出海闲聊

AI补位日常执行

最近看到一篇文章提出一个观点：先进AI最大的价值，可能不在于帮人想出突破性点子，而在于补上从点子到落地之间那段最磨人的日常执行。这个角度我越想越觉得对，因为过去几年大家聊AI，注意力几乎都放在「谁更聪明」上，反而忽略了真正卡住大多数团队的往往是执行环节。

我自己做跨境业务，感受特别直接。选品方向、投放策略这些「想」的部分，老手凭经验就能拍板，真正耗人的是每天改素材、对账、回邮件、盯物流异常、整理报表。这些活不需要天才，但需要大量稳定、不出错的重复劳动。AI现在最擅长的恰好就是这一类，它不负责灵光一现，它负责把灵光一现之后的琐碎全部接住。换个角度看，这可能才是下一轮经济增量的来源。历史上很多突破并不是因为想法稀缺，而是因为把想法变成产品、变成规模的成本太高。如果执行成本被AI大幅压低，小团队能同时推进的项目数量会变多，试错周期会缩短，整个社会的进步节奏可能因此被推快，而不只是少数头部公司受益。当然我不认为执行可以被完全外包给模型。判断什么值得做、什么该停，仍然得靠人。但分工可能会变：人越来越像导演，负责定方向和做取舍；AI像整个剧组，负责把每一场戏拍完。谁能把这种配合跑顺，谁就能在同样的时间里比别人多跑好几轮。所以我现在看AI工具，不太关心它能不能替我思考，更关心它能不能稳定地替我把活干完。补位日常执行听起来不性感，但它可能才是决定下一个十年谁跑得更快的那件事。

Chatham用AI把交易校验压到4分钟

看到 Chatham Financial 用 Codex 和 GPT-5.6 重做交易校验流程，把原本 30 分钟的人工核对压到 4 分钟以内，这个数字放在资本市场后台场景里相当扎眼。要知道交易校验不是写个脚本就能搞定的事，它牵扯多资产类别、多交易对手、多套确认模板，过去基本靠资深运营人员逐条比对。

我自己的判断是，这类落地比前端客服机器人有价值得多。后台运营的痛点从来不是「没人干活」，而是「错不起」——一笔交易确认漏了字段，后面可能触发对账差异甚至监管问询。所以 Chatham 敢把大模型放进这个环节，说明他们至少在准确率和可审计性上做了足够的护栏，否则合规团队第一个不答应。值得关注的是他们不只拿 AI 写代码，还顺手把工作流重新设计了一遍。很多团队的做法是给旧流程贴一层 AI 皮，结果效率提升有限，还多了一堆需要人工复核的中间产物。Chatham 的思路更像是先问「这个环节为什么存在」，再决定哪些步骤可以彻底删掉，这一点比模型选型本身更值得抄。对做出海金融科技或 B 端 SaaS 的团队来说，这个案例的启示是：别急着把 AI 包装成面向客户的功能卖点，先在内部找那种高频、规则明确、又养着一堆人力的流程开刀。省下来的成本是实打实的，跑通之后再对外讲产品故事，底气也完全不一样。当然，30 分钟到 4 分钟只是单点数据，样本量多大、覆盖多少资产类别、异常情况怎么兜底，这些都没展开。如果后续能把准确率和人工介入率的对比也放出来，这个案例才真正有说服力。

GPT-6 选型与调优实战指南

最近看到一份关于 GPT-6 家族模型的选型指南，内容挺扎实，正好结合我们团队这半年踩过的坑聊几句。指南里把模型按推理强度分成了几个档位，从轻量快速到深度思考，核心逻辑是别一上来就拉满，先跑通再优化。我们做跨境客服机器人时，一开始全量用最高推理档，结果响应慢、成本高，后来按场景拆开，简单问答走低档，复杂售后走中档，效果反而更稳。

