这个创意真的不错

Anthropic 刚推出的新版 Claude Code Projects真的很不错 AI 编程正在从“人与一个助手反复对话”， 变成“人负责目标和验收，AI 团队并行执行”。 这比单纯提升模型能力更可能改变完整产品的开发方式。 它不再只是整理对话的文件夹，而是一个“总协调者＋多条并行任务线程”的开发环境： 你描述最终目标后，Claude 会拆分工作， 让多个完整的 Claude Code 会话分别在独立代码分支上研究、修改、测试和提交 PR， 同时共享项目记忆与文件库。 claude.com/blog/projects-red…

1992年春天，被赶出苹果的第七年，37岁的乔布斯走进麻省理工学院 献上了有史以来录制的最原始、最未经滤镜的60分钟商业大师课。 零公关废话。 讲了整整70多分钟，讲完还在台上跟学生硬碰硬。 整场剥掉客套，真正能带走的就四句话： 1. 别给管理层瞎堆工具。 平庸的公司花钱买软件，净琢磨怎么让总监看汇报更快；真正厉害的公司把预算砸在一线，让干活的人少受折磨。 2. 离开苹果那事，大家都输了。 结局很难看，但别赖在坑里复盘怨气。拍拍灰往前走，日子要过，公司也得往前跑。 3. 手下把事情搞砸了，克制住“替他擦屁股”的冲动。 你冲上去把坑填平只能爽这一个星期；逼着他自己学会爬出来，才能保后面几年。 4. 有分歧别绕弯子。 别搞虚伪的客气，把有冲突的人锁进一间会议室，吵明白、谈透彻，真正达成共识之前谁也别走。 乔布斯后来说，当年被踢出局，学到最痛的一课不是产品，而是人。 一支能磨合十年的铁打班底，比下个季度赶出来的一堆速朽功能值钱得多。 现在看这段视频挺扎心的： 太多人还在疲于奔命修今天的bug，而那个摔在半山腰的乔布斯已经在琢磨: 十年之后，还有谁能跟你背靠背打硬仗？

Claude Code 的工程师刚刚发布了一段 28 分钟的极其干货视频，内容堪比黄金： “如何编写提示词以获得极佳的结果。” 我之前看过 500 美元的课程，甚至连他前 10 分钟讲的内容都比不上。 从CLAUDE.md 文件、记忆快捷方式、并行会话，以及几乎没人使用的提示模式…… 全都在这段28分钟视频中。 完全免费。没有废话。 无论你是开发者、刚入门AI， 还是已经使用 Claude 好几个月了， 从今天起将改变你的游戏规则。 赶紧保存。今天就观看。

别花两年去学怎么当Agent工程师。 吴恩达教授把打法完全摊开来讲。 免费，一个多小时。 大多数人还在一次提问、一次出结果。 他讲的是另一件事： 别指望模型一口说对，让它多跑几圈。 能带走的就这四招： 1. 反思：先写一版，自己挑毛病，再改 2. 工具：不会搜、不会跑代码、不会查库，那就只是会说话 3. 规划：先拆步骤，走偏了再换路 4. 多人协作：调研、执笔、审核分开干，别让一个角色包圆 他反复念叨更土的一件事： 先做评测。看trace，看它到底在哪一步瞎了。 框架换来换去，不如把错误分析做扎实。 同一套模型。差的不是更聪明，是有没有流程。 提示词决定它怎么开口。 
流程决定它能不能把活干完。

斯坦福刚刚发布了一堂课： “任何人都能在 60 分钟内跑通自己的第一个 Agent。” 别再对着聊天框死磕提示词了，同行早把 Prompt 封装成了能干活、能落地的自动化系统。 整门课不绕弯子，商业闭环就四步： Prompt → Agent → 自动化流 → 变现交账。 真正在一线能用上的干货就这四条： 1. 先做出一个会调工具的 Agent： 别整天在对话框里当“词语驯兽师”，让模型能调 API、抓数据、调工具，才是工程上的质变。 2. 零代码也能搞，先跑通闭环再谈优雅： 别一上来就画虚头巴脑的架构图。能把业务逻辑从头到尾串顺、跑出结果，比什么都强。 3. Reasoning 模型的杀招是自主纠偏： 它的厉害之处不是情商高、更会聊天，而是会拆解任务、能边做边自检、发现卡壳懂得主动回溯换路。 4. Agent 根本不是写得更长的大 Prompt： 靠小作文硬撑的叫聊天模板；真正的 Agent 是链式调用、路由分流、并发执行与结果校验死死咬合的系统工程。 大家调的模型底座都差不多。 拉开差距的，是谁先把模型从“聊天界面”里拽出来，按进真实业务的泥坑里干苦力。 会提问的人满大街都是； 能让 AI 自己把脏活累活干完、拿到交付结果的人，才刚开始吃红利。

xAI 刚放出来的这场 GrokBot Workshop，是我今年看过信息密度最高的一小时。 三个工程师，一小时，从零搭出一个能跑的产品。没有产品经理，没有设计师，没有运营。 不是那种"我来演示一下 AI 多厉害"的发布会。 是 Matt Palmer、Lauren Tan 和 Roshan Sadanani 三个人坐下来，打开编辑器，当着你的面从空白项目开始，一步一步把东西做出来。 四个部分，每一段都值单独看： 04:12 — 你的第一个 Bot，从空白到能跑不讲概念，直接上手。怎么定义任务、怎么给上下文、怎么让它出第一个可用的结果。看完这段你就能自己起一个。 28:40 — 怎么把真实工作交给它大多数人卡在这一步：Demo 能跑，但真活不敢交。这段讲的是工程师怎么把自己日常在做的事一件一件拆出去，交给 Bot 干，自己只管验收。 44:25 — 不用产品经理也能推进产品需求整理、优先级排序、进度跟踪：这些传统上需要一个 PM 盯着的事，他们演示了怎么让 Bot 接管。一个工程师带一组 Bot，产品自己往前走。 52:25 — 创始人的 Agent 技术栈最后十分钟是干货最密的部分。从选什么模型、怎么编排多个 Agent、到怎么把这套东西部署上线开始交付，整条链路走了一遍。 三个人，一小时，零到一。 中间没有任何"接下来让我切到准备好的 Demo"：全程现场写、现场调、现场出活。 外面卖几百美元的 Agent 工程课，讲的还没这一个小时透。 而且这个全免费。

OpenAI是真的听劝啊 心心念念已久的功能 最新版ChatGPT客户端 浏览器终于支持安装Chrome扩展程序了 以后做自动化操作更方便了

最近看到一个交易员非常漂亮的打法： 她直接用 Claude 从零搭了一整套能自己选股、下单、盯盘、控仓的交易机器人， 还放出了 23 分钟完整的实战录屏，全程手把手教人复刻。 她最狠的不是让 AI 预测走势，而是把交易逻辑彻底工程化了： 1. 规则写死在 rules.json 5 分钟顺势做多，单笔锁死 1% 风险，最多 5 仓，尾盘强平。规则全在文件里，不给 AI 任何临场脑补的余地。 2. 自动化盯盘循环 盘前扫缺口，盘中 5 分钟跑一轮。先止损、减仓、推保本，把手里仓位管严实了，才看要不要开新仓。 3. 极简实操架构 Claude Code 调盈透 API 跑模拟盘，肉眼彻底解放。手机只收关键推送：建仓、减仓、移动止损、系统报错。 4. 最清醒的实操认知 回测再漂亮（64% 胜率、2.48 盈亏比）也别当真。真实的跳空、滑点、部分成交和主观盘感，回测里全都不存在。 绝大多数人拿大模型炒股，都在逼它预测未来； 而真正懂行的人，是把无聊且反人性的纪律全甩给系统，把真正的逻辑和边界留给自己。 能写代码的模型遍地都是， 但能按你的规则不带情绪跑完一整天的，才叫搭档。

思路可行，能提高效率，但更准确地说，是让 Agent 先消化能自行回答的问题，再把关键决策交给人。 其中有三点不同看法： 1. “BFS 遍历需求树”这个比喻有点太过绝对。 需求对齐不一定逐层进行，也不必遍历所有节点。真正该优先讨论的是不确定性高、答错代价大的问题。 2. Agent 自己反复 grill，不等于与人对齐。 Agent能检查矛盾、补充遗漏、推断已有惯例，但无法凭空知道人的偏好。循环也可能把错误假设越写越完整，形成“内部自洽、方向错误”的 PRD。 3. 最后只审核 PRD，可能会把成本转移到审稿。 文档越长，隐藏假设越难发现。比起只交 PRD，更应该同时交付：已确认事实、待确认假设、需要人拍板的少量问题。 另外还有两个比较重要的点： 1. 影响目标、范围和核心体验的决策，不能由 Agent 默认为已对齐。 2. 通过条件也应从“Agent 认为完全对齐”改成：关键问题都有依据或明确标为待确认，没有未解释的冲突，并达到迭代上限。 最后，这个方法我个人感觉更适合成熟项目里的增量需求。 成熟项目的增量需求通常依据多、未知少、影响范围明确： 1. 已有规则可参考：用户角色、界面风格、数据结构、业务约束都有先例，很多问题查文档和代码就能回答。 2. 需要决定的事情较少：比如给现有系统“增加导出功能”，主要讨论导出哪些内容；从零做一个系统，还要决定服务谁、解决什么问题等。 3. 容易验证和纠正：可以沿用现有流程、测试和验收标准，做错后也更容易局部修改。 反过来，新项目最大的未知往往是用户到底需要什么、产品方向是否正确。 这些需要人的判断和真实用户反馈，Agent 很多时候多循环几轮也无法自行确认。

马斯克警告说，留给普通人的时间不多了：: 最多还有3年的时间，你还能靠“出卖劳动力和时间”换钱的最后窗口期。 3 年之后，绝大多数常规任务都将被 AI 全面接管，花钱买一个人的“工时”，将彻底失去商业逻辑。 工业革命两百年来跑通的核心生存法则：“我给你发薪水，买你的时间”，正在走向终局。 紧随其后的，将是近现代史上规模最庞大的一次财富大洗牌。 嗅觉灵敏的人早就悄悄调头了； 而那些非要等到这事变成铺天盖地的大新闻才后知后觉的人，注定连上桌的机会都没有。 未来的游戏规则极其现实： 商业世界不再看你加了多少班，只看你手里攥着什么资产。 眼下最聪明、性价比最高的下注，既不是死磕买地买房， 也不是跟风盲目抄底加密货币 而是搭起一套由 AI 驱动的自动化现金流系统，即使你躺下睡觉，它也在自动替你运转变现。 摊子不用铺太大： 吃透一项核心技能，打穿一个垂直细分场景，先把每月 1 万美元的闭环彻底跑通。

推荐工作流：一个任务从进门到交付 这是视频 implicit 的主循环，比任何单条功能都重要。 1. 选对容器 一次性问题用 Recents；会留下文件用 Project。 2. 选对模型与强度 Astra + 与任务匹配的 reasoning effort。 3. 先给上下文，再给动作 文件、截图、现有链接、约束、成功标准。 4. 要求最小可验证产物 能打开的页面、能下载的表格、能点的按钮。 5. 你自己验收 用浏览器、模拟器、真机或文件预览。不要只读它的「我已经完成」。 6. 用批注或短反馈迭代 圈问题，不要重写整段需求。 7. 需要重复就变成 Skill 第二次做同样的事，就该沉淀。 8. 需要上线再接生产栈 GitHub / Vercel / Convex 或 GPT Sites。 9. 需要长期跑就变成定时任务 并保证那台电脑还活着。 10. 需要并行就开多对话或子代理 不要让一条线程既做研究又做部署又做封面。

本文基于 @rileybrown 2026 年 9 月 14 日发布的近 2 小时课程《28 Insane Things GPT-6 Astra + Codex Can Do》深度整理。目标不是复述口播，而是把视频里每一层操作、每一个限制、每一条可复用工作流，写成一份你可以发给团队任何新人的完整上手手册。 Riley 开场说了一句几乎贯穿整支片子的话： 如果只能留一个 AI 工具，其他全部扔掉，他会留 Codex。 这句话不是营销。他用 Codex 跑了 6 个月创业公司 Agent Native，同时把内容频道做到数百万粉丝。他要解决的问题很具体：怎么让一个团队里「不会写代码的人」和「会写代码的人」，共用同一套界面，把知识工作和软件工作放在同一个地方完成。 所以这支视频的真正目的，不是教你「怎么聊天」，而是教你一件更狠的事： 把 GPT-6 Astra 这个模型，放进一个有文件、有浏览器、有插件、有定时任务、能控制电脑和手机的工作台里。 在继续之前，先记住三个硬区分，后面 28 条都建立在这上面： Codex 是应用，GPT-6 Astra 是模型。 模型负责思考，应用负责给模型一个能干活的环境。 你要用的不是 chatgpt.com 网页，而是 ChatGPT 桌面客户端里的 Codex 模式。 网页版 ChatGPT、GPT Work（云端办公代理）都不是本指南的主角。 输出不是一段文字，而是你电脑上的真实文件、本地跑起来的应用、能打开的网站、能发出去的邮件。