今天最引人注目的声音来自 Box CEO Aaron Levie，他用一篇长文复盘 Cursor 的成功：「大多数人严重低估了 AI 编程市场的规模。」Cursor 证明了在用户和底层模型之间存在巨大的创新空间——产品形态、中立层设计、后训练优化、基础设施栈、GTM 策略，每一步都是教科书级别。Meta AI 的 Madhu Guru 也从另一个角度呼应：Cursor 启发了整个「Cursor for X」的产品范式，AI 产品正在摆脱聊天机器人阶段的局限，寻找自己的产品元范式。
Anthropic 同步推出 Claude Foundation Models framework 支持，让 Apple 开发者可以用原生 Swift 调用 Claude 处理多步推理、代码生成等复杂任务，而简单的摘要和提取则交给本地模型。这种「设备端 + 云端」的分层架构，为 Apple 生态的 AI 应用打开了新思路。
与此同时，Basis 联合创始人 Mitch Troyanovsky 在 MAD Podcast 中分享了构建长期自主 Agent 的经验：Agent 不是普通的自动化，而是需要适应非确定性实体的协调系统。他直言即便 100 个评估全部通过，也不代表能在真实生产环境中工作——这一观点正在改变行业对 agent 成熟度的判断标准。
Basis 的 agent 可以自主运行数小时甚至数天，已完成端到端报税等复杂任务。Mitch 的核心观点：人们早已习惯与非确定性系统协作（比如同事），只是现在轮到计算机了。设计 agent 的本质，就是设计一个让非确定性实体协同解决问题的系统。
他提出了一个尖锐的观察：即便 100 个评估全过，也不能保证能泛化到真实生产环境。「如果一个人靠维基百科就能答对 100 题，会计师事务所也不会雇用他。」这句话点出了当前 agent 评估的致命缺陷：测试环境与真实世界的鸿沟。
另一个反直觉的发现：工程师们为代码文件是否抽象得当而焦虑，却忽视了上下文质量才是真正影响 agent 性能的因素。「英文（prompt）比代码更珍贵，因为英文直接影响性能。」这一洞察对 agent 工程实践有直接指导意义。
收听原片 ↗Cursor 完美执行了 applied AI 战略，证明了大多数人严重低估了 AI 编程市场的规模。最成功的开发工具退出估值仅数十亿美元，而 agent 编程的市场远大于预期。在用户和底层模型之间存在大量创新空间——产品形态、中立层、后训练、基础设施、GTM 策略，Cursor 提供了完整的 applied AI 教科书。 原推 →
Cursor 对 AI 产品文化的冲击被严重低估。AI 产品曾被困在聊天机器人阶段，直到「Cursor for X」模式出现，启发了全新的产品范式。当每个人都能用 AI 构建产品时，真正的差异化来自产品直觉、领域知识、分发能力和执行力。AI 不会改变这一基本规律。 原推 →
AI 并不是「参差不齐」的——它只是「像 AI 一样」。就像说狗因为与人类在某些任务上相似、优越或 inferior 而「参差不齐」一样荒谬。这个比喻精准地击中了当前 AI 评估框架的误区：我们用的是一套为人类设计的标尺。 原推 →
Gemini 3.7 Flash 已上线 Gemini App。同时 Google Labs 的实验 Pomelli 受到小企业欢迎——它能快速生成高质量产品图，新推出的视频/GIF 生成功能让营销内容创作门槛进一步降低。 原推 →
团队已全面转向用 OpenClaw 构建 OpenClaw。将 agent 会话作为 URL 分享是一种超能力——协作模式和上下文传递的方式正在从根本上改变。这种「用自身工具构建自身」的元循环，是 agent 时代开发范式的标志性转变。 原推 →
使用 GStack 前后最大的惊喜：对于很多 once-way-door 问题，现在可以直接说「采纳所有建议」然后继续工作。这反映了 agent 可靠性的实质性提升——从需要逐项决策到可以信任整体建议。 原推 →
ChatGPT 新增餐厅预订功能，Codex 社区在热烈讨论本周解决的难题。OpenAI 正在将 agent 能力从编码扩展到日常生活场景，这种横向扩张是 platform 成熟的标志。 原推 →
AI 时代工作日的演变：以前是 [决策][流程][流程][决策][流程]……凌晨 10 点还在加班；现在是 [决策][决策][决策][决策][决策]，下午 3 点大脑空白，只想喝咖啡。这个段子背后是真实的 productivity shift——AI 承担了大量执行工作，人类的决策密度显著提高。 原推 →
Anthropic 发布了对 Apple Foundation Models framework 的支持，通过新的 Swift package 让开发者用原生 Swift 调用 Claude。核心思路是分层架构：简单任务（摘要、提取）走设备端本地模型，复杂任务（多步推理、代码生成、网络搜索）交给 Claude。
开发者可以用 @Generable 注解实现类型安全的返回，只需三行代码即可完成 Claude API 调用。示例场景：日记 app 在设备端生成每日 prompt，然后让 Claude 跨数月条目寻找主题关联；学习 app 在设备端定义术语，学生追问「这对我们学过的所有内容意味着什么」时再移交 Claude。
支持 iOS 27、iPadOS 27、macOS 27 和 watchOS 27，需 Anthropic API key。这一整合的意义在于：Apple 生态的 AI 应用不再只能依赖本地模型，复杂推理可以无缝交给云端——而且对用户而言是一次完整体验。
阅读原文 ↗