Hacker News AI - 2026-06-02¶
1. 人们在讨论什么¶
6 月 2 日，Hacker News 上出现了 111 条 AI 帖子，高于 6 月 1 日的 94 条。总积分从 776 跳升到 1,653，翻了一倍多，评论量也从 459 增至 539。当天最大的转向是，智能体不再像一堆提示词，而开始显出基础设施的样子：桌面控制平面、常驻助手、运行时计费、政策语言，以及围绕个人上下文的反弹，一下子同时涌现。光是排名第一的那条帖子——呼吁不要用 AI 骚扰求职者——就吸走了 864 积分和 247 条评论，让当天的社会层面反弹根本无法忽视。
1.1 智能体控制平面从提示词文件扩展成完整操作界面 (🡕)¶
至少 6 个可见项目都指向同一种构建者模式：重点不再是“这是一个更好的模型”，而是“这是一个管理模型的界面”。GitHub、Microsoft、OpenAI 和一些更小的团队都收敛到同一个判断：智能体要变成日常工具，先得有持久会话、身份体系、插件、调度能力，以及明确的扩展点。
theanonymousone 发布了 《GitHub Copilot App》（86 积分，59 评论）。GitHub 的预览页描述了一个从 issue 到 merge 的桌面工作流：用户可以接手 issue 或 pull request，在多个仓库之间运行彼此隔离的智能体会话、审阅 diff，并用 MCP server 和自定义技能扩展整个闭环。HN 讨论立刻把 Git 的 worktree 视为核心基础设施，也提出了一个新的取舍：一旦同一台桌面应用能同时协调多个仓库，供应链失误和额度消耗都会扩散得更快。
EvanZhouDev 发布了 《Microsoft announces Scout, an autonomous AI agent built on OpenClaw》（68 积分，62 评论）。Microsoft 自己的发布把 Scout 描述成一个常驻的“Autopilot”：它横跨 Teams、Outlook、OneDrive 和 SharePoint 运行，以自身受治理的 Entra 身份行动，并且在敏感操作上可以被强制纳入 Purview 策略或人工审批。HN 的回复关心的并不是新鲜感，而是爆炸半径：评论者担心，一个助手如果足够持久地不断尝试，就可能开始改文档、发消息。
joshuawright11 发布了 《Sites and role specific plugins in Codex》（17 积分，3 评论）。这篇发布报道说，OpenAI 给 Codex 加入了可分享的 Sites、原位 Annotations，以及面向数据分析、销售、设计和财务的角色专用插件包，这让 Codex 更像一个面向知识工作的工作空间，而不再只是开发者专用的聊天界面。即便积分不高，同样朝操作系统层演进的动作也出现在 jacobgold 的 《Show HN: Clor - give your agent claws》（5 积分，2 评论）里：按计划运行的后台智能体，会复用与交互式编程智能体同一套技能、工具和模型路由栈。
讨论要点： 共同的问题已经不是智能体能不能调用工具，而是谁来定义它的身份、哪些会话必须保持可见、后台自主性可以放到多大，以及这些控制能否跨产品迁移。
与前日对比： 6 月 1 日的重点，是 Stanford 的 CLAUDE.md 和 Google SRE 治理故事这类明确的规则文件与验证闸门。到了 6 月 2 日，讨论又往上移了一层，把这些想法封装成桌面应用、Autopilot、插件包，以及可调度的后台智能体。
1.2 Copilot 的 AI Credits 上线，把成本控制变成了第一天就会卡住工作流的问题 (🡕)¶
6 月 2 日数据里最响的运营层抱怨，不是模型质量，而是成本可预测性。至少 4 个可见项目都说明，一旦智能体式编程变成多步骤、半自主流程，支出就不再像抽象计费，而会变成日常工作里的硬限制。
jay_kyburz 发布了 《Angry devs vow to flee GitHub Copilot as metered billing takes hold》（44 积分，24 评论）。HN 评论说得非常具体：有人表示，正常一天的日常工作就烧掉了一个月额度的一半以上；另一个人估算，实际成本比以前高了 80 到 100 倍；还有人抱怨模型不停上线又下线，预览功能依旧让人难以信任。这些反应与 GitHub 6 月 1 日自己的计费公告一致：Copilot 现在按 token 用量消耗 GitHub AI Credits，credits 用尽后不再走旧的低价回退路径，而且 Copilot code review 还会同时消耗 GitHub Actions 分钟和 AI Credits。
mittermayr 发布了 《All GitHub Copilot plans are now on usage-based billing》（6 积分，4 评论），回复说得更直白：有人说，一个上午就烧掉了月度额度的 33%；还有人说，整份 token 配额几乎瞬间见底。这种实时使用冲击，也笼罩着 《GitHub Copilot App》：有评论者说，定价变化之后，轻度使用就已经吃掉了当月 26% 的额度。
讨论要点： 这里的愤怒并不只是“AI 变贵了”，而是团队失去了软着陆空间：没有便宜的回退路径，共享池竞争更多，代码审查还额外绑上了一个 Actions 分钟计量器。
与前日对比： 6 月 1 日带来了 AI Credits 时代和最初的反弹；6 月 2 日则补上了第一天的真实消耗报告，让这次定价变更不再像未来的预算问题，而像眼前的工作流约束。
1.3 AI 反弹变得非常私人：失礼的外联、令人发毛的助手，以及行为压力 (🡕)¶
整份数据里最强的负面信号，不是安全论文，也不是劳动宣言，而是一种感觉：智能体开始过于随便地跨越人的边界——闯进求职、收件箱、家庭上下文，甚至影响人们在键盘前的专注方式。
IliaLitviak 发布了 《Please don't spam people looking for employment. It's just cruel》（864 积分，247 评论）。帖子描述的是：一个正在找工作的人，收件箱里却落进了 AI 生成的外联信息；回复随后把这个抱怨扩展成一种模式：半个性化的漏洞赏金推销、假的合作邀请，以及其他那些像人类、足以先让人燃起希望、最后却只浪费注意力的消息。光这一条线程就拿走了数据集里一半以上的积分，因此它是最清楚的信号：低门槛的智能体外联，如今已经成了尊严问题，而不只是垃圾信息问题。
tambourine_man 发布了 《Testing Google's Gemini Spark AI agent: it's incredible, and creepy》（8 积分，2 评论）。The Verge 描述 Spark 会从用户并未在提示词里明确给出的 Gmail、日历、宠物和票务上下文里取材，拼出一个异常好用的家庭行程安排，同时又称这个结果既惊人地出色，也深具侵犯感。排名更靠后的位置上，ms_menardi 发布了 《Anthropic is conditioning our minds》（4 积分，4 评论），认为交互框架的设计会把人推向某些工作节奏；最尖锐的一条回复说，AI 的危险不是机器人统治，而是把人变成机器人。
讨论要点： 6 月 2 日的反弹很私密。正是因为这些系统知道得更多、持续得更久、介入得更频繁，它们才更有用；也因此，人们很难把那种不适与它们的价值主张彻底分开。
与前日对比： 6 月 1 日的反弹重点，是权利、所有权和劳动替代。到了 6 月 2 日，问题变得更日常也更个人：知道得太多的助手、塑造行为的框架，以及出现在最需要共情之处的外联消息。
1.4 最可信的构建者都在收窄问题，并让工作流保持可检查 (🡕)¶
数据里最强的正向构建者信号，来自那些刻意限制范围的产品。真正奏效的姿态不是“到处都搞全自主”，而是“把一个工作流做好，露出数据路径，并把人工审查界面放在手边”。
1zael 发布了 《Rethinking search as code generation》（63 积分，20 评论）。Perplexity 的提议，是把搜索变成一组可由智能体用代码组合起来的 SDK 原语——检索、排序、过滤、扇出、渲染——而不是单一固定端点；HN 的回复也立刻把这件事当成工程控制问题来讨论：查询上限、多租户，以及后续支持能力要怎么处理。rishipankhaniya 发布了 《Launch HN: Rudus (YC P26) - AI for concrete contractors》（29 积分，12 评论），而它的产品表述同样很明确：混凝土估算员不要黑箱。Rudus 会先对图纸分类、识别构件、展开成明细项，然后让估算员审阅、覆盖并导出到现有投标工作流里。
同样这种“收窄且说得清”的模式，也出现在基础设施帖子里。ArianM 发布了 《CLI tool that packages data science projects for LLM context windows》（14 积分，0 评论）；这个仓库的重点，是对 notebook 和表格数据做采样、截断以及 token 感知格式化，而不是假装整个原始项目都能直接塞进上下文。gtamir02 发布了 《AI Vulnerability Intelligence Agent Converts CVEs to Actionable Security Reports》（7 积分，2 评论），其 README 也明确把确定性分诊步骤，与交给 LLM 的较小叙述性部分拆开。
讨论要点： 6 月 2 日的可信度，来自约束。构建者赢得信任，是因为他们展示了预处理步骤、审批步骤，或狭窄的领域边界，而不是声称光靠模型就能解决整个工作流。
与前日对比： 6 月 1 日的构建者主要在做记忆、任务分派和测试框架的人机工学。6 月 2 日则更明显地转向垂直领域辅助助手、确定性预处理，以及让工作流更容易检查的智能体原生检索管线。
2. 令人困扰的问题¶
人的注意力如今被消耗在智能体失误上，而不只是它的输出¶
《Please don't spam people looking for employment. It's just cruel》（864 积分，247 评论）把问题最直白地摆了出来：AI 外联把原本带着希望的收件箱，变成了又一个让人失望的地方。《Testing Google's Gemini Spark AI agent: it's incredible, and creepy》（8 积分，2 评论）则从另一个方向展现了同一种挫败：助手之所以更有用，是因为它会挖更多个人上下文，而即便结果有效，这种过程也依旧让人觉得被侵犯。《Anthropic is conditioning our minds》（4 积分，4 评论）补上了一个声量较小、但很重要的人机工学抱怨：交互框架的设计会操纵人的专注和工作节奏。严重程度：高。人们目前靠更强的怀疑、手动过滤和关掉功能来应对，但更深的挫败是，智能体越来越把共情和注意力当成免费的资源。值得构建吗：是，且非常直接。
AI 预算如今也会像基础设施预算一样失灵¶
《Angry devs vow to flee GitHub Copilot as metered billing takes hold》（44 积分，24 评论）和 《All GitHub Copilot plans are now on usage-based billing》（6 积分，4 评论）把成本变成了第一天就发生的运营故障，而不只是财务议题。GitHub 自己的 计费公告 和 6 月 1 日更新日志 也确认，如今 AI Credits 控制着高 token 用量场景，回退路径已经被移除，代码审查还会额外消耗 Actions 分钟。严重程度：高。人们目前靠更轻的模型、减少智能体使用、手动控预算和升级套餐来应对，但抱怨的核心是：平台依旧是在工作流已经跑起来之后，才把账单暴露出来。值得构建吗：是，且非常直接。
团队依旧没有一个可移植的统一位置，来定义智能体能做什么¶
Scout 自己的发布已经把需求摆得很明显：常驻智能体要想在企业里变得可接受，就得有单独身份、限定范围的凭据、Purview 标签，以及可选的人类审批。《White House order on AI innovation and security》（31 积分，7 评论）又在具备网络能力的前沿模型和早期访问控制上加了联邦层面的压力，而 Rudus 的发布线程则把同一个问题搬到了垂直场景：如果估算错了、建筑出问题了，后果算谁的？严重程度：高。人们目前靠身份系统、策略层和人工签字放行来应对，但真正令人烦躁的是，治理看起来依旧得为每个产品、每条工作流单独定制。值得构建吗：是，且非常直接。
在有人刻意整理之前，上下文依旧太臃肿也太模糊¶
《Rethinking search as code generation》（63 积分，20 评论）之所以存在，是因为固定搜索端点对需要多步检索的智能体来说太死板，而评论者也立刻担心生成式查询的效率和支持成本。《CLI tool that packages data science projects for LLM context windows》（14 积分，0 评论）和 《AI Vulnerability Intelligence Agent Converts CVEs to Actionable Security Reports》（7 积分，2 评论）则展示了两种现实的应对方式：要么激进地采样或截断输入，要么把确定性过滤与 LLM 综合拆开。严重程度：中。人们目前靠定制的上下文压缩器、结构化存储和更小的提示词来应对，但更深的挫败是，有用的上下文依旧太容易膨胀，也太难被整理成型。值得构建吗：是，且非常直接。
