阳光明媚的下午，AI 务虚三杰齐聚良渚长命村，共同探讨产品创新与运营增长之路。 其中，务虚三杰之一分享了：如何在 AI 应用创业的黑暗森林里，保持高度警觉。像猎人一样，随时捕获机会，砰的向猎物开枪。…

作者转发并推荐 @Steve202333 的万字教程。该创作者三个月前还不知道 Skill 是什么，之后在 YouMind 上架 34 个 Skill，赚了 $1000 美金，激励积分超过 100 万。教程覆盖选题、定义、创建、测试到包装上架全流程，每一步配有可复制模板，作者自称无技术背景、不会写代码。

Frank Wang 玉伯发帖称，大量用户的第一个卡点不是怎么用 Codex，而是怎么安装 Codex。他表示用户在安装好、解决第一个卡点后，马上会遇到最后一个卡点，即用 Codex 来做什么，然后就没有然后了。

为了体验 Claude Tag，最近团队协作迁移回了 Slack。一股熟悉的感觉扑面而来。开心。 为了联系一个老友，最近重新安装了飞书。发现豆包已入住飞书太子位。一股莫名的伤感。

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%）。

Google AI 团队发布教程，讲解如何为 LLM-as-a-Judge 评测编写可靠的布尔式评分标准，指出模糊提示会导致评估不一致和浪费 token。文中给出四条经验：问题保持原子化且互不重叠、只让评判模型评估客观事实（可用 RFC 2119 术语如 MUST 表述）、只评 prompt 中明确要求的内容、用专家标注的 golden set 校准评判模型直至与人类评分一致。

Anthropic 的每兆瓦收入从 2024 年的负毛利（每 1 美元收入对应 1.94 美元算力成本）扭转为 2026 年 40-50% 的毛利率，并在 2026 年首次实现盈利季度：109 亿美元营收、5.59 亿美元营业利润。

Warp 在 Claude 平台上构建了基于 Agent Skills 的自我改进循环，通过基础技能与改进技能两个文件型技能，将人类反馈转化为对智能体的持续优化。该模式已应用于其整个开源仓库，覆盖数百名贡献者与数千次代码审查。团队建议以原则而非规则编写技能，并强调低摩擦反馈与改进技能的可复用性。

OpenRouter 提出一套模型选型框架：先定义任务，从实时用量和第三方基准中筛选候选，再对比各提供商的定价与延迟，最后用自有提示词测试。判断标准是"每完成任务的成本"而非"每 token 成本"。其 MCP 服务器可直接在 Claude Code、Cursor 等编辑器中查询实时排名、价格和基准，并用 openrouter/auto-beta 按请求路由。