AI News｜2026-08-25

今日目录

• AI 助手需要懂 AI：人类助手与 AI Agent 的协同新模式
• Vercel AI Gateway 观察：模型成本下降驱动需求弹性，网关成必选项
• 构建有效的 AI 评估：超越“正确答案”，关注“工作流”
• AI Agent 将重塑“系统记录”：数据系统面临转型压力
• AI Infra 的核心：模型效率与可靠性成为企业关键考量

今日判断

我今天更关注的是 AI Agent 如何与人类工作流深度融合，以及底层基础设施的演进。Peter Yang 的观察很有意思，他提到他的助手通过与 Claude Code 和 Codex 协同，已经能够复制并定制 AI 技能，这说明 AI Agent 不仅是工具，更是可以被人类“赋能”和“训练”的伙伴。这预示着未来助手的工作模式将是人机协作的升级版。

同时，Guillermo Rauch 和 Peter Yang 都提到了模型成本下降和 AI Gateway 的重要性。Rauch 强调了开放协议在扩展 AI 能力上的作用，而 Yang 则指出 Vercel AI Gateway 正在受益于模型价格的波动，这表明 AI 基础设施的竞争正从模型本身转向如何更高效、更经济地调用和管理模型。这对于 builder 来说，意味着需要关注更底层的效率和成本优化。

最后，Madhu Guru 关于 AI 评估的观点，提醒我们不能只看最终结果，更要关注 Agent 完成任务的整个工作流。这对于构建真正有用的 AI 产品至关重要，需要我们深入理解用户在不同阶段的需求和痛点。

快讯

AI 助手需要懂 AI：人类助手与 AI Agent 的协同新模式

查看原文 · 来源：Peter Yang (@petergyang)

Peter Yang 分享了他与人类助手 Char 合作半年的经验，强调了现代助手需要具备与 AI Agent 协同工作的能力。Char 利用 Claude Code 和 Codex 来处理播客后期制作、撰写节目笔记和剪辑片段，并在此过程中复制和定制了 AI 技能以适应自己的工作流程。这表明，AI Agent 正在成为人类助手提升效率和能力的“放大器”，而非简单的替代品。我的判断是，这种人机协同模式将是未来工作效率提升的关键，尤其是在需要复杂任务处理和个性化定制的领域。对于 builder 来说，这意味着需要设计更易于人类理解和操作的 Agent 接口，并关注如何让 Agent 更好地服务于人类的特定工作流。

Vercel AI Gateway 观察：模型成本下降驱动需求弹性，网关成必选项

查看原文 · 来源：Guillermo Rauch (@rauchg)

Guillermo Rauch 指出，随着 OpenAI Sol 等模型价格的下降和 Vercel AI Gateway 的折扣，Sol 成为 Vercel 最快增长的模型。他认为，这证明了智能需求的弹性：当推理成本降低时，使用量会迅速增长。同时，他强调使用 AI Gateway 可以利用模型价格的波动性，降低运营成本并提高利润率，并预测网关将成为行业标配。我的判断是，模型成本的持续下降是推动 AI 应用普及的关键因素，而 AI Gateway 则扮演着优化成本、提升效率和管理复杂性的重要角色。对于 builder 而言，选择一个能够灵活接入不同模型、提供成本优化和性能监控的 Gateway 变得越来越重要。

构建有效的 AI 评估：超越“正确答案”，关注“工作流”

查看原文 · 来源：Madhu Guru (@realmadhuguru)

Madhu Guru 在其关于 AI 评估的系列文章中，提出了“黄金法则”原则，强调评估应关注“待完成的工作”（jobs to be done）的各个层面，而非仅仅是最终答案。他以金融分析 Agent 为例，指出常见的错误是将评估简化为 Agent 是否给出了“正确”的股票推荐，而忽略了理解客户需求、收集证据、分析数据等一系列前置的、有意义的工作。我的判断是，随着 AI Agent 的能力越来越强，其评估方式也需要从单一的“结果导向”转向更全面的“过程导向”。对于 builder 来说，这意味着需要设计更精细化的评估指标，以衡量 Agent 在整个工作流中的表现，从而构建出真正能解决用户问题的 AI 产品。

AI Agent 将重塑“系统记录”：数据系统面临转型压力

查看原文 · 来源：Garry Tan (@garrytan)

Garry Tan 预测，未来的“系统记录”（systems of record）将不得不转型为“AI 驾驭器”（AI harnesses），否则将面临被 AI Agent 取代的风险。这一观点暗示了传统的数据管理和业务流程系统，在面对日益强大的 AI Agent 时，其价值和功能将受到挑战。我的判断是，AI Agent 的发展将迫使企业重新审视其核心数据基础设施。那些能够与 AI Agent 无缝集成、提供智能洞察和自动化能力的系统，将更具竞争力。对于 builder 而言，这意味着需要思考如何构建能够与 Agent 协同工作的平台，或者直接开发能够替代现有“系统记录”的 Agent 解决方案。

AI Infra 的核心：模型效率与可靠性成为企业关键考量

查看原文 · 来源：Thibault Sottiaux (@thsottiaux)

Thibault Sottiaux 认为 2026 年将是企业开始认真关注模型效率和可靠性的年份，因为这已成为关键基础设施。这一判断直接指出了 AI 应用落地过程中，模型本身的性能和稳定性正变得越来越重要。我的判断是，随着 AI 技术从实验室走向大规模商业应用，企业对模型的要求将从“能用”转向“好用”和“可靠”。这不仅包括模型的推理速度和准确性，还包括其在实际部署中的稳定性、安全性和成本效益。对于 builder 来说，这意味着在模型选择和优化上需要投入更多精力，并关注如何构建健壮的 AI 基础设施来支撑企业级应用。