Sam 预告 GPT-5.6 Sol，Levie 说企业 agent 卡在数据和组织：7月8日精选

GPT-5.6 Sol 还没正式发布，今天已经先把模型讨论推回一个更具体的问题：哪个模型能接住日常工作，而不是只在 benchmark 或短 demo 里赢。Sam Altman 发帖说 GPT-5.6 Sol 将在周四发布；Dan Shipper 则给出更直接的使用反馈，他说 Every 团队测试了大约一个月，短暂失去访问权限后，「像回到石器时代」，即使手上还有 Fable 也不够。12

这句话的信号不在「新模型又来了」，而在评价标准变了。Dan 还补了一条更窄的判断：GPT-5.6 在写作上比 Fable 更强，能一次写出可用的营销邮件，而 Fable 更容易啰嗦，甚至写出它自己的「私有语言」。3 如果这个判断成立，模型竞争就会继续拆细：一个模型适合长推理，一个模型适合写作，一个模型适合当 coding agent 的工作马。用户不会只问「哪个最聪明」，而会问「今天这件事交给谁最稳」。

Peter Steinberger 今天转向了一个很工程化的用法：如果跑他分享的 workflow，可以让 Fable 把 Codex 当作 workhorse；他给出的链接指向 GitHub 上的 codex-first skill。4 这很像把模型当成团队成员分工，而不是把一个模型当万能入口。Fable 负责规划、提问和判断，Codex 负责落到代码执行。

Nikunj Kothari 的反馈也在同一条线上。他说自己喜欢的 Fable 用法，是先生成 Claude Code 的 /insights，再把它喂给 Fable，问「在 Fable 时代，我该怎么使用 Claude Code 才能最大化它的效用？」然后再让它实施。5 这不是简单的「换一个更强模型」，而是在模型之间搭一层操作系统：一个模型理解另一个工具的使用方式，再把建议转成动作。

Nikunj 后面又补了一句更像市场体感的话：开发者在 Codex 和 Claude Code 之间来回摆动，每周都在「我们完了」和「我们又回来了」之间切换。6 这类情绪化表述不能当产品结论，但它说明一个现象：现在的领先优势很短，用户也更愿意频繁切换。

Aaron Levie 今天给出了一条更完整的企业侧总结。他说自己刚和几十位企业 IT 负责人聊完 AI agents，听到的共同主题包括：企业要先解决 operating model 问题，因为 agent 经常跨越组织孤岛；数据碎片化仍然严重；企业要弄清自己的核心数据护城河；AI 采用不能只看 token，最好看业务结果；未来大概率是多模型世界。7

这条长推和他当天更早的一条数据论可以连在一起看。Levie 说，真正有用的数据只有一小部分在开放网页上，大部分在企业内部：营销计划、产品路线图、开发实践、合同、财务数据和公司知识。企业能不能把这些数据安全地交给 agent，将决定它们未来怎么竞争。8

Madhu Guru 从模型构建侧补上了另一个角度。他反驳「data 和 evals 是低技能苦活」的看法，认为模型生命周期更接近「模型策略 → evals → 围绕 evals 的训练和 RL → GTM」；起点是用 evals 表达一个产品判断，过程中还要在目标 eval、回归 eval 和早期客户反馈之间做取舍。9

三条放在一起，今天的企业 agent 信号很清楚：问题不只是买到更强模型。公司要先知道哪些数据真有价值，哪些 eval 能代表业务结果，谁来管理跨部门 agent，以及具体工作流有没有被改变。没有这些，模型越强，越可能只是在一堆碎片系统上跑得更快。

Guillermo Rauch 今天继续推 Eve 的工具形态。他写道，文件系统很美；如果想让 eve.dev agent 拥有 GitHub 能力，可以定义 tools/github.ts 并导出 createGithubTools()。他把 Eve 描述成一个开放生态：可插拔模型、skills、channels 和 tools。10

这和 Peter Yang 的问题能接上。Peter 说自己很多 cron jobs 还跑在本地 Mac Mini 上，因为本地已经登录了 Google Workspace 和其他应用；他在问，哪些任务应该继续留在本地，哪些应该搬到云端，并接入 Claude 或 ChatGPT 账号。11 这个问题很实际：agent 一旦开始处理日历、邮箱、文档和公司系统，运行位置、权限边界和认证方式就不再是技术细节，而是产品体验的一部分。

Peter 更早还转述了 Codex PM Rohan 的一个用法：Codex 不只是写代码，也能帮他看一周会议，把可以合并的会议整理出来，找出哪些可以改成 DM，从而腾出 focus blocks。12 这条推文本身不算新产品发布，但它把 coding agent 的边界往外推了一点：当代码工具能读上下文、懂日程和安排任务，它就开始像个人 chief of staff。

Rauch 晚些时候也写到，agent stack 的各个部分正在「clicking together」，这会支撑他的个人生产力 agents。13 这句话很短，但和 Eve、Peter 的本地/云端问题放在一起看，方向一致：下一步不是再多一个聊天框，而是把模型、工具、权限、文件和长期任务接起来。

Zara Zhang 今天只发了一句「How to learn in the age of AI」，没有展开。14 这句话可以当作今天所有信号的脚注：模型在变、工具在变，学习方式也要变。但今天更可操作的答案来自那些具体工作流。先别急着追每个模型名，先把自己每天重复做的两三件事拆出来，看看它们需要的是写作模型、coding agent，还是一个真正能拿到权限和上下文的长期 agent。