Pocket FM CEO 详解 AI 内容生产如何驱动从 0 到 $500M ARR 增长

GPT-6 Astra 的价值在于让原本跑不通的工作流终于能运行，一次响应即可成为完整工作会话。评估重点应从"百万 token 成本"转向"预算内能完成什么"，推理返现（如 Straitly 提供 5%-10% 现金返还）值得关注，但目标应是同预算下获得更多可验证成果，而非消耗更多 token。

什么鬼！？ GPT-6 Astra 刚刚完成了这个 3D 相机的制作，包含 122 个组件组和 1，877 个建模部件。 我甚至都不知道还能在 Three.js 里构建这些东西。

Elvis Saravia 提出 harness 并非千篇一律，好的 harness 应解决上下文工程问题，关键在于理解并优化系统提示词、缓存和有效工具调用等底层细节。他建议用自己喜欢的语言构建一个带基本 agent 循环、系统提示词和工具调用能力的最小 harness，在用例上测试验证并迭代，掌握这些可调旋钮后再迁移到生产级 harness。

Elvis Saravia 回应人们常问的 harness engineering 从何入手，建议起初跳过框架，构建尽可能小的 harness：一个 agent 循环、少量工具和自己从零写的 system prompt。他认为这比一个月读教程学到更多。

我越是拥抱开放且更廉价的模型，就能负担起越多的自动化。 前沿模型负责编排与协调。 开放且更廉价的模型负责执行。这里的 token 使用量正在迅速增长。 这让我比以往任何时候都更能倚重主动型智能体。

Grok Bot 的意义比表面看起来更大。 它真正改变了我与智能体协作的方式。 最大的变化：我不再过度思考了。 简化的界面给了我以往常规聊天会话所没有的信心。 我认为还有更多独特的体验和 UI 层有待发掘，以提升对 AI 的信任并增强协作。在我看来，Grok Bot 在这方面处于领先地位。 主动式能力也很出色，而且还在不断改进。这是我最期待的一个方向。

卡兹克发文讲解GPT-6 Astra的推理强度等级（Reasoning Effort）含义，指出各档位是同一模型的不同思考预算，Ultra则类似拉起多个智能体协作的专项工作组。

作者数字生命卡兹克发布GPT-6 Astra操控Blender的小白教程，介绍前期安装、官方MCP与Computer Use插件配置，并实测三种玩法。Computer Use花约4小时搭出天坛祈年殿，但耗掉200美刀Pro会员近半额度；MCP更快，可完成摩托车建模与组装动画，但复杂任务会单次运行超时，可拆分步骤或用CLI执行Python脚本解决。

Shir Meir Lador 在 Google AI 开发者博客介绍如何用 Cloud Run instances 以每月 $5.70（1 vCPU、1Gi 内存、共享 CPU）在云端 24/7 运行常驻 Agent。

GitHub 工程师 Erik Kristensen 分享了 Copilot 降本的四项改动：选择性压缩工具输出、移除 view 工具行号前缀（线下推理成本降约 5%，线上用户日均推理成本降约 3%）、压缩 task-tool 提示词（每轮省约 1300 token，每活跃小时归一化成本降 2.9%）、后台任务完成后直接交付结果（AI Credits 用量降约 2.3%）。