一个开发者使用 Claude Code 每月为 47 个单独的小企业客户赚取约 400 美元，每个客户。这种系统遍历 Google Maps，自动识别并转化没有网站的本地商户，无需人工干预，从传统外包模式中平了中间门槛。是否能扩展到更多细分服务领域？ #AI# #Automation# #BusinessGrowth#

SLAS（Society for Laboratory Automation and Screening，国际实验室自动化与筛选学会）是全球实验室自动化、高通量筛选（HTS）、药物发现和 AI + Wet Lab 最重要的行业组织之一。 如果说 NeurIPS、ICML 代表 AI 算法的发展方向，NVIDIA GTC 代表 AI 算力的发展方向，那么 SLAS 正逐渐成为 AI for Science 和 AI 驱动 Wet Lab 的产业风向标。 今年的 SLAS Europe 2026，行业关注点发生了明显变化。从模型性能转向实验室现实。 数据质量（Data Quality）、系统互联（Interoperability）、实验执行（Lab Execution）、自动化基础设施（Automation Infrastructure）成为会议最频繁出现的关键词。 行业开始意识到，AI 已经不是最大的瓶颈。真正的瓶颈是实验室。 过去几年，AI 可以轻松设计数百万个候选分子，但这些候选分子最终仍然需要实验验证。真正限制研发效率的，不是模型还能提升多少，而是实验能否更快完成、数据能否高质量产生、结果能否快速反馈。 AI 本身已经开始走出 super Cycle，但对ai驱动的生命科学来说，模型越来越成熟，实验能力开始成为新的稀缺资源。 新的关键词是Orchestration。（是不是有点耳熟？） 过去谈实验室自动化，更多指的是 Automation。 自动移液机器人，自动培养，自动筛选。。。 今天讨论是整个实验室如何作为一个整体协同运行。 Automation 关注单个设备，Orchestration 管理整个实验室。 未来实验室越来越像数据中心。AI、机器人、仪器、数据库、分析平台需要组成一个连续运行的系统，而不是一堆独立设备。 整个流程开始变成：AI 提出假设、自动设计实验、机器人执行实验、仪器产生数据、AI 分析结果、重新设计下一轮实验、不断循环。 这就是 Closed-loop Lab。真正重要的不是机器人，而是整个实验流程能够形成闭环。 因此，API 开始成为新的基础设施。未来 Agent 不仅需要调用大模型，还需要调用实验室、调用仪器、调用机器人、调用分析平台。 没有统一 API，Agent 无法真正操作实验室。没有数据接口，AI 无法形成反馈。 未来实验室的核心竞争力，是谁拥有最好的 Instrument API、Workflow API 和 Data API。 AI 与 Wet Lab 的融合，本质上就是数字世界和物理世界之间建立统一接口。 这也是为什么 LIMS、ELN、SDMS 这些实验室的信息化软件，未来，它们更像 AI 的长期记忆。 LIMS（Laboratory Information Management System）负责管理样品、实验流程和实验结果。 ELN（Electronic Laboratory Notebook）负责保存实验设计和研究记录。 SDMS（Scientific Data Management System）负责管理科学仪器产生的大规模原始数据。 未来 AI 并不是直接读取 PDF 或 Excel，而是直接调用这些系统，理解过去所有实验历史，设计下一轮实验。 实验室开始从事后分析（Reactive）进入预测干预（Predictive）。Agent 不再只是分析实验，而是开始参与实验。整个行业也越来越认可一个现实，Wet Lab将越来越重要（这点从wet lab大牛最近加入anthropic也可以看出）： 模型必须经过实验验证。 实验不断产生真实数据。 真实数据继续训练模型。 模型再提出新的假设。 Hypothesis → Experiment → Learn → Hypothesis。 这个循环无法被跳过，这就是未来的Closed-loop Lab 对于接下来的ai驱动生物科学的重要节点，最值得关注的可能是实验室基础设施。 高通量实验平台、实验室机器人、液体处理系统、LIMS、ELN、SDMS、Workflow Orchestration、Lab OS、Connected Lab、Closed-loop Lab，这些过去相对边缘的领域，正在成为 AI for Science 最重要的新基础设施。

Email Quote Automation ：一个面向电商/独立站邮件询价自动处理报价工具 通过 IMAP 自动收取客户未读询价邮件，提取邮件正文后进行翻译 并根据预设的材质、尺寸、数量、工艺等规则自动计算价格，生成中英文报价草稿 适合有固定报价逻辑的小型团队作为自动化脚本参考 用来减少人工复制邮件、翻译需求和整理报价的重复工作

Openclaw 的维护修复有一个超简单方法，适用于各类 Bug，出门担心坏了没法修，以及用 oauth 老是过期等问题 就是安装 Codex APP，设置 Automation 定时任务，让他定期修复 Openclaw。遇到什么新问题让 Codex 修复后加到定时任务里防复发即可。 Codex 的强大之处在于实测能把自己的登录态给 Openclaw 用，用其他 Agent 这个问题估计不好解决🧐 这样你就得到了一个定期维修专家，并且解决新问题后有效应对复发，Codex App 的 Token 消耗也相对较少 😋

