是在教你怎么用 Claude Code，而是在帮你设计一套能让 AI 稳定工作的系统。快手 Code Review 的演进路径值得借鉴，也不是因为他们选了什么模型，而是因为他们把 1100 条规则这种脏活累活真正做完了。屠龙之术年度总结里最打动我的，也不是哪个模型分数更高，而是那句知识驱动比工具驱动走得更远。
这和我这周搭个人内容工作流时的感受几乎一模一样。把工具串成系统不算难，难的是把系统调到真正顺手。顺手的系统需要清晰的意图、合理的约束和持续的反馈校准。这三件事，我现在看都还得由人来做。
以上就是本期的核心内容。本期完整的 20 篇精选文章，可以在 BestBlogs.dev 上查看。
保持好奇，我们下周见。
