著名 AI Newsletter 博主Ben分享GPT 5.6模型的组合搭配： ① 主要开发和创意工作：Sol medium ② 复杂任务：开 Ultra 用大量Subagent处理后台代理，可能是Sol，也可能是Terra ③ 日常对话用：Luna xhigh 其他点评： Sol 在 UI 方面表现可以，如果给参考，效果更好。 Sol 在 Max 等级下写作能力强，聊起来也很有意思。 Terra 像是GPT 5.5 的升级版，UI 和写作有小幅提升。 更“听话”，更容易被提示词引导。 Luna 有点“小模型味”，模糊提示词下，会“get 不到”你的意思。需要任务定义清晰，才不掉链子。

李华芳老师的 newsletter，基本认同。AI 可以帮助人学习，但确实不太可能使不爱学习的人爱上学习。免费或廉价的学习资源多年前已经铺天盖地，但鲜少观察到爱学习之人增多的现象。

分享一个我一直在追的 AI 治理类资讯网站：Luiza's Newsletter 如果你想跟进「AI 监管到底在发生什么」，但没时间自己啃欧盟法案原文和各种报告，这个站基本可以帮你把信息筛选的活干完。 作者 Luiza Jarovsky 是律师、法学博士，AI, Tech & Privacy Academy 联合创始人。她专写 AI 政策、伦理和监管，目前 98,000+ 订阅，已经更新了 300 多期，是这个领域订阅量最大的出版物之一。 最近都在写什么（举几个例子）： 中国针对AI发布的法律、欧盟理事会刚通过的《AI 法案》修订，改了哪些关键条款、联合国独立科学小组 AI 治理报告的核心结论、最新 AI Safety Index 解读、AI 正在如何改变 2026 年的就业市场、医疗等行业的「AI 依赖导致技能退化」问题。 特点是不炒概念，就是把一手监管文件和报告拆解成普通人能读懂的分析。 网站上有什么： 1️⃣ 免费邮件订阅，留个邮箱就行 2️⃣ 全部往期文章存档，可以直接翻 3️⃣ Masterclass 视频课，比如 64 分钟的「AI Agent 治理」，讲的是全球第一个智能体治理框架 4️⃣ 面向从业者的 AI 伦理工作坊和培训项目 内容是英文的，配合沉浸式翻译食用正好，长文阅读体验很顺。 🔗：

七大类 64 条产品非常规增长策略和技巧 增长顾问 Tom Orbach 在 Lenny's Newsletter 上整理了一套针对产品增长的非共识策略库... 覆盖 7 大增长目标的 64 项非常规策略，涵盖冷启动曝光、产品发布、自发传播、获客转化、竞品争夺、定价提升与长期留存。 应该对你们很有用...

吴说获悉，Hunter Biden 发文表示，LAPTOP 首轮空投将代币总供应量的 8% 分配给其 Newsletter 订阅者，而非针对专门用于刷取空投的钱包。截至目前，首轮用于空投的 8,000 万枚 LAPTOP 中约 7,900 万枚仍未领取。Hunter Biden 表示，10 月 9 日之后仍未领取的代币将被销毁，并称相关余额可通过 BaseScan 实时查看。

