Levie 说开源模型要进应用层，Cat Wu 把 Claude Code 用到招聘：7月6日精选
本期精选 7 月 6 日窗口内的 AI/科技核心人物推文：Levie 把开源模型放进企业应用层的长期模型路由，cat wu 与 Peter Yang 展示 Claude Code、Codex 从代码助手扩展到招聘、上下文收集和原型设计，Garry Tan 与 Nan Yu 则把信号落到 AI 基建和工作强度变化。
开源模型不再只是「便宜替代品」，Levie 把它放进了企业 AI 的长期运行结构里：前沿模型负责规划、编排和处理新问题，成熟任务逐步切给低成本模型或专用模型。另一边，Claude Code 和 Codex 的使用场景开始从写代码外溢到招聘、会议理解、原型设计和音频处理。今天的主线很清楚：agent 不是多了几个按钮，而是在变成工作里的调度层。
速览
| 主线 | 关键人物 | 信号 |
|---|---|---|
| 模型分层 | Aaron Levie | 应用层要能做 eval、选模型组合，成熟任务再迁移到低成本或专用模型 |
| 工作流外溢 | cat wu、Peter Yang | Claude Code / Codex 从代码助手扩展到候选人 sourcing、会议上下文、界面原型和音频处理 |
| 基建外溢 | Garry Tan | 数据中心不只是算力，还会牵动电力、电网、芯片和建设融资 |
| 工作强度重估 | Nan Yu、Nikunj Kothari | 996 和融资会议这类旧工作方式，被自动化和 AI 上下文工具重新定价 |
Levie：开源模型会先进入成熟任务，而不是一上来替代前沿模型
Aaron Levie 在 7 月 7 日凌晨发了一条长推，讨论开源 AI 与应用 AI 层的关系。他的判断是：前沿模型仍会站在新用例、复杂工作流规划和编排的前面；但当企业用例变得成熟、可预测，应用层就可以把一部分 token 迁到低成本开源模型、低成本闭源模型，或为特定任务训练的模型上。1
Loading content card…
这条推文延续了他过去几天反复讲的「applied AI layer」：真正有价值的不是简单包一层 LLM，而是掌握 domain eval、模型选择、权限治理和工作流改造。eval 在这里不是学术榜单，而是企业知道一个模型在自己的销售、法务、客服、财务任务里到底能不能用。
他的提醒也很现实：太早迁移不划算，因为团队还不知道该优化什么。等任务形态稳定后，再把大批量、边界清楚的部分切出去，成本优势才会显出来。这和前几期的 token 成本讨论接上了，但这次更具体：省钱不是采购侧动作，而是应用层长期工程能力。
Claude Code 开始做招聘 sourcing，Codex 被拿来补上下文
cat wu 把 Claude Code 的一个新用法讲得很具体：告诉它岗位和候选人背景要求，让它启动 dynamic workflow 找 100 个候选人，收集 LinkedIn、Twitter、博客、播客和一句话 pitch，再做成 artifact 发邮件。她说自己可以合上电脑出门，等完成后在路上审阅结果。2
Loading content card…
这不是「AI 帮我写一段岗位描述」那类轻任务，而是把检索、筛选、结构化、交付物生成和异步通知串在一起。招聘只是例子，类似模式可以迁到竞品调研、客户名单整理、投资标的初筛。关键变化是，人不再一步步问工具，而是把任务说明、约束和交付格式一次性交给 agent。
Peter Yang 同一天也贴了 Codex PM Rohan 的用法：开会或遇到不理解的内容时，让 Codex 去收集上下文；他还引用 Rohan 的话说，团队很幸运，因为他们是在给自己做工具。3
Loading content card…
这和 cat wu 的例子指向同一件事：coding agent 的边界正在从「改代码」扩到「帮我理解工作场景」。代码库只是最早被结构化的一类上下文；会议、候选人、播客、博客、产品截图，都会被拖进同一个工作流。
Image Gen 正在变成 Codex 的原型草稿纸
Peter Yang 还贴了 Rohan 的另一个工作流：先截一张 Codex composer 的界面图，让 Codex 调用 Image Gen 生成 4 到 5 个项目选择改进方案，再把其中一张图变成 Codex site 原型。Rohan 的原话是，大家常把 Image Gen 想成「把头发变蓝」这类趣味图，但它也能生成很强的数字产品 mock。4
Loading content card…
这条的价值在于把「设计」拆回更小的循环。过去原型可能从 Figma 或前端代码开始，现在可以从截图、文字约束和几张图片方案开始。图片不是最终稿，而是让团队更快看到备选方向，再把其中一个方向交给代码环境继续跑。
同一天早些时候，Peter 还问 Codex 有没有办法听音频或识别语音，因为他想用它剪片段、去 filler words，但觉得 Whisper 不够可靠。5 这说明 agent 的输入模态还在补课：开发者想把文本、图片、音频、视频都放进同一个执行循环，工具还没完全跟上。
Garry Tan：数据中心是一种会拖动产业链的融资工具
Garry Tan 的短推把 AI 基建说得很直：数据中心不只是 compute，它还是一种融资工具，会把发电、电网、芯片和建设一起拉动起来；一个 buildout 会带动十几个相邻行业。6
Loading content card…
这条和模型成本讨论是同一枚硬币的另一面。应用层在想怎么把任务切给不同模型，基础设施层则在想怎么把电力、土地、芯片、资本开支组织起来。AI 的成本问题不只在 API 账单里，也在电网和建设周期里。
Nan Yu：996 的边际收益变了
Nan Yu 说，20 岁时最大的优势是能把大量时间砸进工作；回头看，那些时间多半花在繁琐编程任务上，而这部分正在被自动化。他的结论是：996 仍然有用，但不像以前那样普遍有效。7
Loading content card…
这不是一条简单的工作时长感慨。它更像是在说，AI 把「多干几个小时」的收益曲线改了。以前多花时间能换更多样板代码、更多手工整理和更多重复试错；现在这些部分被 agent 吃掉后，人的优势更可能转到判断、取舍、品味和任务定义上。
Nikunj Kothari 从融资会议讲了类似问题。他吐槽创始人与 VC 反复讲同一套 deck，不如要求对方先体验产品并带来两条反馈；他甚至说，把双方的个人「prompts」交给 Claude 先跑一遍，可能都更高效。8
Loading content card…
融资会议、招聘筛选、产品原型、上下文收集，今天这些推文看似分散，其实都在问同一个问题：哪些工作还值得人同步坐在一起做？如果 agent 已经能完成资料搜集、初筛和草稿生成，人的时间就该留给更难外包的部分：判断这个人值不值得见、这个产品方向值不值得押、这个模型组合值不值得长期维护。
值得跟踪的短信号
- Peter Steinberger 推荐
crabbox.sh，这条推文收藏数很高，但正文只有一句推荐和一个链接，本期先作为工具入口记录，不展开成确定产品更新。9 - Dan Shipper 把模型使用比作「big expensive swing」和「small ball」，即大模型重击与小步累计之间的取舍；这和 Levie 的模型分层主线同向，但原推上下文较短，本期只作跟踪项。10
- Nikunj Kothari 还写了一条关于 VC sourcing 的长推：一边说投资是找 outlier，一边又想用算法证明自己的差异化；他的做法是扩大「运气接触面」，同时提前准备 3 到 4 个早 6 到 12 个月的方向。11
今天可以先把主线收在 Levie 那句话上：前沿模型、低成本模型、专用模型都会继续增长。真正稀缺的是谁能把它们放进一个可评估、可路由、可改造工作流的系统里。
References
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.