3. 人们期望的功能¶
能让智能体式工作优雅降速、而不是硬停机的预算控制¶
这份数据里最实际的愿望，不是抽象意义上更便宜的 AI，而是一个能让支出可预测的运行时。《Angry devs vow to flee GitHub Copilot as metered billing takes hold》（44 积分，24 评论）和 《All GitHub Copilot plans are now on usage-based billing》（6 积分，4 评论）显示，用户在还没弄懂消耗速度之前，就已经撞上了限制；而 GitHub 新推出的 用户级预算 仍然把额度池耗尽后该怎么办的问题留给团队自己决定。真正缺的是一种优雅降级：硬上限、提前预警、更低成本的回退路径，以及多步骤会话开始前的任务级消耗预估。这是一个具备即时预算决策权的现实需求。机会：直接。
一份可跨应用、供应商和风险等级复用的智能体治理契约¶
Scout 的发布展示了这种需求在企业里的形态——独立身份、限定凭据、Purview 标签和人工审批；而 《White House order on AI innovation and security》（31 积分，7 评论）以及围绕 Rudus 责任归属的讨论，则展示了它在监管和垂直领域里的版本。如今这些控制都绑定在具体产品上，很难横向比较。大家看起来真正想要的，是一份统一契约：不管底下是哪种智能体框架或供应商，都能写清智能体能做什么、何时必须停下、需要哪些证据、由谁签字放行。现在已经有一些产品内置的局部答案，但可移植性缺口仍然存在。机会：直接。
保护人类沟通渠道、免受智能体垃圾信息和过度个性化侵扰的过滤与溯源系统¶
《Please don't spam people looking for employment. It's just cruel》（864 积分，247 评论）把需求说得非常直白：人们想要的是能识别情绪语境、不会在脆弱时刻把冷外联当成优化目标的 AI 系统。《Testing Google's Gemini Spark AI agent: it's incredible, and creepy》（8 积分，2 评论）则给出了常驻助手版本的问题：用户想要个人上下文带来的便利，又不想觉得自己一直在被监视、被挖掘。现有垃圾过滤和隐私控制只解决了一部分，因为它们既不理解智能体的意图，也不理解用户是否同意这种介入。这既是现实需求，也是情感需求。机会：直接。
能把杂乱真实输入整理成小而可信智能体上下文的上下文层¶
《Rethinking search as code generation》（63 积分，20 评论）、《CLI tool that packages data science projects for LLM context windows》（14 积分，0 评论）和 《AI Vulnerability Intelligence Agent Converts CVEs to Actionable Security Reports》（7 积分，2 评论）都指向同一个缺失层：在模型开始推理之前，总得有人先决定哪些上下文算有用、该怎么组织、哪些内容可以安全省掉。现有做法分散在搜索 SDK、文件打包器和垂直领域的确定性管线之间。这个需求非常现实，因为团队已经在手工搭这些适配层了。机会：直接。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| GitHub Copilot App | 智能体桌面 / 工作流 | (+/-) | 覆盖从 issue 到 merge 的流程、支持并行隔离的智能体会话，并提供 MCP / 自定义技能扩展点 | 上线时正逢额度反弹，而且更丰富的多仓库界面也抬高了协调与供应链风险 |
| GitHub AI Credits | 计费 / 编程平台 | (-) | 让定价更贴近真实用量，支持共享用量、用户预算和预览账单 | credits 用尽后没有回退路径，消耗不可预测，而且代码审查还会额外消耗 Actions 分钟 |
| Microsoft Scout | 常驻助手 | (+/-) | 在 Microsoft 365 中做后台协同，具备受治理身份、Purview 策略执行和审批钩子 | 个人上下文过深让人不适，信任门槛很高，而且仍只在私有预览阶段 |