调推理强度这件事，指南建议用「最小可行推理」原则，我挺认同。具体操作上，可以先固定 prompt 和工具集，只调 reasoning effort 这一个变量，观察准确率和延迟的曲线拐点。我们实测下来，大部分意图识别任务在中低档就能到 95% 准确率，再往上加档收益很小。另外，prompt 里明确写清「不需要解释步骤」能省不少 token，这点对成本敏感的业务很关键。技能和工具协同部分，指南强调别让模型同时管太多工具。我们的做法是把工具按业务域分组，每组不超过 5 个，并在系统提示里写清调用顺序和失败回退逻辑。比如查物流先调订单接口，超时再调备用源，模型只负责决策，不负责重试细节。这样既降低了幻觉，也让日志更好排查。生产环境准备上，指南提醒要做灰度发布和回滚预案。我们现在的流程是：新 prompt 先跑 5% 流量，对比旧版本的解决率和平均轮次，达标再逐步放量。同时保留一个「降级到上一版」的开关，遇到突发问题能秒切。这些工程细节比模型本身更决定上线成败。总的来说，GPT-6 家族的能力上限很高，但真正拉开差距的是选型策略和工程配套。建议刚起步的团队先别纠结用哪个档，而是把评测集和灰度机制搭好，让数据帮你选。

开源TTS评测有了新榜单

最近看到一个挺有意思的新动作，有人给开源和多语言TTS专门做了一个评测榜单。背景其实不难理解，开源语音模型的发布速度实在太快了，光是在模型社区里，截至今年九月底就已经有超过八千个TTS模型，这个量级放在两年前根本不敢想。

但问题也很明显，模型多了，评测却没跟上。现在大家参考的仍然是MOS、MUSHRA这类人工偏好打分，标准分散、复现困难。于是TTS Arena、Artificial Analysis、Voice Arena这些竞技场式榜单成了事实上的参照系，逻辑都是让用户盲听两个模型的输出并投票，攒够票数后用Elo和Bradley-Terry模型算出排名。新榜单的差异点在于，它把重心放在开源模型和多语言场景上，还加入了声音克隆的评测维度，同时关注流式性能。这几项恰恰是过去榜单覆盖不足的地方。多语言和克隆能力直接决定模型能不能落地到真实产品里，而流式延迟又直接影响语音交互的体验，光看音质排名其实说明不了太多问题。我自己的判断是，竞技场模式虽然贴近真实偏好，但也有明显短板。投票人群的构成会强烈影响结果，英语用户占多数时，小语种模型的排名天然吃亏；声音克隆这类任务也很难靠一两句试听分出高下。所以榜单可以看，但别把它当成唯一标准，最好结合自己的业务场景做小规模AB测试。对做出海语音产品的团队来说，这类榜单的价值更多是缩小候选范围，而不是直接拍板选型。多语言覆盖、克隆相似度、流式延迟这三项，建议在选型时单独拉出来做加权评估。开源生态跑得快，评测体系能跟上一步，对整个行业都是好事。

合成训练数据的新思路

最近看到 ServiceNow 团队写的一篇关于 AutoSynthData 的文章，讲的是怎么自动生成训练数据来训练 AI Agent。这个方向其实挺关键的，因为现在大家都在卷 Agent，但真正卡脖子的往往不是模型本身，而是高质量的任务数据从哪来。

文章里把「什么才是有用的 Agent 任务」拆成了几个部分：系统规格说明、面向 Agent 的任务描述，以及验证器。这个拆法我觉得挺实在的，因为很多团队做合成数据时只顾着造任务，却忽略了验证环节，结果数据量上去了但质量参差不齐，训出来的 Agent 一到真实场景就露馅。我自己的判断是，合成数据的价值不在于「多」，而在于「可验证」。如果一个任务没法自动判断做没做对，那它作为训练信号的价值就很有限。AutoSynthData 这类思路的核心，其实是用系统规格来约束任务生成，再用验证器来筛掉不合格的样本，形成闭环。对做出海产品的团队来说，这套方法有个现实意义：你不需要雇一大堆标注人员，而是可以把领域知识写成规格，让系统自己去生成和筛选任务。当然前提是你的验证逻辑得足够扎实，否则就是在批量生产噪音。总的来说，Agent 训练的数据瓶颈短期内不会靠人工标注解决，自动化合成加严格验证会是主流路径。值得关注的是验证器本身怎么设计，这可能比生成任务更难。