前有 PayPal 黑帮，后有 OpenAI 和 Anthropic 黑帮。 2026 年，已经有至少 37 人从 OpenAI 或 Anthropic 出走创业。 从 PayPal 出来的人做出了 Tesla、SpaceX、LinkedIn、YouTube、Yelp、Palantir 等顶尖公司，那这波 AI 创业潮会跑出哪些新星？ 几个已经比较清晰的 AI 项目如下： - @CoreAutoAI（Core Automation）：前 OpenAI 研究副总裁 Jerry Tworek（@MillionInt）创办。 一句话：做世界上最自动化的 AI 实验室，让 AI 自己研究 AI。 - @mirendil（Mirendil）：前 Anthropic 研究员 Behnam Neyshabur（@bneyshabur）等人创办，刚拿 2 亿美元。一句话：做能自我加速的系统，把算力直接变成科学和工程突破。 - @river_ai_inc（River AI）：前 xAI 联合创始人 Igor Babuschkin（@ibab）创办。 一句话：做真正属于个人、由个人塑造的 AI。 - @mathematics_inc（Math Inc）：前 OpenAI 研究员 Jesse Han（@jessemhan）创办。 一句话：用 AI 自动把数学证明变成机器可验证的形式，目标是可验证的超级智能。 -@blackstar_cmptr（Blackstar）：前 OpenAI Codex 工程师 Daniel Edrisian（@DanielEdrisian）创办。 一句话：在做新一代个人电脑，想从硬件和系统层面改变人和 AI 的交互。 另外，还有像 Resolution（提高对齐置信度）、Guidelight（推动安全前沿 AI 实践）、Syntony（安全与治理）、Rational 和 Zavify（agent 工作流自动化）、Planar（团队共享状态）、Embrasure（给 autonomous agents 重建数据仓库）等项目。 PayPal 黑帮，当年把支付、社交、航天、情报分析全包圆了，出来的公司现在随便拎一个都是几千亿美元级别， 这波人的方向明显更窄，基本都围着同一件事：让 AI 能自己干活，同时别失控。 人才密度这么高的地方，一旦开始往外扩散，下一波真正有意思的公司大概率就从这里长出来，可以密集关注它们的动向。

如果你身边的人，到现在还没有在讨论： Codex、Claude Code、WorkBuddy、Cursor、Vibe Coding、Skills、MCP、智能体 Agent、子智能体 Subagents、Token、OpenAI、Anthropic、提示词 Prompt、Opus、Fable5、Kimi、sol、上下文窗口、Tool Calling 工具调用、Computer Use、Browser Use、RAG、Memory、API、AI 工作流 Workflow、自动化 Automation、本地部署、开源模型、多模态、推理模型…… 那说明你的圈子已经落伍了。 小编我瞎说的，大家别信🤬 #WEEX#

Jarred在博客里讲的重写Bun，和微软重写TypeScript Go的逻辑是完全一致的， 首先把pattern和type一一对应映射上，然后机械式地一行行从A语言翻译成B语言，一个个写测试跑测试，最后跑system-level test。 实际上还是非常细颗粒地指导AI Agent完成一批automation的工作，不给任何design的空间和机会， 也就是不相信他目前手里的claude code+某个模型自己的任何设计和架构的能力。 所以他写了一个psuedo code来解释这个workflow big loop的基本逻辑。 Again，就是说，spec driven的设计，在bun重构的这件事上，并没有被接受和采纳， 哪怕我已经激进地用onlyspecs写了typescript compilier in C++，写了Rust版本的SQLite，写了lean4的编译器in TypeScript，Jarred和微软这次并没有这么做，不是因为他们胆子比我小，只是因为他们选择了更稳妥的路线。 这个案例至少证明了，从非常非常高无敌高的high level specs直接top down design推翻重写一个大型软件，这种缺德事儿连微软和bun都干不出来，人类还是要依赖机械transpile一个项目，人的经验和工作是不可能被替代的（至少截止到Jarred这篇博客发布之前）。

Jason Liu 再次展示了为什么他是目前最好的 AI 工程写作者之一：他发现在 Codex 里，看似同一个需求——"定时做某件事"——实际上是两种完全不同类别的工作。 第一类：时钟。真正的 cron（做这个、做那个、做一次、每天都做）。有固定的时间语义。第二类：待办项。你可以设置提醒但核心是它需要被完成，不要求特定时间点，自动排到某天。 区别在哪？Jason 指出大多数自动化语言比实际任务更复杂。两类工作的实现方式完全不同——但很多人把它们混为一谈。 来源：Jason Liu, "Two kinds of scheduled work in Codex", 2026-06-28 #Codex# #Automation# #AI工程#