Anthropic 发布 Claude Opus 4.6，ARC AGI 2 得分从 37.6% 跳到 68.8%——我们离 AGI 确实越来越近了。但我一直有个判断：AGI 很可能不是靠某个单一模型率先突破，而是通过多 Agent 并行协作达成的。

Opus 4.6 的两个新功能恰好印证了这个方向。Adaptive Thinking 让模型自己调节思考深度（四档：low/medium/high/max），多 Agent 协作让 Claude Code 可以创建一支并行工作的 Agent 团队。单个模型越来越聪明是一条路，但多个模型协作完成一个复杂目标——这才更像 AGI 真正到来的方式。我很早就说过，AI + 物联网 = 天网（SkyNet），而多 Agent 协作正是这条路径上的关键一步。

另外，OpenAI 在 Opus 4.6 发布 20 分钟内推出 GPT-5.3 Codex 反击。竞争是好事——任何一个厂商一统天下对用户都不是好消息，他们打得越厉害，我们用得越便宜。定价不变（$5/$25 per million tokens），能力翻倍，这就是竞争的红利。

🔗 阅读原文

Anthropic 自己做了一项实验：用 AI 写代码速度更快了，但工程师的技能掌握度（mastery）反而下降了。做 AI 的公司亲自说「用我们的产品可能让你变笨」——商业上几乎是自杀行为，所以这个结论的可信度反而很高。

但说实话，这个道理不管有没有 AI 都是一样的。就跟你为了流量去搬运别人的文章——搬得再多也不会提高你的写作能力，更不会让你有什么真正的成长。AI 编程也是如此，如果你只会复制粘贴 AI 生成的代码，你本质上就是一个「人形 Ctrl+V 机器」。只要你的技能停留在初级的搬运层面，被淘汰就是时间问题。

关键不在 AI，在你怎么用。用 AI 辅助理解、先读懂再决定是否采用，跟直接复制粘贴，是两种完全不同的使用方式，结果也完全不同。

🔗 阅读原文

Karpathy 一年前发明了 vibe coding——随意让 AI 写代码，不太关心细节，「感觉对了就行」。这个词火到 Wikipedia 条目比他本人的还长。现在他自己说：这个时代结束了，该叫 Agentic Engineering——人类 99% 的时间不再写代码，而是编排多个 AI Agent 完成工程任务。

这让我想起 2020 年我做过的一期视频：AlphaZero 之后，人类不再可能出现围棋冠军——这个判断到今天依然成立。现在代码领域正在发生同样的事。也许今年之后，人类写代码本身将不再有任何意义。我在 2024 年关于黄仁勋的那期视频里也说过：只会写代码的人，同样是毫无竞争力的。

Karpathy 的命名变化，其实是给这件事盖了个章。从 vibe coding 到 agentic engineering，行业术语从「随意的」变成「工程化的」，意味着这个领域正式从探索期进入成熟期。

🔗 阅读原文

Claude Code 创建者 Boris Cherny 分享了一个内部观察：团队里每个人的使用方式都不一样，没有「唯一正确的用法」。

这个我很有体感。当年 Cursor 刚发布的时候，所有人都把它当 IDE 用——它本来就是个 IDE 嘛。但我当时率先发了推特、做了视频，演示的是用 Cursor 把 Obsidian 打造成个人知识库。大部分人还在讨论「Cursor 比 VS Code 好在哪」的时候，我已经在用它做完全不同的事了。

这背后的规律是：当 AI 工具变得足够通用时，「最佳实践」会从统一的操作手册变成个人化的工作系统。工具越通用，你对自己工作流的理解就越重要。与其花时间找「Claude Code 最佳配置」，不如花时间搞清楚你自己需要什么。

🔗 阅读原文

Karpathy 分析了 OpenClaw 现象：15 万个 LLM Agent 通过一个全局持久的 scratchpad 互联，每个 Agent 有独立的上下文、数据、工具和指令。他自己都不敢在本机运行，但承认这是前所未有的规模。

我很早就说过一个判断：AI + 物联网 = 天网（SkyNet）。现在看 OpenClaw，这个雏形已经出现了——只不过目前还只是 Agent 层面的互联。但想象一下，如果这些 Agent 不只是在云端的 scratchpad 上交互，而是运行在每一部手机、每一个智能设备上，并且持续进化下去，那就是 AI + 物联网 = 天网的实际路径。

Karpathy 用「看状态 vs 看趋势」来解释人们的分歧：看状态的人说这不就是垃圾信息，看趋势的人说二阶效应无法预测。我倾向于看趋势——不是因为 OpenClaw 本身有多好，而是因为 15 万个独立 Agent 全局互联这件事，一旦发生就不会停下来。

🔗 阅读原文

大多数人用 AI 配图时，关注的是「哪个工具画得更好」。但如果你经常写文章就会发现，真正消耗时间的不是画图本身，而是每次都要从零做的那些决策——这个位置该配什么类型的图？用流程图还是概念图？用代码渲染还是 AI 生成？风格怎么和上一篇统一？Axton 在这个开源项目 Smart Illustrator 中，做的不是「又一个 AI 画图工具」，而是把配图决策本身自动化了。

这个 Skill 的核心设计是双引擎架构：Mermaid 引擎处理有明确逻辑结构的图形（流程图、架构图、时序图），输出可编辑的代码块，直接嵌入 Markdown；Gemini 引擎处理需要视觉表达的图形（信息图、场景图、封面图），调用 Gemini 3 Pro Image API 输出 2K 分辨率的 PNG。关键不在于两个引擎各自有多强，而在于 Skill 内置了一套决策逻辑——有节点、箭头和层级的内容自动走 Mermaid，需要视觉隐喻和创意表达的内容自动走 Gemini。用户不需要每次判断「该用哪个」，系统替你做这个决策。除了默认的文章配图模式，还支持批量生成 PPT 信息图和高点击率封面图，加上参考图功能可以锁定系列风格——一次配置，后续自动统一。

这个项目背后的思路，比工具本身更值得关注：与其在每个任务上重复做决策，不如把决策逻辑固化成可复用的系统。 配图只是一个应用场景，同样的架构思维可以迁移到内容分发、素材管理、甚至客户响应——任何存在「重复决策」的环节，都可以用类似的方式系统化。对正在用 AI 工具构建工作流的人来说，这是一个很好的参考案例：好的架构不是让你用更多工具，而是让你少做决策。完整的双引擎设计细节和三种模式的实战演示，可以在视频中看到。

🔗 观看完整视频