| Search as Code | 检索架构 | (+) | 把检索、排序、过滤和扇出原语直接露给运行框架，方便按任务拼装搜索管线 | 复杂度更高，还会带来执行上限和支持成本问题，不像固定搜索端点那么简单 |
| Codex Sites and role-specific plugins | 知识工作智能体平台 | (+) | 可分享内部站点、原位标注，以及面向数据分析、销售、设计和财务的角色包 | 托管式工作空间模式带来企业控制问题，而且所处市场拥挤 |
| data2prompt | 上下文打包 | (+) | 对数据密集文件做采样和截断、估算 token 用量，并把 notebook 与表格格式化给 LLM | 更适合数据密集型项目，不适合大型纯代码仓库，也增加了提示前的准备步骤 |
| CVE AI Agent | 安全工作流 | (+) | 先做确定性首轮处理，再用小而有依据的提示词生成可审计输出，并接入 Slack/Jira/Splunk | 对小团队来说管线偏重，叙述性部分仍受 LLM 质量影响 |
| Clor | 定时自动化 / 后台智能体 | (+/-) | 把现有智能体技能和工具复用到重复性网页、邮件、文件和监控任务里，并支持模型路由 | 需要信任一个在仓库外拥有广泛工具访问权限的守护进程，也得谨慎处理密钥 |
整体评价最强的，是那些让智能体行为变得更小、更便宜或更易看清，而不是更像魔法的工具。正向信号主要集中在检索原语、感知 token 成本的上下文打包、确定性安全管线，以及能让多个会话保持可见的桌面界面上。
分歧最大的评价，集中在常驻式自主性和计费上。Scout 和 Copilot App 让控制平面更丰富，但它们也立刻引出一个问题：用户究竟被要求交出多少信任、个人上下文和预算。
常见的权宜方案包括加上人工审批、压缩或预先整理上下文、把任务路由到更便宜的模型，以及把重复性自动化放进明确、可调度的界面里，而不是临时聊天线程。迁移方向很清楚：从一个巨型助手，转向一整套分层栈——编排层、策略层、上下文层和支出层。
5. 人们在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Rudus | rishipankhaniya | 面向结构混凝土分包商的工程量提取与估算助手 | 在让估算员继续审阅的前提下，替代数周手工 PDF 测量和表格处理工作 | 专有计算机视觉模型、图纸路由、明细项展开，可导出到 HCSS HeavyBid、Sage、B2W 或 Excel | Beta 版 | 帖子, 站点 |
| AI Agent CLI in 150 Lines | asim | 把服务注册表变成一个可调用工具的智能体 CLI | 让团队不用先引入庞大框架，就能把现有微服务接到自然语言任务分派里 | Go、go-micro registry、自动工具发现、工具执行、对话历史 | 已发布 | 帖子, 博客 |
| data2prompt | ArianM | 把数据密集型项目打包成面向 LLM 优化的提示词包 | 防止 notebook、CSV、SQL dump 和电子表格把上下文窗口撑爆 | Python CLI、CSV/SQL/XLSX/ipynb 解析器、token 估算、Rich TUI、markdown/XML 输出 | 已发布 | 帖子, 仓库 |
| CVE AI Agent | gtamir02 | 持续摄取 CVE，并把 AI 增强的威胁报告送进运维工作流 | 把原始 NVD、CISA 和 EPSS 数据变成可执行、可审计的安全分诊 | Python、确定性首轮处理、多提供商 LLM 增强、Slack/Jira/Splunk/文件输出 | Beta 版 | 帖子, 仓库 |
| Clor | jacobgold | 可定时运行的“claws”，让编程智能体在后台自动化重复任务 | 把仓库式智能体工作流带到邮件、网页、文件、监控等重复性工作里 | CLI、调度守护进程、MCP、IMAP/SMTP、加密密钥、GPT/Gemini/ElevenLabs 路由 | Beta 版 | 帖子, 站点 |
Rudus 和 CVE AI Agent 是最清楚的证据，说明高风险领域想要的仍是 AI 辅助助手，而不是替代者。两者都把模型行为包进更窄的管线里，并留下清晰可见的审阅或升级步骤，而不是假装自主性可以抹掉问责。
