评测正在成为建造者圈子的头号议题。Meta AI 高级总监 Madhu Guru 在「如何构建好的评测」系列第七篇提出金发姑娘原则：评测粒度要恰到好处，按「待办任务」（jobs to be done）分层测量，而不是只盯着最终答案。他举金融分析 agent 为例——如果推荐错了，一套设计良好的评测应该给出「客户理解 92%、证据提取 92%、数据分析 70%、推荐 75%」的分解，让你知道该往哪里深挖。AI 创作者 Peter Yang 则转述 Shreya 的洞见：top-down 评测（只给任务描述、让模型自由发挥）Claude 做得非常好；bottom-up 评测（从海量样本输出中提炼人的直觉、固化成评测）Claude 非常糟糕——「那是你自己的活儿」。结论惊人一致：评测是人的判断力工程，模型只是工具。
智能的降价开始引爆需求。Vercel CEO Guillermo Rauch 观察到：OpenAI Sol 的价格下调叠加 Vercel AI Gateway 的折扣，使 Sol 成为 Vercel 增长最快的前沿模型——「智能的需求高度弹性，推理成本下降，用量就快速增长」。他由此断言 gateway 不可避免，不用 gateway 就会错过这波价格波动带来的成本与利润红利。OpenAI Codex 负责人 Thibault Sottiaux 则给出更宏观的判断：2026 年是公司开始认真对待模型效率与可靠性的年份，因为模型正在变成关键基础设施；他同时确认 ChatGPT 用量上限已重置、昨日反馈的问题已修复落地。
YC 掌门人 Garry Tan 再补一刀预言：记录系统（systems of record）要么变成 AI 的缰绳（harness），要么被 agent 取代。把三条主线放在一起，行业正在从「模型能力竞赛」转向「基建与工具链竞赛」：评测决定质量边界，成本曲线决定扩散速度，数据与记录层决定 agent 的用武之地。
「2026 年是公司开始认真对待模型效率与可靠性的年份——模型正在成为关键基础设施。」他同时确认 ChatGPT 的用量重置已推送到所有账号，昨日反馈的问题也落地了修复，用户应能感到明显改善。从「炫能力」转向「保稳定、管成本」，OpenAI 正在进入基础设施运营者的节奏。 原推 →
在「如何构建好的评测」系列第七篇里提出金发姑娘原则：评测粒度要恰到好处，按待办任务分层测量，而不是只比对最终答案。以金融分析 agent 为例——若推荐错了，一套好的评测应该给出「客户理解 92%、证据提取 92%、数据分析 70%、推荐 75%」的分解，让你知道该往哪里深挖。不要太粗，也不要太细，够诊断就行。 原推 →
转述 Shreya 关于两类评测的洞见：top-down 评测——只给任务描述、让模型在真空中自由发挥——Claude 做得非常好；bottom-up 评测——面对海量样本输出，把你作为人的直觉外化成评测——「Claude 非常非常差，那是你自己的活儿」。评测的上半场模型能代劳，下半场的品味与判断必须由人来交付。 原推 →
OpenAI Sol 的价格下调叠加 Vercel AI Gateway 的折扣，让 Sol 成为 Vercel 增长最快的前沿模型。他认为这证明智能的需求高度弹性：推理成本一降，用量就暴涨；「不用 gateway 就错过这波剧烈的价格波动」——路由器赛道升温毫不意外，gateway 是必然。另一条推文里他亮出扩展 fx 的哲学：开放协议（MCP、Skills、Plugins）之上，最好的一层是 Unix——小程序各司其职、互相组合；libfx 让 fx 可嵌入更大程序，人人都能构建自己的 CLI、后台 agent 与软件工厂。 原推 →
给出预言：记录系统（systems of record）要么进化成 AI 的缰绳（harness），要么被 agent 取代。作为 YC 掌门人，他把这句话放进 2026 年的语境——企业软件的下一个分水岭，取决于谁能把数据资产变成 agent 顺手的基础设施。 原推 →
为 agent 生态站台：CLI 很好，但在你工作的地方有 UI 可视化和团队视图更好。另一条推文里他给开源项目 camsnap 加上旋转 USB 协议，让「龙虾爪」指挥 360 度网络摄像头转圈环视——把 agent 硬件玩成了玩具。从 CLI 到 UI 再到物理世界的爪子，agent 交互的边界正被一点点推开。 原推 →