我觉得AI Native的人必须要用好社交媒体的，这对于大部分非科研工种来说是必选题，倒不是说必须要做成大V，走New media那套叙事， 而是你在刷X/TikTok的过程中就是在和算法打交道，自己闷头埋点抓数据不如让算法直接推给你，等到X把自然语言推荐给做成产品用的时候体感会更明显。

🌟EASY Residency S3 结业：25 个项目拼出 AI-Native 金融系统版图 北京时间今天早上，@YZiLabs 正式揭晓了从 EASY Residency Season 3 毕业的完整阵容。本届孵化器在加州山景城计算机历史博物馆的 Demo Day 正式收官。这一季的方向也比过去任何一届都更清晰：重构链上金融市场结构，让 AI 成为金融系统里的原生参与者。 过去几年，Crypto AI 更多还停留在“聊天机器人 + 发币叙事”的阶段。 但这一届 EASY S3，一个很明显的变化是：AI 开始真正拥有身份、钱包和资产，并作为金融系统里的原生参与者存在。 某种意义上，这一季不是在孵化“工具”。而是在搭建Agent时代的链上金融基础设施。👇

聊一点“反共识”的观点吧， 我真不认为，ai native思维能给agent产品带来多少竞争力，反而会落入大模型陷阱 如果你今天在做agent创业，你需要的是业务思维驱动、用户和客户的逃离成本、生态层面的增长飞轮； SaaS真的都会死掉吗？它们可能被大模型吃掉一部分，但它们本身会进化成比ai native更强生态壁垒的agent

Auctor AI 完成 2000 萬美元 A 輪融資，由 Sequoia 領投！ 他們要重新定義「軟體如何被部署」——打造 AI-native 平台，專為系統整合商與服務團隊設計，解決企業級軟體實施的全生命週期。 從「如何在規模下協調人群」這個問題出發，將發現會議、文件、決策中散落的資訊，自動統整成可追溯的需求規格、流程圖、用戶故事等 artifact，大幅減少重工、加速交付！ 讓大型組織的複雜軟體真正被有效採用與使用

现在的 AI 资讯产品都把重点放在AI总结上了，这其实是很不 AI Native 的。AI 时代的信息流产品核心功能应该是 callback。 我抱怨工作难题，有人分享了方案，AI 看到应该告诉我。 我在做某类型产品，有了相关的产品分享或者政策新闻，AI 应该将信息推给我。 而不是：今天有这些新闻，我为您总结。

这位博主把整个 AI 产业链拆解成了 12 个层级，从最底层的能源、芯片，一直推到未来的“AI 原生经济生态”，值得反复看，尤其是最后关于“AI Native 公司”的定义，很有启发。

打算去 AI startup 了。 从 2023 年之后，基本一直在大厂实习和工作。这次出来，大概率就会一直创业，不会再继续打工了。 说说我做这个决定的原因吧。 这个时代，AI Native 的小团队能学到的东西，比大厂传统业务多得多。 最近和不少 AI startup接触过，给我的感觉是其实一些比较明星的start up人才密度是高于大厂的业务部门的，这个可能比较反常识。 但大厂里真的有挺多只是想混口饭吃的小镇做题家，他们并不热爱这份工作，技术能力和 build 的欲望也挺一般般。 大公司有与生俱来、无法磨灭的大公司病。层级多，决策链路长，大头兵没有什么实质决策权。 最后的结果是，你出了 10 分力，可能只有一小部分打到了真正的结果上，剩下的全在流程里磨损了，或者花在向上表演上了。 哄好老板，这局就过了。这不是在骂我的前公司，是组织规模到了之后必然出现的物理现象。 还有个原因是，毕业之后对自己的了解也在变。学生时代觉得自己很需要钱，荣誉感、成就感这些虚的东西，在真金白银面前一文不值。 而现在不一样了。 有了一点积蓄，也找到了慢慢持续变富的路径，并且这几个月通过X也链接到了很多不走打工这条路径的朋友，反而发现自己真正需要的不是钱，是成就感，是做出一个真正有人用的产品的感觉。 钱解决的是生存焦虑和安全感不足的问题，解决完了，下一个问题才浮出来：我他妈到底想做什么？ 人生最重要的事，就是找到那个答案。 我找到了，所以走了。 顺利的话这辈子应该不会回大厂打工了，不顺利就再说。 祝我好运~👋

