最近把 PRD 换成了 HTML 之后确实方便了非常多。可以让 agent 直接在 planning 这一步就先把低保真的原型做出来，然后随着这个 PRD 一起来进行评审。

截至2026年6月，美国债市已连续回撤71个月，最大回撤幅度达17.2%，其持续时间为有记录以来最长。此轮熊市的持续时间已远超历史记录，是1980至1981年间16个月熊市时长的四倍以上。 来源：Creative Planning

今天全球暴跌，煽动蝴蝶翅膀的，是美股一个消息 meta出售算力 本来这是一个很正常的行为，meta是全球头部厂商，拥有大量算力 外面有人高价买算力，自己没有充分用完，拿出来赚现金并不是坏事 马斯克自己有ai，也在出售算力，这是很常见的商业行为 但媒体解读新闻的时候，加了一句标题 “Meta Is Buildinga Cloud Business to Sell Excess AI Compute” 就这个Excess，意思从出售算力，解读成出售过剩算力 一字之差，天差地别。 更何况pb社是全球机构主要信息来源。 发现出了惊天乌龙后，pb马上修改了原文 改成 "Planning a Cloud Business Sell AI Computing Power" 出售都改成了计划出售，过剩删除了。 就这几个字差异，有巨大的影响力，改了之后，但原文到处传播 全球ai产业看头部，全球金融机构看pb，这下好了 pb说头部算力过剩 今天全球暴跌，韩国，日本，a股都暴跌 即使大家知道这是标题党，但又如何了 ai的繁荣本来就很脆弱，最重要的还是大家都赚肿了，回调只需要一个谣言。 本来就处于高波动环境，一个全球头部媒体的标题党，足够带来巨震了 光，存储，设备，都是重灾区，但存储也只是回踩ma5或者ma10而已。 从买方角度看，这是一个无法抵抗的波动 但这也是拥抱科技的代价之一 你知道ai很好，持仓过程会很艰辛，会遇到各种波折，但你还是要忍受这种波动

你真的会用 Plan Mode 吗，很多人用 AI 的时候，张口就是“帮我写个方案”“给我做个计划” 然后 AI 噼里啪啦输出一堆，看起来很专业，实际上根本没法用 这不是 AI 的问题，是你根本不懂什么叫 Plan Mode 写plan其实就是写需求文档 作为一名AI产品经理，我见过太多需求文档写得像屎一样的情况 最后的结果就是开发做了三版推倒重来，测试不知道测什么，产品经理被骂成狗 1.plan mode的本质是什么 Plan Mode 的本质，就是 Claude Code 里那个 Planning Mode 的思路——先分析任务、制定详细计划，你审批通过后再执行 不是上来就干，而是先把脑子里的逻辑理清楚 很多人以为 Plan 就是列个1234，写几个步骤就完了，这就是最大的问题 真正的 Plan，至少要定义清楚这几个要素： 1.目标拆解 - 你到底要解决什么问题，不要说“提升用户体验”这种废话，要具体到“把注册流程从5步优化到3步，转化率提升15%” 真实的目标一定要可衡量，这样做的好处是能让ai更好的理解你的动机 2.边界条件 - 什么能做什么不能做，资源限制是什么，时间节点在哪里 3.执行颗粒度 - 每个步骤要细化到什么程度，是写到“做市场调研”就够了，还是要细化到“访谈20个种子用户，整理 pain point 清单” 4.风险预判 - 可能会遇到什么坑，备选方案是什么 这就像我以前写 PRD 一样，你得知道这个文档是给谁看的，他们需要什么信息密度 2.不同场景下，Plan 的写法完全不一样 这是最多人踩坑的地方 很多人以为 Plan 有个固定模板，照着套就行 但作为 PM 我必须告诉你，就像需求文档永远没有固定的模块 做一个 MVP版本 和做一个生产级产品，PRD 的颗粒度能一样吗 同样的道理，你让 AI 帮你写个小红书文案，和让 AI 帮你设计一个完整的 agent架构，Plan 的复杂度天差地别 简单任务 - 比如“写一篇关于 AI 工具的推文”,Plan 可以就是：确定核心观点→列3个支撑案例→设计钩子开头→CTA 收尾 复杂任务 - 比如“重构用户管理模块提升查询性能”,Plan 就得包括：分析现有代码结构和性能瓶颈→设计新的数据库索引策略→实现查询优化→添加缓存层→编写性能测试→逐步迁移旧代码 颗粒度完全不在一个量级 所以你在用 Plan Mode 的时候，第一件事不是让 AI 写计划，而是你自己先判断：这个任务的复杂度在哪个 level，需要拆解到什么颗粒度 写计划，首先心里自己得有杆秤，这就是AI时代人的价值 时代，判断力才是第一性原理 很多人觉得有了 AI，自己就不用动脑子了，这是最大的误区 AI 再强，它也不知道你的业务场景、资源约束、团队能力，Plan Mode 的核心，不是 AI 帮你生成了一个看起来很牛的计划 而是你通过 Plan Mode 这个过程，逼自己把需求想清楚 就像我以前做产品，写 PRD 的过程本身就是一次需求澄清，你写着写着就会发现，诶这个逻辑不对，那个边界没考虑到 Plan Mode 也是一样的道理 你让 AI 先输出 Plan，然后你审查这个 Plan，要求修改、补充细节、调整优先级 这个来回的过程，才是真正的价值所在 我现在用 Claude Code 的时候，100%开 Plan Mode 不是因为我不会写代码，而是因为这个过程能帮我理清思路，避免方向跑偏 不是我不想节约时间，而是如果跑偏了，修复的代价会更大 与其让 AI 盲目执行然后推倒重来，不如一开始就把 Plan 想清楚 所以下次你用 AI 的时候，别再张口就是“帮我做 XXX” 先问自己三个问题： 我的目标够具体吗 这个任务需要拆解到什么颗粒度 我有没有定义清楚边界条件和验收标准 想清楚了，再让 AI 帮你生成 Plan 然后仔细审查，该改的改，该补的补 确认无误了，再执行 这才是真正的 Plan Mode 不是工具的问题，是你的判断力

AI agent 这个词被吹了一整年 真打开看 一共 300 行代码 GitHub 有个项目叫 Simple-ReAct-Agent 把 ReAct 论文那个循环直接写了一遍 没用 LangChain，没用 LlamaIndex，没用 AutoGen 就是一个 while 循环 循环里只有三件事 第一 把当前历史 + 任务 + 工具列表 拼成 prompt 喂给模型 第二 模型输出 Thought / Action / Action Input 第三 执行 Action 把结果拼回历史 进下一轮 完事！！！ · 300 行看完一遍，几个被框架包装得很玄的概念立刻祛魅 memory？历史拼接 tool？JSON schema + 函数指针 planning？让模型在 Thought 里写下一步该干什么 self-correction？把错误结果也拼回历史 让模型自己看到然后改 · 但最有杀伤力的发现，不在祛魅这一段 是作者那句 「Action 可以是任何东西」 你给 agent 接了 shell.exec 就等于把 rm -rf 交给了模型 最近几条新闻全是这么来的 agent 自己 commit 把 API key 写进了仓库 agent 自己 npm publish 把 推上去 agent 跑了一个不该跑的 shell 命令，把机器删了 agent 跟工具单独看都没问题 问题出在「工具暴露面」这一层被低估了 · 第二个被忽略的细节 context window 每一轮都把整段历史重发一次 10 步循环，同一段 prompt 送进模型 10 次 prompt caching 能省一些 但省不掉结构性消耗 · 作者那句话挺扎心 「让你少烧 token 这件事，不在 provider 的商业利益里」 · 写完这 300 行 你能换一种视角看每一个 AI 助手 我的 context 里现在装着什么 我接出去的工具能碰到什么 模型答错的时候，损失会从哪一处扩散 Prompt 在这一切里的权重到底有多大（剧透 非常大） · GitHub · 原文（300 行代码 + 完整拆解）

今天很意外的发现，All In昨天最新一期，聊的话题也跟我昨天说的OpenAI成立AI Deployment公司相关，而且他们直接请了SalesForce的CEO来做客聊这事儿 我简单看了下，视频里面有三个点有点意思，跟我昨天写的内容正好做个呼应 1. OpenAI亲自下场证明这个事儿不容易，算是被逼无奈 就大家以前以为企业的AI adoption 是：Prompt → 接 API → boop boop boop → 自动化完成……结果发现Too Young Too Naive，原因就是我昨天写的那些东西， 有点像“模型卖不进去，只能自己下场帮客户装”的Feel 但是！这里要说但是了！这事儿从好的一面想，这生意的TAM可能单纯比API revenue要大得多。企业愿意为这个花的钱，可能远大于API fee，毕竟API就是个工具预算，企业的AI Transformation那是战略预算，做过高管或者PLanning的老铁都懂 2. Salesforce CEO Marc Benioff 的观点 - 如果 AI 要改 SaaS 玩法，Salesforce会主动转型。 他们现在活的还挺好，各种数据啊营收啊都很不错。因为现在AI渗透进企业的速度远不及预期。真正有价值的不是软件本身。而是跟企业的关系+信任+内部部署能力+数据和上下文等等 他说Salesforce本来就是本来就是 API-first architecture，所以它比很多传统SaaS更容易 agent-native转型。他认同SaaS 前段UI未来可能被 AI 吃掉，以前那种按席位收费的好日子可能也一去不复返了，但Salesforce完全可以转型成一个AI 的Backend，或者说Operating layer，按API调用来收费，走基础设施流 3. 大佬Chamath认为过去他看空SaaS是对的，但现在这个时间点，SaaS有点跌无可跌了 或者更准确一点他的原话是- “the low end of the market is basically finished” “the high end of the market where Mark operates is quite safe” 低端 SaaS可能真有结构性问题；高端Enterprise SaaS 可能已经被市场错杀 他的逻辑就是之前说的，如果OpenAI 自己都要花大钱搞 deployment company，说明 enterprise AI adoption 根本没那么简单。所以之前业界盛传的“AI会秒杀 enterprise SaaS” 这个叙事根本没那么成立。 看了下SalesForce的股票，从24年底高位到今天已然腰斩，这周四+周五收盘都是逆势强势反弹，可能跟第一季度财报数据很好+1份价值7200万美元的美国空军合同有关。当然，也可能是市场反应过来，OpenAI亲自下场做AI deployment，对Salesforce其实是利好，不是利空。变相替Salesforce来教育市场 - “AI kills SaaS这事儿暂时不成立，顶流SaaS护城河依旧很深，我们可能之前真的恐慌超卖了……” 正好这两天看到 @ShanghaoJin 等一些美股大佬有在说硬件Infra短期可能有些情绪顶，软件其实可以看看，感觉SalesForce近期得加入关注列表了！

机器人圈也被 AI 的 scaling 卷麻了 截图是 ICRA 2026 一个数据统计，感觉蛮有意思的，分享一下。比如论文关键词的分布，中美加起来占一半以上的江山。 投稿 4947 篇，接收 1882 篇，接收率 38.04%。2021 年时候投稿量大概 4000 篇左右，机器人圈也在被 AI 的 scaling 卷麻。 Hot topics 是 Manipulation、Planning、Mapping/Perception 3D，SLAM/Localization，Object Detection/ Tracking。 author keyword top 是：Deep Learning for Visual Perception、Reinforcement Learning、Motion and Path Planning、Imitation Learning。 btw，这个数据不是 ICRA 官方做的，是韩国 DGIST 一个助理教授 Giseop Kim 做的，现在vibecoding一个东西变得无比容易。just do it… 想起来去年还写过一场 ICRA 2025 的 keynote 辩论，当时议题是“Data will solve robotics: True or false？” 转眼一年过去了……大家觉得这一年机器人领域的进展快吗？现在关于Data will solve robotics的争论，大家觉得有答案了吗🐶

再次推荐 Google Engineering & DevRel Leader @addyosmani 重磅开源的 Agent Skills (69.7✨)，把资深工程师的生产级工程纪律，固化为 AI Agent 可机械执行、强制验证、跨工具复用的工作流 Agent Skills: Production-grade engineering skills for AI coding agents. 它要解决什么问题？ AI Coding Agent 的默认行为是"走最短路径"——跳过规格、跳过测试、跳过安全评审，给出能跑但不可靠的代码。Agent Skills 的立论是：质量不靠提醒出来的，要靠强制流程托底的。它把"什么时候写规格、测什么、怎么评审、何时发布"这类隐性工程判断，固化成 Agent 必须遵循的步骤。 顶层架构：六阶段生命周期 DEFINE → PLAN → BUILD → VERIFY → REVIEW → SHIP /spec /plan /build /test /review /ship 8 个 slash 命令作为入口，分别对应一个阶段，自动激活对应 Skills。Skills 也会按上下文自动触发（写 API → api-and-interface-design，写 UI → frontend-ui-engineering）。/build auto 在一次批准后自动跑完计划与实现，但每个任务仍独立测试、独立提交、遇险即停。 24 个 Skills 的分布 1. Meta - 1 个 using-agent-skills（路由，决定该用哪个技能） 2. Define - 3 个 interview-me、idea-refine、spec-driven-development 3. Plan - 1 个 planning-and-task-breakdown 4. Build - 7 个 incremental-implementation、test-driven-development、context-engineering、source-driven-development、doubt-driven-development、frontend-ui-engineering、api-and-interface-design 5. Verify - 2 个 browser-testing-with-devtools、debugging-and-error-recovery 6. Review - 4 个 code-review-and-quality、code-simplification、security-and-hardening、performance-optimization 7. Ship - 6 个 git-workflow-and-versioning、ci-cd-and-automation、deprecation-and-migration、documentation-and-adrs、observability-and-instrumentation、shipping-and-launch 几个值得点名的设计取向 · doubt-driven-development：对抗性"新上下文复盘"，CLAIM → EXTRACT → DOUBT → RECONCILE → STOP，可选跨模型升级。这是该仓库比较有原创性的一项，针对高代价/不可逆决策。 · source-driven-development：框架决策必须挂在官方文档上，要引源、要标注未验证项。直接对治 LLM 编造 API。 · deprecation-and-migration 把"代码即负债"单列为技能，配套强制 vs 建议性弃用模式与僵尸代码清除——很少见但有工程味。 · Google 工程文化底蕴：Hyrum's Law（API）、Beyonce Rule 与测试金字塔（测试）、变更尺寸约 100 行 + 评审速度规范（评审）、Chesterton's Fence（简化）、主干开发（git）、Shift Left 与 feature flag（CI/CD）。来源明确标注自《Software Engineering at Google》与 Google 工程实践指南。

分享 8 个我最近在用的 AI Coding Agent 基础设施开源项目,全部破万星,最高 68k ⭐ Agent 干活的两大瓶颈:反复 grep 找代码,和爆炸的上下文成本。这 8 个项目从压缩层、代码记忆、技能安全到长任务稳定性,基本覆盖了 Agent 工程化的关键缺口 1️⃣ headroom ⭐53k 日志/文件/工具输出/RAG 分块进 LLM 前先压缩,号称省 60–95% token。库 / 代理 / MCP 三种接入,本地优先、可逆。 上下文成本是长任务核心瓶颈,压缩层是省钱最直接的方向。 2️⃣ agent-skills ⭐68k 面向编程 Agent 的生产级工程技能集,把资深工程师的纪律(写 spec、测试、review、何时 ship)固化成结构化工作流,灵感来自 Google 工程实践。 Agent 默认走"最短路径完成",这个把不体现在 diff 里、却决定质量的环节补回来。 3️⃣ Agent-Reach ⭐45k 给 Agent "看见互联网"的能力,读取/搜索 Twitter、Reddit、YouTube、GitHub、B站、小红书。定位是能力层(选型+安装+体检+路由),一个 CLI、零 API 费用。 内容监控和自媒体选题神器。⚠️需登录的平台建议用专用小号,有封号风险。 4️⃣ OpenMontage ⭐28k 开源 Agentic 视频生产系统,把 AI 编程助手变成完整视频工作室。12 条流水线、52 个工具,支持纯免费本地链路(Piper TTS、FFmpeg、Remotion、开放素材)也支持付费云端。 从研究、脚本到剪辑合成的端到端流水线,内容人值得关注。 5️⃣ DeepSeek-Reasonix ⭐25k DeepSeek-native 终端 coding agent,围绕字节稳定的 prefix-cache 优化运行循环,长会话缓存命中 90%+、输入 token 成本大幅下降。单 Go 二进制。 DeepSeek 生态里的 coding agent,低成本、国内开发者友好。 6️⃣ Planning with Files ⭐24k 给 coding agent 基于 Markdown 的持久计划管理:长任务、上下文丢失/clear 后恢复、确定性完成校验、多 Agent 共享状态。本质是 Claude Code skill,兼容 60+ Agent。 Agent 做复杂任务最容易"忘记计划",解决的是长任务稳定性。 7️⃣ codebase-memory-mcp ⭐21k 高性能代码智能 MCP Server,把代码库索引成持久知识图谱,支持 158 种语言,亚毫秒查询,号称省约 99% token。单静态二进制、零依赖。 让 Agent 不再反复 grep,而是拥有可查询、可复用的代码库记忆。 8️⃣ SkillSpector ⭐11k NVIDIA 开源的技能安全扫描工具,安装前检测技能里的漏洞、恶意模式和潜在风险(68 个模式、17 类),输出 0–100 安全评分。 技能以隐式信任执行,是个基本没被审查的攻击面,装前先扫一遍。