卧槽，刚发现一个能让我每天比别人节省2小时的学习黑科技！！我做梦也没想到还能这么搞… 作为AI博主，我订阅了200+个newsletter：OpenAI Updates、Lenny's Newsletter、AI Breakdown、Benedict's Newsletter、还有一堆Substack独立作者 说实话，每天早上打开Gmail，300封未读邮件直接让我窒息 我知道里面肯定藏着金子——某个AI工具的重大更新、某篇深度行业洞察、某个开源项目的突破 但我永远不会逐封去看，只能随机扫过标题，然后在心里默念"晚点再看，晚点再看，晚点再看…" 结果就是：重要信息被淹没，newsletter变成心理负担，订阅越多越焦虑，我相信大家肯定都是这样的 直到上周我试了网易邮箱的Mail Agent，整个工作流直接被重构了！！ 他让我有种感觉：newsletter不是用来"读"的，是用来"问"的 这个认知一旦建立，你会发现邮箱的价值被低估了100倍 Mail Agent做的事很简单： 把你的邮箱变成一个可对话的知识库，不是帮你写邮件回复（那没啥用），而是让你的历史邮件变成可检索的信息资产！ 这个就很牛了… 我现在的工作流是这样的： 每天早上不再打开邮箱逐封看，而是直接问Mail Agent： "今天所有newsletter里，有哪些AI工具发布了重大更新？" "帮我整理最近一个月关于AI Agent的所有讨论，生成一份趋势摘要" "找出所有提到'开源'和'本地部署'的newsletter内容" 30秒，它给我一份结构化的信息清单，以前我要花2小时翻邮件，现在5分钟搞定，谁懂！ 更绝的是知识库沉淀，Mail Agent会基于你的邮件内容自动构建知识库 这意味着：你过去3年订阅的所有newsletter，都变成了可检索的外部大脑 我试了几个场景，直接震惊： 场景1：写文章需要引用数据 以前：疯狂翻邮件，"我记得某期newsletter提到过这个数据" 现在：问Mail Agent"过去半年有哪些newsletter提到了AI市场规模的数据？"，3秒出结果 场景2：找某个工具的教程链接 以前：在收藏夹和邮件里来回找，最后放弃 现在："帮我找出所有关于Cursor使用技巧的邮件"，历史邮件秒级检索 场景3：复盘行业趋势 以前：凭记忆和零散笔记 现在："把今年所有newsletter里关于AI视频生成的讨论，生成一份时间线报告" 这不是邮件工具，这是信息资产管理系统 技术上它是怎么做到的？ Mail Agent结合了LLM Wiki的理念，基于邮箱全部内容构建知识库 关键是它有固定记忆系统，可以持续学习你的使用习惯 你可以告诉它： 我关注哪些领域（AI工具、创业方法论、产品设计） 我的信息优先级（开源>付费，实操>理论） 我的输出偏好（要数据来源，要具体案例） 用得越久，它越懂你，这不是工具，是你的数字分身，等你训练好它，它就更明白你需要什么了 几个实际的使用场景： AI超级个体必备 订阅了几十个AI工具的newsletter，但从来不看 现在每周一问："本周有哪些值得关注的AI工具更新？" 信息密度直接拉满 内容创作者的素材库 newsletter里藏着大量选题灵感和引用素材 "帮我找出所有关于AI商业化的案例" 30秒，10篇高质量素材到手 成本几乎为0，但价值巨大 网易邮箱大师是免费的，支持添加Gmail、Outlook等所有主流邮箱 Mail Agent内置在邮箱大师里，更新到最新版就能用 我测试了一周，已经从邮箱里挖出了50+个之前忘记的优质资源 这些信息我本来就订阅了，只是一直在吃灰 现在它们变成了可检索的知识资产 这些数据一直在那里，只是你从来没有好好利用过 Mail Agent做的事，就是让这些沉默的数据开口说话 信息过载时代，检索能力>阅读能力 订阅焦虑的本质，不是订阅太多，是缺乏检索能力 有了Mail Agent，我反而订阅得更多了，因为我知道，这些信息不会丢，需要的时候随时能找到

