Benchmark Research 表示，美国 SEC 于 6 月 11 日提出废除《国家市场系统条例》（Regulation NMS）中 Rule 611 和 Rule 610(e) 的提案，可能成为今年影响美国加密行业最重要的监管变革。该机构认为，此举将移除代币化股票在 AMM 上交易的核心法律障碍，为链上股票交易、借贷和结算打开空间。Benchmark 指出，Securitize 将成为最直接受益者，Coinbase 和 Galaxy Digital 也有望受益。SEC 已启动 60 天公众意见征询期，预计将于 2027 年初进行表决。(TheBlock)

Benchmark 合伙人 Bill Gurley 的投资建议，感觉前二对 Crypto 也适用: 理想的创始人画像：对某个垂直行业门儿清，同时又是各种 AI 工具的重度用户。 去网上看看 Anthropic 和 OpenAI 的人在公开谈什么，然后远离，真正安全的是那些偏离主路径的深度垂直领域。 当前机构投资者对非 AI 项目的兴趣为零。如果你天使轮投了一个非 AI 项目，指望它将来还能融到钱，在当前环境下几乎不可能。 保护自己不被 AI 淘汰的最好办法，就是让自己变成最会用 AI 的那个人。 晚上你是想追《绝命毒师》，还是想读这个领域的东西？如果你选了后者，而且读的时候真的感到兴奋，那说明热情是真的。真正的热情在你自己的空闲时间里也会冒出来，不需要人督促。 当越来越多的内容可以被 AI 生成，人们反而会更渴望"只能在现场体验"的东西——这类资产会升值。 全文

半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

AI Coding Agent 真正让人崩溃的，从来不是写错代码，而是它根本不听话 这篇论文适合所有重度使用 Claude Code、Codex 或其他 AI Agent 的人。 它研究的不是 benchmark 上的失败，而是真实开发中最扎心的问题： AI coding agent 到底是怎么不断消耗开发者时间和信任的？ 研究分析了 20,574 个真实 coding agent sessions，把“失败”定义为：开发者开始打断、纠正或反驳 Agent 的那一刻。 结果非常现实： 最常见的失败原因，不是代码写错，而是 Agent 反复违反开发者明确说过的约束。 比如你明确说过： 1.“别改这个文件” 2.“先别动代码” 3.“只做最小修改” 它却还是忍不住多做一点。 你让它先解释清楚问题，它却顺手开始改代码； 你让它验证完再汇报结果，它没跑完就直接宣布“搞定了”。 论文还发现了一个有趣差异： CLI Agent 更容易违反约束，因为它常被委托执行更长、更开放的任务； IDE Agent 则更容易出现局部实现错误，因为它像贴身 copilot，交互过于频繁。 最累人的是，这些失败往往不会立刻造成灾难，而是持续消耗你的判断力。 你得一直问自己：它有没有听懂？有没有越界？有没有真的验证过？ 这和我自己的感受完全一致。 AI coding 真正让人感到疲惫的，从来不是“写得慢”，而是得反复为它擦屁股。 所以我真正期待的 coding agent 进步，不是“写得更快”，而是能不能持续对齐开发者意图、严格遵守边界、准确汇报进度。 AI coding 的核心难点，可能从来不是技术能力，而是别让我反复判断它到底有没有听话。 🔖 收藏这篇论文。 推荐所有在用 AI coding agent 的人看一看。

通义千问最新一代旗舰模型Qwen3.7-Max也半价了，新人每日还送100次免费调用 活动同时上线Qoder（全球版）和Qoder CN（国内版），看打榜的Benchmark遥遥领先于Claude Opus 4.6 Max？？？ 就吹吧，那么离谱的价格，不就是给评测机构塞红包了 实际体验下来，我已经不相信这些评测数据了，花钱砸的吧🤣