OpenAI | GPT-5.6 更新：Sol 统一付费用户推理，Luna 面向免费用户，新增推理强度滑块
OpenAI 发布 GPT-5.6 系列重大更新：Plus/Pro 付费用户全面统一至 Sol 模型，支持快速与深度推理，并新增可调节推理强度的滑块；Free/Go 免费用户获得 Luna 模型的不限次数文本聊天。官方称 Sol 在高风险事实性测试中错误率降低 68%。
a16z YouTube | How Open Source Became AI's Backbone | Inferact with a16z
a16z 深度视频探讨开源 AI 如何成为产业核心基础设施，重点分析推理引擎 vLLM 已运行于 50 万 GPU，并指出开源模型在推理速度、定价灵活性和可控性上正快速缩小与闭源模型的差距。
Tibo | Agent Plugins 标准发布：一次构建，跨 Agent 客户端复用
AWS、Cursor、GitHub 等公司联合发布开放标准 Agent Plugins，允许开发者将 Agent Skills 打包一次，即可在 Codex、ChatGPT 等兼容客户端中复用，并支持 MCP 服务器配置，旨在统一 Agent 开发生态。
openai-codex-releases | Codex CLI rust-v0.147.0
OpenAI Codex CLI 发布 rust-v0.147.0 版本，发布说明未披露详细变更内容，依赖该工具的开发者需关注版本更新。
向阳乔木 | 国产 Agent 框架「bb」体验：IDE 宣称可自进化
作者分享国产 Agent 框架「bb」的体验，其 IDE 宣称支持「自进化」，能自动识别本机已安装的 CLI 工具（如 Codex cli），并提供下载地址，支持手机远程对话但仅有网页版。
Claude YouTube | How Ramp automated engineering with AI agents
Ramp 公司深度分享利用 Claude Code 及自研代理系统（Inspect、Fable）实现工程全流程自动化的真实案例，CI 时间缩短至 P50 6 分钟，并介绍了其去中心化的 AI 实验文化。
Y Combinator YouTube | Garry Tan: "Personal AGI Is How You Stay Under Your Own Power"
YC 总裁 Garry Tan 提出 AGI 将以「个人 AGI」形式到来，由前沿模型、个人知识库（GBrain 项目）和连接两者的代理线束构成。他指出代理辅助下个人产量大幅提升，YC 公司已有相当比例代码由 AI 生成。
Greg Brockman | Codex 新增 GitHub PR 自动安全审查功能
OpenAI 高管宣布 Codex 现可对每个 GitHub 拉取请求进行自动安全审查，利用仓库上下文识别问题并将发现直接内联显示，目前处于研究预览阶段。
Greg Brockman | OpenAI 在 Black Hat 分享「OpenAI-Hugging Face 事件」时间线
OpenAI 团队在 Black Hat 大会上分享了此前与 Hugging Face 安全事件的详细时间线和经验教训，具体技术细节暂未公开，对关注 AI 安全的从业者有参考价值。
黄小木 | AI 培训市场依旧火爆：黑马训练营反转与传智播客股票
作者称其朋友管理的「黑马训练营」去年差点关闭校区，但今年市场火爆程度可从「传智播客」的股票表现中得到印证，反映 AI 培训需求仍然旺盛。
Roland.W | 小红书卖 AI 提示词的副业机会
作者分享在小红书上售卖 AI 提示词的副业路径，称其零门槛、零成本，可稳定月入五千元，为内容创作者提供了一条低门槛变现思路。
a16z在最新一期视频中将开源AI定位为整个产业的核心基础设施，并给出了一个极具冲击力的数据：推理引擎vLLM目前已在超过50万块GPU上运行，成为事实上的推理标准层。视频的核心论点是，开源模型与闭源模型的竞争已从"能力差距"转向"综合成本与可控性"的较量——开源模型在推理速度、定价灵活性和部署可控性上正快速缩小差距，甚至在某些场景下已经反超。vLLM的崛起被视为这一趋势的关键标志：它通过高度优化的PagedAttention等技术创新，将推理成本降低了一个量级，使得开源模型在规模化部署中具备了商业上的可行性。
