Every 7月26日周报：AI 变强之后，先拆掉旧工作流

Every 在 2026 年 7 月 26 日发布的《Sometimes You Have to Delete Everything》，没有宣布一款新产品。它更像一张工作台，把 Claude Opus 5 的首周摩擦、All Access 发布复盘、AI 工作流的失败案例，以及 Whoop 的原型治理放在同一页。文章由 Every Staff 发布，归在 Context Window 栏目，页面标注 7 分钟阅读。1

可见正文在四篇内容摘要后进入登录墙，所以本文只使用这部分公开材料。标题里的「Delete everything」也不应理解成删除所有工具的操作指令。我的读法是：当新模型或新方法让旧系统变得别扭时，先重新检查这套系统是否还值得保留。

周报把 7 月 24 日的 Opus 5 评测放在「Knowledge base」的第一条。公开原文里，Dan Shipper 和 Katie Parrott 写得很直接：模型会和指令争辩，在工作完成前停下来，也没有很好地配合 Every 已有的 skills 和插件，包括 compound engineering。文章完整评测仍在订阅墙后。2

这给「删除一切」这个标题加了一层具体含义。Every 现在公开的并不是一次基准测试，而是一个兼容性问题：模型的单次能力很强，放进已有的提示词、插件和收尾习惯后，却未必省事。至于他们最后会不会改造工作流、保留模型，公开内容还没有答案，不能替它补上结论。

周报把 Katie Parrott 的《Why Some AI Workflows Stick—And Others Don't》和 Hilary Gridley 的 Whoop 原型文章放在 Opus 5 后面。两篇文章处理的是同一个实际问题：搭建变便宜以后，团队怎样判断一个工作流或原型值得继续。

Katie 的公开正文写到，她为自己做的 Attention Desk 最后被放弃，因为它解决的是一个她并没有的工作问题；她后来给自动化设了很硬的试运行规则：先手动跑三次，输出复核时间控制在五分钟以内，连续四次没有使用就考虑修改或退休。3

Whoop 的案例则从另一边说明同一件事。Hilary Gridley 写道，团队借助 Bolt 和 Replit 在一个下午就能做出原型，却没有稳定的方法判断哪些应该留下。周报摘要补充说，Whoop 后来用 12,000 人的 beta 群体检验想法；原文公开页目前只读到前段，因此这里把这个数字归于周报摘要，不把它扩写成完整实验结论。4 1

同一期周报还收录了 Every 7 月 22 日的 All Access 发布复盘。原文写明，这个年费 625 美元的会员层在两天里带来约 9,000 美元的月度经常性收入增长；另一项给有购买意向用户发送的邮件实验带来 25,000 美元收入。这两个数字口径不同，不能相加，也不能把后者当成 MRR。5

这篇复盘把 AI 的位置说得更清楚：团队成员先定义问题和验收标准，再让 Codex、Claude 等工具处理分组、文案和测试，人回来修改结果并决定是否发送。它与 Opus 5 评测放在同一张周报里，构成了一个有用的对照：模型能否完成中间工作，和团队是否知道该让它做什么，是两件事。

这次更新最有辨识度的地方，不是出现了第四篇新文章，而是 Every 如何重新编排已有内容。Opus 5 讲模型与旧系统的摩擦，工作流文章讲什么该退休，Whoop 讲原型如何接受真实用户检验，All Access 则把这些原则放进一次商业发布。它们被同一个「Knowledge base」栏目串起来，读者看到的是一套关于 AI 工作如何落地的连续问题，而不是四条互不相干的链接。1

产品线方面，官网首页当前仍列出 Spiral、Cora、Sparkle、Monologue、Proof 和 Plus One；其中 Plus One 的卡片写着「Onboarding first users now」。页面没有给出这条状态的发布日期，所以它只能算当前产品页信息，不能算 7 月 26 日的新发布。6

All Access 复盘文章链接了 AI & I 第 106 集的视频、音频和 transcript，Every 的官方播客页也把这集列在最上方，标题是《How Every's Team Used AI to Ship Its Biggest Launch Ever》。5 7

但官方播客列表没有给出这条记录的绝对发布日期，本轮 Apple Podcasts 也没有返回可用的单集列表。因此，本文不把第 106 集算作 7 月 26 日至 27 日的新播客，也不根据节目简介代写完整访谈。当前能确认的是：它是这次周报重新推送的一个内容入口，主题与 All Access 发布复盘相同。

对 Every 的下一步观察，重点会落在一个很具体的问题上：当模型能力继续上升，团队会改造旧工作流来适配它，还是会把不能快速回报的那一层直接删掉。公开页面目前只给出了摩擦和筛选标准，没有公布最终取舍。2