吴恩达三言两语，就把 Loop Engineering 说清楚了。 吴恩达果然厉害。前两天在他的 Newsletter 中，短短几句话就把 Loop Engineerring 这个新词的本质说清楚了。刚看完他的文章，结合着说下我的理解。 1、如果用一句话来总结的话，Loop Engineering 讨论的其实是，如何让 AI 像工程师一样，一边干活、一边验收、一边返工，直到达到要求。 一个程序员标准的写代码流程是这样的：写完代码、运行程序，然后发现 Bug，紧接着修改代码，继续测试，直到没问题为止。 现在越来越多的 AI Coding Agent 已经能够自己完成这个过程。 给它一份产品需求文档（Spec），再给它一套评测标准（Eval），Agent 就会进入循环：写代码 → 运行测试 → 发现问题 → 修改代码 → 再测试。 如果测试没通过，它会继续改。如果功能不符合需求，它也会继续改。整个过程不需要人工介入。 2、Loop Engineering 这个词听起来挺唬人，但核心思想其实并不复杂。 以前我们给 AI 提需求，更多是在描述想做什么。现在还需要提前告诉它，什么叫成功、什么叫完成，以及如何自动判断有没有完成。 这也是 Spec 和 Eval 存在的意义。有了这些标准，Agent 才能自己写代码、自己测试、自己修 Bug，形成真正的闭环。 3、吴恩达认为，如果把视角放到整个软件开发流程里，大家最近讨论的 Loop Engineering，只是一小部分。 所以他专门画了下面这张图，把软件开发拆成了三个嵌套在一起的 Loop。 在 Coding Loop 之外，还有第二层循环，叫 Developer Feedback Loop。 简单理解，就是开发者不断调整产品的过程。Agent 负责实现需求，开发者负责修正需求。 当我们看到一个功能真正做出来之后，经常会发现自己一开始想的和真正想要的并不是一回事。 于是开发者会重新修改需求，再交给 Agent 继续开发。这个循环的速度通常比 Coding Loop 慢得多，可能几十分钟，甚至几个小时才会发生一次。 但它决定的是产品会长成什么样。其实这部分讲的就是 Builder 要决定做什么，以及产品会长什么样。 诸如一个按钮放在左边还是右边，Agent 可以帮我们实现，但判断还得自己做。 4、在这层 Loop 还有个误区，很多人以为，开发者脑子里只要有了清晰的产品愿景，剩下的事情交给 Agent 就行。其实完全不是。 一开始，我们会先写一个大概的 Spec，交给 Agent 去实现。 等第一个版本做出来，自己真正用了一遍之后，往往又会发现：原来我真正想要的，并不是这个。哈哈哈，我就经常经历这样的过程。 于是再回过头修改 Spec，把之前没有想清楚、没有表达清楚的地方补充进去，再让 Agent 继续开发。 如果发现 Agent 总是在同一个地方犯错，比如某个用户流程总是走不通，或者某类输入总是处理不好，这时候就需要补充一套 Eval，把这些容易踩坑的场景固定下来，作为以后每次开发都必须通过的测试。 或者这么讲，第二层 Loop 就是不断校准自己的认知，并将这些理解逐步沉淀进系统之中。 5、我记得去年参加一个活动时，大家讨论过一个话题：如果 AI 的品味越来越好，是不是以后我们只需要说一个想法，它就能把整个产品做出来，人几乎不用再介入？ 吴恩达说自己不太喜欢品味这个词。他觉得，相比 AI，人类真正的优势不是品味，而是拥有更多的上下文。 比如，我们知道用户是谁，知道他们的真实使用场景，也知道他们到底在为什么事情烦恼。这些信息很多都不在模型的上下文里。 只要人手里还有 AI 不知道的信息，就必须有人参与到这个 Loop 中，把这些关键信息持续注入系统。所以，Developer Feedback Loop 很难完全自动化。 6、最外层的 Loop，说白了就是获取真实世界的反馈。前面两层 Loop，解决的都是实现层面的问题。 而到了这一层，关注的是这个产品方向到底对不对，以及我们接下来要做哪些功能。 通过了解用户的反馈、分析数据或者研究竞品的产品等等方式，我们需要不断修正自己的产品判断。 诸如这个功能到底有没有必要做？用户真正的痛点是不是这个？产品是不是应该换一种交互方式？甚至，我们是不是一开始就选错了方向？ 真实世界的反馈会不断影响开发者的判断。开发者再把新的理解更新到 Spec 中，交给 Agent 继续开发。这就是三层 Loop 之间的关系。 7、非常透彻。所有对 Loop Engineering 有所困惑的同学，都应该看看这篇文章。文章我放评论区了。 最后，再画蛇添足一句，我感觉这些新词，真的就是换了种说法而已。之所以能爆火，核心还是因为这些概念，精准击中了目前 AI 行业正在发生的变化。 要我说，Loop Engineering 就是递归式的自我提升。Keep Building。