开源快速报告模型AstaBrief

今天看到 Allen AI 开源了 AstaBrief，一个专门做科学文献快速报告生成的模型。他们之前做 Asta 这个科研智能体平台时就发现，科学家用起来跟普通搜索完全不一样，不是丢个关键词就完事，而是带着一大堆约束条件来问，比如要跨某个文献库比较不同方法，还得限定特定人群或实验设置。这说明科研场景对模型的要求确实更硬核。

他们这次重点解决的是「归因」问题，也就是模型生成的结论必须严格贴着证据走，不能悄悄把某篇研究的结论放大或者外推。这一点我特别认同，因为科研里最怕的就是模型一本正经地胡说，把不支持的结论包装得像真的。他们为此专门做了 SFT 训练数据收集、构建 DPO 偏好对，还专门过滤数据来提升归因质量，整个流程挺扎实的。从产品角度看，AstaBrief 的定位很清晰，就是帮科学家更快产出带引用的报告。很多用户会把生成的报告当工作底稿反复回来修改，而不是一次性问答就扔掉。这种「研究工件」的用法，其实对模型的稳定性和可追溯性要求更高，因为你要能随时回去核对每个结论的来源。我觉得这次开源的意义在于，它把「证据忠实度」当成核心指标来优化，而不是只追求生成流畅度。科研 AI 如果连引用都不可靠，那基本没法用。Allen AI 把模型和数据都放出来了，对做科研工具或者垂直领域 RAG 的团队来说，是个很好的参考基线。当然，归因做得好不好，最终还得看真实文献场景下的表现。他们提到还在验证这个方法，后续怎么扩展也还没完全展开。我比较好奇的是，这种针对归因的 DPO 训练思路，能不能迁移到法律、医疗这些同样要求严格溯源的领域。如果能，那价值就不止在科研了。

微软新工具给AI代理打分

今天刷到微软发的一个新东西叫ThinkingBox，挺有意思。它不看你家AI代理嘴上说了什么，而是直接去检查它实际在数据库、后台系统里留下了什么痕迹，然后看它能不能连续二十次都做对。说白了，就是不再被「工具调用成功」这种表面动作骗过去，而是看最终的业务结果到底对不对。

这个思路我觉得很实在。现在很多团队做Agent，演示的时候跑通一次就敢上线，但真实场景里用户可不会只试一次。一个客服代理帮客户处理退款，第一次成功了，第二次可能就把订单状态改错。ThinkingBox把「一致性」这个维度单独拎出来打分，等于逼着大家去面对那个尴尬的问题：你依赖的模型到底稳不稳？文章里提到一个概念叫Pareto成本前沿，讲的是价格和一致性之间的取舍。这个点挺戳中我的。企业采购AI服务的时候，往往只看单次调用价格，但忽略了失败之后的人工兜底成本。一个便宜但经常出错的代理，实际总成本可能比贵一点但稳定的方案高得多。ThinkingBox想做的，就是让这种隐性成本变得可量化、可比较。他们还提到了失败签名，也就是不同类型的错误模式。这个对工程团队很有用，因为知道「它怎么错的」比知道「它错了」更有价值。比如是工具参数传错了，还是状态没同步，还是多步推理里丢了上下文，不同的失败签名对应不同的修复策略。我觉得这比单纯给一个准确率数字要有指导意义得多。整体看下来，微软这次没有在卷模型能力，而是在卷评测方法。当大家都在比谁的Agent更聪明的时候，有人开始比谁的Agent更可靠，这个方向我觉得是对的。毕竟企业买单的不是惊艳的demo，而是能稳定跑在生产线上的系统。

Gemini Live 给视障者当眼睛

谷歌在 Gemini Live 里上线了一个叫 Guided Vision 的功能，我第一反应是：这才是多模态该有的样子。它不是简单地把摄像头画面丢给模型做描述，而是和盲人、低视力群体一起打磨出来的实时视觉辅助——用户把镜头对准环境，Gemini 会用语音持续讲解，还会用自然语言给出「往左一点」「再往前半步」这类重新取景的提示，帮用户自己把画面调整到能看清的位置。

这个设计思路挺值得琢磨。过去很多无障碍工具是「我替你看」，把信息一次性倒给用户，主动权在机器手里；Guided Vision 更像是「我陪你一起看」，把取景和判断的主动权还给用户，模型只负责在关键节点补上信息。对做 AI 产品的人来说，这个区别不小——它意味着交互不是一次问答，而是一段持续的、可打断的对话。从技术角度看，实时视频加语音双向反馈，对延迟和上下文管理的要求比纯文本高得多。镜头一直在动，模型得判断什么时候该说话、什么时候该闭嘴，说多了是噪音，说少了用户没方向。谷歌愿意在无障碍场景先啃这块硬骨头，说明他们对 Gemini Live 的实时链路有信心，也说明无障碍正在从合规成本变成产品差异点。当然我也有保留。这类功能在安静、光线稳定的室内可能体验不错，到了嘈杂街头、逆光或者人挤人的场景，语音描述和取景提示还能不能跟上，得看真实用户的反馈。另外隐私也是个绕不开的问题，摄像头持续开启意味着环境里的其他人也被拍进去了，怎么处理这些画面、留存多久，官方得说清楚。对我们做出海产品的团队来说，这条新闻的启发不是「也去做个无障碍功能」，而是：真正好用的多模态交互，往往诞生在被主流忽视的人群里。视障用户对语音节奏、信息密度、容错性的要求，比普通用户苛刻得多，能服务好他们，普通场景的体验大概率也不会差。

社媒素材别浪费，直接喂给谷歌广告

刚看完谷歌广告团队新一期 Ads Decoded，聊的是 Demand Gen 广告系列里创意素材到底有多关键。产品联络人 Ginny Marvin 和负责 Demand Gen 与 YouTube 效果广告的产品经理 Alejandro Osio 对谈，专门破除了一些关于素材测试和素材疲劳的迷思，还顺带介绍了几个能简化创意流程的新工具。

第一个观点很实在：别急着从零做新素材，先从手头已有的东西开始。你现成的社媒内容其实就是不错的底子，只要符合谷歌的素材规格和规范，就能直接拿来投。这点我挺认同，很多团队一上来就想着拍新片，反而把已经验证过互动数据的素材晾在一边，等于白白浪费了现成的测试样本。第二个是 Asset Studio 的多模态视频生成能力。它由 Gemini Omni 驱动，能把你的网站链接和照片直接变成高质量视频，而且发布前还能让相关同事先预览把关。对中小团队来说这确实降低了门槛，不用再为一条 YouTube 素材专门排期拍摄，但我也提醒一句，AI 生成的视频在品牌调性上还是得人工过一遍，别完全撒手。第三个是关于测试节奏：让数据来驱动，改动要循序渐进，重点放在新素材的质量而不是数量上。这样系统才有足够时间去衡量效果。我见过不少投手一天换十几版素材，结果每个都跑不出稳定数据，最后归因都归不明白，反而怪平台不行。整体看下来，这期内容的核心逻辑就是先盘活存量、再用工具降本、最后用节奏换数据可信度。对做跨境投放的团队来说，Demand Gen 加 YouTube 这条链路值得重新排一下优先级，尤其是那些社媒素材本来就多的品牌，转化路径可能比想象中短。

谷歌把TPU送上太空做算力实验

今天看到一条挺有意思的消息，谷歌跟Planet合作打造的Suncatcher原型卫星，已经搭着SpaceX的Transporter-18拼车任务上天了。团队确认已经跟卫星建立联系，目前运行状态符合预期。这算是他们那个长期研究项目的第一步，目标是想验证太空到底能不能承载可扩展的机器学习基础设施。

我第一反应是，这事听着科幻，但逻辑其实挺顺。地面数据中心现在最大的瓶颈就是电力和散热，而太空有近乎无限的太阳能，散热靠辐射也能解决一部分。谷歌这次带上去的是自家TPU，接下来几周会重点收集它在太空飞行物理应力、辐射和极端温差下的表现数据。这些条件在地面模拟得再像，也替代不了真实在轨环境。不过我得泼点冷水。把芯片送上天只是验证了硬件能不能扛住，离真正的太空算力集群还差得远。卫星之间的高速互联、在轨维护、发射成本、以及数据回传的带宽，每一项都是硬骨头。谷歌自己也说了这是moonshot，不是明年就能商用的东西。我觉得更值得关注的是他们同步发在Joule上的同行评审论文，里面应该披露了不少工程细节和实验设计。对做跨境基础设施或者关注算力成本的人来说，这至少提供了一个新视角：当地面电价和土地越来越贵，算力的物理边界可能真的会往大气层外延伸。当然，短期内这跟大多数出海团队的日常没什么直接关系。但技术路线的分叉往往就是这样，今天看起来离谱的尝试，十年后可能变成默认选项。我会继续盯着后续的在轨数据，尤其是TPU在辐射环境下的错误率和性能衰减曲线，那才是决定这条路走不走得通的关键。

九月AI更新盘点：Gemini 4来了

九月这波AI更新里，最值得关注的还是Gemini 4 Argon的发布。从命名方式看，Google这次把版本号和代号绑在一起，明显是想让外界把它当成一个代际跃迁，而不是小版本迭代。我的判断是，Argon大概率在推理链和长上下文上做了实质优化，否则不会单独给个代号。

另一个变化是Gemini App里新增的Connected Apps。这个功能听起来不起眼，但实际影响可能比模型升级还大。它意味着Gemini不再只是一个问答窗口，而是开始往系统级入口的方向走，能直接调用你其他应用里的数据。对做跨境工具的人来说，这既是机会也是压力，因为入口一旦被收拢，独立App的生存空间会被进一步挤压。WeatherNext 3也值得单独拎出来说。气象预测这个场景对AI来说其实很难，数据噪声大、时效要求高，能持续迭代到第三代，说明Google在这条线上是有长期投入的。我个人更关心的是它会不会开放API，如果开放，做物流、农业、保险风控的团队都能直接受益。整体看下来，这三件事指向同一个方向：Google在把模型能力往具体场景里塞，而不是单纯堆参数。对出海团队来说，与其追每一个新模型，不如先想清楚自己的产品能不能接进这些新入口。我的建议是，Connected Apps这类能力优先跟进，模型本身反而可以等生态稳定了再切。最后提醒一句，官方这次只是月度盘点，很多细节还没放出来。真正值得等的是开发者文档和定价策略，那才是决定要不要迁移的关键。

艾伯森用ChatGPT重塑零售

最近看到艾伯森公司用ChatGPT企业版和API来改造业务，挺有感触的。作为跨境从业者，我一直在关注传统零售怎么借AI提效。艾伯森不是小玩家，它在美国有上千家门店，服务数百万顾客，这种体量的企业全面接入AI，说明生成式AI已经过了试水期，开始进入规模化落地阶段。

具体来看，他们主要在两个方向发力。一是内部团队协作，用ChatGPT企业版让员工更快处理日常任务，比如营销文案、数据分析和供应链沟通。二是面向顾客的购物体验，通过API把AI能力嵌入到自有系统里，比如个性化推荐、智能客服和食谱生成。这些动作听起来不新鲜，但能在一个传统商超体系里跑通，难度不小。我比较在意的是数据安全和合规问题。艾伯森选择企业版而不是普通版，大概率是看中了数据隔离和权限管理。零售企业手里有大量用户消费数据，如果AI用不好，反而会带来隐私风险。从这点看，他们的路径是对的：先解决内部效率，再逐步开放给顾客，而不是一上来就搞大新闻。对跨境卖家来说，这个案例也有参考价值。很多出海品牌还在纠结要不要用AI，其实可以学艾伯森的思路——先从内部流程切入，比如客服话术、选品分析、广告投放优化，等跑顺了再考虑前端体验。别总想着一步到位，AI落地是个渐进过程。当然，零售AI的竞争才刚开始。沃尔玛、亚马逊都在推自己的AI工具，艾伯森能不能靠ChatGPT建立差异化优势，还要看执行。但至少它证明了一件事：传统企业不是只能被动挨打，主动拥抱AI也能找到自己的节奏。

AI补位基础活儿才是真红利

最近看到一篇讨论，说先进AI真正重要的地方，可能不是帮人想出颠覆性点子，而是把那些支撑突破的日常琐碎活给干了。这个角度挺有意思，因为大家平时聊AI总爱盯着「谁又发布了最强模型」，反而忽略了执行层才是决定经济节奏的隐形变量。

我自己做跨境业务这几年，感受特别深。一个爆款选品或者一个新市场机会，往往来自某个瞬间的灵感，但真正把它跑通，靠的是每天盯物流、对账、改listing、回客服这些重复劳动。以前这些事要堆人力，现在AI能接走一大半，团队才有余力去试更多方向。换句话说，创意决定上限，执行决定你能不能活到上限。从经济层面看，如果AI持续压低执行成本，那创新的试错门槛会跟着降。过去很多小团队不是没想法，是养不起后台，现在一个人加几个AI工具就能撑起一条业务线。这可能会让「突破」变得更密集，因为瓶颈从「想不想得到」挪到了「做不做得完」。当然，这不等于说创意不值钱了。恰恰相反，当执行变得便宜，稀缺的反而变成判断力和方向感。我的判断是，接下来两三年，跨境赛道里跑出来的不会是单纯会用AI的人，而是能把AI嵌进日常流程、同时保持对市场敏感度的那批人。执行被补位之后，人和人的差距会更多体现在选择上。

Chatham 用 AI 把交易验证压到 4 分钟

看到 Chatham Financial 用 Codex 和 GPT-5.6 重做交易验证流程，把原本 30 分钟的人工核对压到 4 分钟以内，这个数字在资本市场后台场景里相当扎眼。要知道交易验证不是写个脚本就能搞定的事，它牵扯多系统对账、条款比对和合规留痕，过去基本靠资深运营逐笔过。

我比较在意的是他们没停在「提效」层面。Chatham 本身是做利率和外汇风险管理的，客户结构偏机构，这意味着它敢把大模型塞进核心链路，说明模型在结构化金融数据上的稳定性已经过了内部红线。换句话说，这不是演示项目，而是有审计压力的生产环境。从路径上看，Codex 负责把重复的代码和规则工程化，GPT-5.6 处理非结构化条款和异常判断，两者分工挺清楚。很多团队一上来就想让一个模型包打天下，结果在长流程里频繁掉链子。Chatham 的做法更像是把 AI 当成流水线上的工位，而不是万能替身。对做出海金融科技或 B 端 SaaS 的团队来说，这个案例的参考价值在于：先找到那个「高频、规则半明确、人工成本高」的环节，再谈模型选型。交易验证恰好符合这三条，所以 30 分钟到 4 分钟的跨度才成立。如果换成低频、强判断的环节，同样的投入未必有这种回报。我自己的判断是，资本市场后台的 AI 改造会先从对账、验证、报告生成这类「有标准答案」的活开始，而不是直接碰交易决策。Chatham 这一步踩得很准，接下来值得观察的是它会不会把同一套能力外溢成对外产品。

GPT-6家族选型与调优指南

最近看到一份关于GPT-6家族模型的选型指南，主要面向创业团队。我仔细读了一遍，觉得里面有几个点很实在，值得结合自己的经验聊一聊。

指南首先强调，选模型不是越大越好，而是要看任务类型。比如需要复杂推理的，就选高推理档位；只是做分类或提取，低档位反而更快更省。我自己的体会是，很多团队一上来就默认用最强模型，结果成本翻倍，响应还慢，其实完全没必要。关于提示词和技能调优，指南建议把推理强度当成一个可调参数，而不是固定值。比如客服场景，简单问题用低强度，复杂投诉再切高强度。这听起来简单，但落地时往往被忽略。我见过不少产品，所有请求都走同一个配置，用户体验和成本都没优化好。工具协同部分也很有意思。指南提到，模型调用外部工具时，要明确分工，避免让模型自己猜。比如搜索、计算、数据库查询，最好拆成独立步骤，而不是一股脑塞给一个提示。这样不仅更稳定，也更容易排查问题。最后，指南提醒要为生产环境做准备，包括监控推理成本、设置降级策略、定期评估模型表现。我觉得这点最关键，很多团队在demo阶段跑通就上线，结果流量一大就崩。总的来说，这份指南不是教你怎么用某个具体功能，而是帮你建立一套选型和调优的思路，值得收藏。

OpenClaw 2.0 与 AI 开发模式

OpenClaw 2.0 这周发布了，距离它春节爆火其实也就半年。当时上门装龙虾都能收费，现在几乎没人再提，AI 圈的热度周期短得吓人。

这次 2.0 最大的看点不是功能，而是发布公告里的数字：933 位贡献者、合并了 16000 个 PR。官方全职 9 人、兼职 26 人，一个月合掉 16000 个 PR，平均每天 500 多个，人工审查根本不可能。我的判断是，这些 PR 基本靠 AI 审核加自动测试就合了。Vibe Coding 走到这一步是必然，但 OpenClaw 偏偏是个自主调用外部工具的东西，测试用例很难覆盖所有平台组合。16000 个 PR 里藏了多少 Bug 和风险，谁也没底。我依然坚持老建议：别在工作电脑上跑它，放独立虚拟机或云端。再往远看，OpenClaw 就是 AI 开发的缩影。以后应用软件可能都不该跑在本机，本机只留系统，应用全进虚拟机或云。这么一想，鸿蒙用卓易通跑安卓 App 的模式，反而更像 AI 时代该有的样子。顺带说一句，SolidJS 创始人 Ryan Carniato 写了篇《没人为你的堆栈辩护》，讲技术选型里的心理战。前端框架之争从来不缺这种文章，但放在 AI 批量写代码的背景下看，人到底还为不为自己的技术栈站台，确实值得想一想。

Laravel禁issue只收PR

今天刷到Laravel的新规，直接禁止提交issue，只接受Pull Request。第一反应是这也太离谱了，用户连问题都不能报，难道要每个人都读懂源码自己修？但仔细琢磨了一下，这背后其实有很现实的逻辑。

最直接的好处是垃圾issue会大幅减少。愿意花时间写PR的人，至少对问题更上心，那些机器人和骚扰者只会随手丢个issue，根本不会多走一步。对维护者来说，PR里带的信息远比issue丰富，定位和解决问题的时间反而更短。有人担心这会抬高门槛，但AI时代这个顾虑正在消失。用户即使不懂源码，也可以把问题描述给AI，让AI生成PR，提交成本和写issue几乎一样。Laravel敢这么干，本质上是开源项目资源不够，应付不了激增的issue，与其让问题堆着没人管，不如倒逼大家直接贡献代码。另一边，Anthropic用Claude完成了一件更夸张的事。他们让AI把安德鲁·怀尔斯129页的费马大定理证明翻译成Lean语言，结果Claude用了11天就搞定了，先证明了超过3万个辅助定理，最终代码长达1300万行，消耗数十亿Token，号称史上最长的数学程序，代码已经挂在GitHub上。这两件事放在一起看挺有意思。开源社区在收紧问题入口，逼着人用AI直接产出解决方案；而AI本身又在攻克人类团队几个月都啃不下的硬骨头。作为从业者，我觉得与其焦虑被替代，不如赶紧习惯把AI当成默认的生产力工具，不管是提PR还是做形式化验证，动手能力才是新的门槛。

Shopify 弃用 React Native 转原生

Shopify 宣布放弃 React Native，改用 Swift 和 Kotlin 开发移动端。六年前它高调拥抱 Web 技术，如今又走回原生路线，这种反复本身就说明技术选型从来不是信仰问题，而是成本问题。当年选 React Native 是为了省一个团队的钱，现在有 AI 帮忙翻译语言，原生开发的成本被拉平，性能更好的方案自然重新占优。

React Native 走到今天确实有点不争气。2015 年发布到现在超过十年，一些基础体验问题依然没有彻底解决，上手门槛也不低。它被替代并不冤，因为中间层技术最怕的就是底层工具链突然变强，一旦原生开发不再昂贵，翻译层的价值就被大幅压缩。这件事对做跨端的人是个提醒。过去我们选技术栈，核心考量是人力成本和维护成本，现在 AI 把语言之间的鸿沟填平了不少，选型的逻辑正在从「哪个好招人」转向「哪个跑得快、体验好」。不是说 React Native 明天就没人用了，而是它的护城河正在被 AI 和原生工具链两头挤压。另一个值得关注的消息是联合国投票建议废除墨卡托投影，改用平等地球投影法。墨卡托把地球仪直接拉成矩形，高纬度地区被严重放大，赤道附近的非洲看起来跟格陵兰岛差不多大，实际面积是后者的十四倍。新投影法保证面积比例不失真，代价是形状会被拉伸。这两件事放在一起看挺有意思。一个是技术中间层被更强的工具淘汰，一个是沿用几百年的地图投影被更公平的方案取代。它们都说明，旧标准不是被推翻的，而是被更便宜、更准确的新方案慢慢挤出去的。对从业者来说，与其守着熟悉的技术栈，不如盯着成本结构的变化，那才是真正决定风向的东西。

谷歌搜索中心活动首次落地波哥大

做拉美市场的朋友注意了，谷歌的 Search Central Live 终于要第一次走进哥伦比亚波哥大，时间定在 10 月 19 日。更早一周的 10 月 15 日，他们还会重返墨西哥城，等于把拉美两站连在一起办。

我对这个系列活动一直挺关注，之前他们在墨西哥、阿根廷和巴西都办过，这次明显是想把拉美 SEO 和内容生态再拢一遍。官方邀请的对象很明确：SEO 从业者、出版商、创作者、数字营销人员和网站主，内容覆盖 Google Search、Discover、News 等方向。部分演讲用英语，但会配西班牙语翻译，对本地团队来说门槛不算高。墨西哥城那场的具体安排是 10 月 15 日上午 8:30 到下午 1:30，演讲嘉宾和议程会在活动官网公布。报名截止到 9 月 16 日，确认邮件 9 月 21 日发出，里面会附上地址和其他细节。波哥大场因为是线下活动、座位有限，官方也建议大家尽早报名抢免费名额。我的判断是，这类活动对做拉美流量的人价值不在“听大厂讲趋势”，而在于能当面问清楚一些本地化问题，比如西语内容在 Discover 里的分发逻辑、新闻源收录的偏好。如果你正好在墨西哥或哥伦比亚有站点，值得抽半天去现场，顺便认识几个本地同行。

谷歌搜索大会明年重返印度

刷到一条对做印度市场的人来说挺重要的消息：Search Central Live 要在 2026 年回到印度了，地点定在班加罗尔，时间锁定在 10 月 30 日。官方自己都调侃说，三月份让大家「先别急」，结果这一等就是半年，现在终于可以站起来活动一下了。

先说时间点为什么值得提前关注。印度的出行和差旅安排往往需要不少提前量，尤其是跨城市飞班加罗尔，机票和酒店越晚越贵。官方这次提前大半年放消息，说白了就是希望大家早点跟主管打招呼、把假请下来，甚至顺手把报名也提上日程。再说形式，这次是纯线下活动，没有直播也不会有录像回放。官方的理由是，这样才能保证现场的互动质量、networking 的机会，以及更坦诚的面对面交流。我个人判断，这个设定对真正想混圈子、想当面问谷歌的人反而是加分项，但对只想白嫖内容的同学就不太友好了。参考 2023 年那场印度站的经验，这类活动的价值往往不在 PPT 本身，而在于你能不能在茶歇和走廊里逮到对的人。做独立站、做 SEO 代理、做跨境投放的，现场遇到同行和谷歌官方的人，聊十分钟可能比看十篇博客都管用。所以我的建议是：如果你主攻印度市场，先把 10 月 30 日这个日子圈出来，再评估一下预算和签证时间。报名细节还没完全放出来，但提前规划总不会错，别等到临近了才发现机票翻倍、名额也没了。