这篇视频值得投入时间的原因在于，它不只是对开源AI的赞美，而是提供了具体的产业数据和架构层面的分析框架。它改变了一个重要判断：过去我们倾向于将闭源API视为默认选择，认为开源模型只是"够用但不够好"的替代品；现在需要重新评估，在推理成本敏感、数据隐私要求高或需要深度定制的场景中，开源栈可能已经是更理性的第一选择。对任何从事AI应用架构设计或模型选型的人来说，vLLM的采用规模本身就是一个信号——当基础设施层面已经形成如此广泛的共识时，个人的技术栈决策也应该随之调整。
Ramp在深度访谈中完整展示了他们如何将AI代理嵌入工程组织的每一个环节。他们基于Claude Code构建了自研代理系统Inspect和Fable，分别负责代码审查和自动化修复，最终将CI时间缩短至P50 6分钟——这一数字在工程效率上属于顶尖水平。更值得关注的是Ramp的组织策略：他们没有采用集中式的AI平台团队，而是推行去中心化的AI实验文化，鼓励每个工程团队自主探索代理的使用方式，再将成功的实践沉淀为共享工具。这种"自下而上实验、自上而下赋能"的模式，使得AI代理不是被"推行"的，而是被工程师"拉取"的。
这个案例的独特价值在于，它提供了AI代理在真实工程组织中大规模落地的完整参照系，包括工具选型（Claude Code作为基座）、自研系统的定位（Inspect做审查、Fable做修复）、以及组织文化的配套（去中心化实验）。它改变了一个关键判断：AI代理的瓶颈往往不在于模型能力，而在于组织如何设计代理的自主边界和工作流程——Ramp证明了一套"代理负责执行、人类负责定义标准"的分工可以产生可量化的效率跃升。可迁移的启发是：引入AI代理不应从"找一个万能工具"开始，而应从识别具体环节的瓶颈（如CI等待时间）出发，再决定哪些部分交给代理、哪些部分保留人工控制。
YC总裁Garry Tan在演讲中提出了一个关于AGI终局的框架性判断：AGI不会以"一个万能超级智能"的形式出现，而是以"个人AGI"的形态到来。这个架构由三部分组成：前沿基础模型作为通用推理引擎、个人独有的知识库（他称之为GBrain项目）作为记忆与上下文基底、以及连接两者的"代理线束"（agent harness）作为执行层。Garry Tan的核心论点是：在AGI时代，真正的竞争壁垒不是模型本身——因为前沿模型对所有人可用——而是个人或组织独有的上下文数据，以及将这些数据与模型有效连接的代理系统。他还披露了YC内部的实践数据：YC公司中已有相当比例的代码由AI生成，个人产量在代理辅助下出现了数量级的提升。
这篇演讲的价值在于，它提供了一个来自顶级投资机构的、关于AI应用层未来方向的完整认知框架。它改变了一个重要判断：过去我们关注的是"如何用好某个模型"，但Garry Tan提示我们，更值得投入的方向是构建自己的知识库和代理线束——因为模型会持续迭代且趋于同质化，而个人上下文的积累是不可替代的复利资产。这个框架可以迁移到多方面：无论是个人知识管理系统的设计、团队内部AI工具的规划，还是创业方向的选择，"个人上下文+代理"都是一个值得借鉴的思考模型。它提醒我们，在AI能力快速商品化的趋势下，真正稀缺的资源是你独有的数据和你与AI的协作方式。
a16z YouTube | How Open Source Became AI's Backbone | Inferact with a16z
How Open Source Became AI's Backbone | Inferact with a16z
时长：46:17
Claude YouTube | How Ramp automated engineering with AI agents
How Ramp automated engineering with AI agents
时长：21:59
Joe Rogan / PowerfulJRE | Joe Rogan Experience #2536 - Eric Goode & Jeremy McBride
Joe Rogan Experience #2536 - Eric Goode & Jeremy McBride
时长：2:15:43
Y Combinator YouTube | Garry Tan: "Personal AGI Is How You Stay Under Your Own Power"
Garry Tan: "Personal AGI Is How You Stay Under Your Own Power"
时长：42:08
只回答一个问题：如果今天要 build，一个值得优先考虑的产品是什么？ 下面每个选择都把新产品供给、真实收入和用户讨论合并成同一个判断。 今天只有 1 个足够新的方向，不为了凑满 5 个而重复昨天的判断。