关于AI时代的职业发展，吴恩达和Lawrence在斯坦福的AI时代职业发展讲座内容很详实，分享下我的收获。 1️⃣ AI能力在加速 有一项研究让吴恩达反复引用：AI能完成的任务复杂度，每7个月翻一倍。 衡量复杂度的方式是：这个任务让一个人做需要多久？ 几年前 GPT-2 能完成的任务，换成人类来做也只需要几秒钟，但现在已经进化到AI能够完成需要人类几十分钟甚至几小时的工作。 AI编程方向的翻倍周期更短，大概70天。 但有意思的是，很多人对这个加速的感知是被扭曲的。 原因很简单，评估 AI 能力的 benchmark，满分是100%，你做到90%之后再进步10个点，数值的绝对值变化看起来很小。 于是去年有段时间整个互联网在讨论 AI 是不是在走下坡路，这是因为用一把只能量到100的尺子去量一个还在生长的东西，当然会产生这种幻觉。 真正能衡量 AI 是否变的更智能的指标，不是在 benchmark 测试上的分数，而是 AI 能够处理的任务的复杂度这条曲线，目前看，还在往上走。 2️⃣ PM 和工程师的比例在变 当 Build is Cheap，瓶颈就转移到了决策。 传统硅谷的工程师和 PM 比例大概在4:1到8:1。一个 PM 负责写需求、定方向，四到八个工程师负责执行。 这个比例背后的假设是：执行很贵，写代码很贵，所以你需要大量人手把一个清晰的 spec 变成可运行的代码。 但现在这个假设已经失效了，编码成本在快速下降，但产品决策的成本没有同等下降。于是工程师和 PM 的比例开始向1:1靠近，甚至有团队开始践行这个配比。 更进一步，吴恩达说他现在最欣赏的那批工程师，是能写代码也能跟用户聊的人。 这两件事以前被认为是不同人来做，现在越来越多地被要求长在同一个人身上。 他自己说：在生涯早期，他曾经试图说服一批工程师多做产品工作，结果把一些真正优秀的工程师弄得很沮丧，因为他们不擅长做 PM 工作；他说那是他做过的错误决策之一，后悔了很多年。 然后他说，他觉得自己现在正在重蹈同样的错误。 这句话有点绕，但我觉得他说的是真话：不是所有工程师都应该变成 PM，但如果你恰好能做这件事，你现在的优势会比任何时候都大。 3️⃣ 团队 > 公司 这部分我觉得是整场讲座信息密度最高的地方，也启发了我的机会选择思路。 他讲了一个案例：有个斯坦福的学生，被一家很热门的 AI 公司录用，但对方拒绝事先告知他会加入哪个团队，说有什么 rotation 机制，入职之后再分配。这个学生因为公司品牌够大，就签了 offer，结果被分配去做 Java 后端支付系统。做了一年之后觉得无聊，离职了。 然后吴恩达说，他在 CS230 课上分享过这个案例之后，另一个学生在几年后去了同一家公司，遇到了一模一样的情况。不是 Java 后端，是另一个跟 AI 八竿子打不着的方向。 如果一家公司入职前不告诉你会在哪个团队，这件事本身就是信息。 logo 不大但团队很强的地方，往往比 logo 大但团队一般的地方学得更快。你不是从走进大门那一刻的兴奋感里学东西的，你是从每天打交道的人身上学东西的。 在这个时代，能去到一个足够强的AI Native的小公司，一定比进入大厂的某个传统业务团队更好、成长更快，团队 > 公司。 4️⃣ AI时代的三个能力支柱 接下来换成 Lawrence Moroni 做分享，他是互联网科技的数十年老兵，呆过Google、Microsoft、Meta等公司，他接着讲了他看到当前 AI 人才身上的三个最重要的能力。 1.深度理解：不只是会调 API，而是要真的能读懂论文、理解模型架构、知道什么是信号什么是噪音。这个护城河现在比任何时候都值钱，因为现在社交媒体通过 AI 生成内容、制造噪音的成本降到了零。 2.业务聚焦：你能不能把技术能力翻译成商业价值。他讲了一个案例：一家欧洲公司来找他说想做 Agent，他直接问的第一个问题是为什么，不是要做什么 Agent。剥洋葱剥到最后，CEO 想要的其实是让销售团队更有效率。这个目标里从头到尾都没出现 AI 这个词。从这个真实需求出发，才能做出真正有用的东西，而不是一堆漂亮的演示。 3.Bias toward delivery：这个是他说的，想法很便宜，执行才是一切。他见过很多人带着半生不熟的想法进面试，也见过很多人带着不完整但落地得很扎实的方案进面试，通常都是后者能拿到结果。 5️⃣ 深刻理解技术债 每一行你使用AI生成的代码都是债。 Bug、文档、维护、新需求，这些都是你在还债。问题不在于要不要用 AI 生成代码，而在于你生成的每一行代码是好债还是坏债。 把 technical debt 当成财务债务来理解：买房贷款是好债，冲动刷信用卡买鞋是坏债。 判断标准就三条：你的目标清不清楚？有没有真正的业务价值被交付？别人能不能看懂这段代码？ 他说他在硅谷见过太多人把 vibe 出来的代码直接 check in 进仓库，然后没人知道那堆代码在干什么，原作者后来找到了更好的工作，离开了，那些代码就留在那里成了一块永久的技术债。 最后：一些职业建议 Lawrence 说，他预测未来五年 AI 会发生分叉：一边是越来越大的 frontier model，另一边是越来越小、可以自部署的 open weight model。 他的判断是，大模型这边的泡沫会先破，小模型这边的泡沫会晚一些。 好的工程师应该同时押注两边，而不是把所有技能集中在一个方向上；会训练、微调模型的人才很重要，未来会有越来越多企业自部署小型模型。 相比于做一个领域的专家，更推荐做多个领域的复合人才。

市场的下一次演化，正在由 AI Agent 推动。 Clustr100 是一个面向 Agentic Trading 的研究型共同体，聚集交易者、开发者与研究者，共同探索 AI 如何重塑研究、策略、决策与优势。 Clustr100，由此开始。 加入我们： Markets are becoming agentic. Clustr100 is a research collective exploring Agentic Trading, AI-native market intelligence, and the future beyond trading. We bring together traders, builders, and researchers to study how AI agents reshape decision-making, strategy, and edge. This is where the cluster begins. Join us: