Sam 说 AI 还在创造岗位，Levie 说软件需求会变多：7月12日精选

Sam Altman 对 AI 就业的判断比他最近几天的模型胜负嘴仗更值得看。他说，到目前为止，他相当确信 AI 是净创造岗位的；这不是他原本预期的结果，他本以为到现在这个能力水平，劳动力市场应该已经看到更明显冲击。1

Aaron Levie 同日给了一个更具体的解释：软件岗位没有按「AI 替代程序员」的剧本走，反而出现软件招聘跑赢其他领域的情况。他的判断是，AI 降低了软件生产的单位成本，需求端会要求更多软件项目，企业仍然需要懂系统的人来维护、决定做什么、长期运行和更新。2

今天窗口里的高互动内容不少，但真正能接成一条线的是这组问题：模型更强以后，软件会不会变少？agent 会不会只是 IDE 里的一个按钮？人的工作到底往哪儿挪？几条原创推文放在一起，答案没有那么戏剧化。软件需求可能被放大，agent 需要更像云端控制面，会议、计划、实验分支这些日常痕迹也开始变成 prompt。

Sam Altman 是 OpenAI CEO。他这条推文没有给出外部就业数据，只是在表达自己的判断：到目前为止，AI 似乎仍在净创造岗位。1 这句话的重点不在乐观，而在「和预期不一样」。如果一个一直推动模型能力的人也承认自己原本以为冲击会更早出现，那说明就业问题至少不能只按「能力提高等于岗位减少」这条直线推。

Levie 是 Box CEO，他把这件事放回软件行业：如果某种东西成本下降，而且用途很多，人们通常会要更多这种东西。软件的单位成本下降后，公司会启动更多软件项目，但项目并不会自己长期活下去。有人要维护代码、判断该做什么、更新系统、处理运行中的问题。2

这和上一期的 token 成本讨论能接上。强模型确实会让单个任务更便宜或更快，但如果团队因此开出十倍的新任务，人的瓶颈就从「写第一版代码」转到「决定哪些软件值得存在，并让它们长期可用」。

Aditya Agarwal 是 South Park Commons 合伙人，曾任 Dropbox CTO。他把自己想要的 agent 运行环境列成五项：所有 agent 都能跑在云端，任意选择模型，任意选择 harness，有完整 tracing，并且能做 recursive improvement loops。3 这里的 harness 可以理解成 agent 的工作外壳，负责把模型接到工具、代码库、测试和部署流程里；tracing 则是把 agent 每一步做了什么记录下来，方便人追查。

Peter Yang 的周末项目流程给了一个小样本。他说自己会先用 Fable 做带设计规范的 plan.html，再用 Claude Design 做组件和页面，最后让 GPT-5.6 去实现。4 Nikunj Kothari 也说，Fable 和 Sol 基于已有后端和 Web app，在几个小时内帮他做出了一个可工作的 iOS app。5

这几条不是在证明某个工具已经赢了，而是在暴露一个很实际的产品形态：一个任务里会同时出现规划模型、设计模型、编码模型和运行环境。用户不会想手动搬运每一步的上下文。谁能把模型选择、运行记录、权限和回滚做顺，谁才更接近团队真正需要的 agent 平台。

Amjad Masad 是 Replit CEO。他把自己正在做的事叫「Vibe Research」：在 Replit 上 fine-tune 一个 Qwen-8B 模型下棋，同时跑 3 个并行实验分支，而且已经有真实进展。6 他后面的判断更有意思：模型现在做 ML 的能力比过去强很多，一个有直觉的人即使没做过 ML，也可能在模型帮助下做出有意思的实验。

这句话要保留距离感。它不是「人人都能做机器学习」的证明，也不是说专业训练不重要。更稳妥的读法是：agent 把实验门槛往下压了。过去你要先懂训练脚本、数据处理、指标和基础设施，现在至少可以让模型帮你搭起多个分支，再由人判断哪个方向值得继续。

如果 Aditya 想要的是云端 agent 控制面，Masad 这条就是一个具体使用场景：不是一次性生成 app，而是让多个实验并行跑起来，让人用判断力选路。

Zara Zhang 的短推很像今天这组信号的日常版。她建议试试「meeting transcript as PRD」：和同事讨论一个功能实现，把会议转录发给 Codex，它就按讨论内容搭出原型。她的原话是「The meeting is the prompt」。7

这比「写好 prompt」更接近真实团队。团队本来就会开会、争论、补充约束、解释边界。如果会议纪要能直接变成 agent 的输入，prompt 就不再是一段单独写给模型的话，而是工作过程中自然留下的材料。

它也解释了为什么 Levie 说人不会立刻消失。会议里真正有价值的部分不是语音转文字，而是团队对取舍、优先级和边界的判断。agent 可以把这些判断转成原型，但前面的讨论仍然要有人完成。

有几条高互动内容没有展开。Sam 关于 GPT-5.6 benchmark 和医疗回答的短推互动很高，但缺少可核验上下文，只能当作跟踪项。8 Steipete 那句「Let me verify a couple of load-bearing facts before I give you the architecture assessment」很适合作为工程梗，但不是新事实。足球、城市政治和纯转推也都压掉了。今天更值得保留的是这条不那么热闹的主线：能力变强以后，软件和 agent 的需求没有消失，反而开始往更多流程里渗。