data2prompt 和 AI Agent CLI 攻击的是另一层：不是再卖一个黑箱超级智能体，而是把输入整理得更干净，或者把脚手架做得更简单。这和 6 月 2 日更偏好看得见的底层管线、而不是模型神秘感的大趋势完全一致。
Clor 则把同样的模式延伸到了后台自动化。它没有发明一种全新的助手范式，而是复用了现有的编程智能体栈，再把它像 cron 一样排起来——这正是当天各类发布里反复出现的那种具体、可检查的扩展方式。
6. 新动态与亮点¶
当天最大的 AI 故事不是产品发布，而是一次对共情的请求¶
《Please don't spam people looking for employment. It's just cruel》 之所以重要，是因为它让尊严与克制成了当天 AI 讨论的主轴。这里的信号不只是 AI 垃圾信息确实存在，而是 HN 把它视为一种真实的社会伤害，尤其当它落在个人脆弱时刻。
GitHub 在新计费模型生效的同一天，扩展了智能体界面¶
《GitHub Copilot App》 之所以值得注意，是因为它显示 GitHub 正从本地会话走向桌面多智能体界面——在一个应用里处理 issue、PR、diff 审查和 merge——而与此同时，基于使用量的计费 也在用户侧真正落地。产品雄心和计费反弹在同一天撞上。
“受监管前沿模型”进入了政策词汇表¶
《Promoting Advanced Artificial Intelligence Innovation and Security》 之所以值得注意，是因为它围绕“受监管前沿模型”、早期访问协调，以及 AI 网络安全信息共享中心，引入了一套具体的联邦流程。即便这一框架是自愿的，这种词汇变化依然重要，因为它让未来的政策和安全争论有了更清晰的对象。
搜索和知识工作界面进一步深入到运行框架内部¶
《Rethinking search as code generation》 和 《Sites and role specific plugins in Codex》 之所以值得注意，是因为它们把检索和知识工作更深地拉进了智能体环境。这里的信号是，聊天正在变成可编程搜索和可分享工作空间之上的一层薄界面。
7. 机会在哪里¶
[+++] 可移植的智能体治理与审批层 - 《Microsoft announces Scout, an autonomous AI agent built on OpenClaw》、《Promoting Advanced Artificial Intelligence Innovation and Security》、《Launch HN: Rudus (YC P26) - AI for concrete contractors》 和 《Show HN: Clor - give your agent claws》 都指向同一个缺口：一旦智能体开始调度工作、接触企业数据，或影响实体世界和受监管场景的结果，团队就需要可复用的策略、身份和签字放行系统。这个机会很强，因为它同时出现在企业软件、政府政策和创始人自建的垂直工具里。
[+++] 具备预算感知的编排与上下文控制 - 《Angry devs vow to flee GitHub Copilot as metered billing takes hold》、《All GitHub Copilot plans are now on usage-based billing》、《CLI tool that packages data science projects for LLM context windows》、《AI Vulnerability Intelligence Agent Converts CVEs to Actionable Security Reports》 和 《Rethinking search as code generation》 描述的是同一个高价值切口：在昂贵循环开始前，先预测消耗、压缩上下文，并决定模型真正需要什么。
[++] 面向人类沟通渠道的信任、溯源与同意感知过滤 - 《Please don't spam people looking for employment. It's just cruel》 和 《Testing Google's Gemini Spark AI agent: it's incredible, and creepy》 说明，围绕那些能判断 AI 何时介入不合时宜、或过于冒犯的工具，存在一个有意义的机会。这个需求是真实的，但它横跨产品、政策和社会规范，执行难度也更高。
[++] 面向高风险传统工作流、可供审查的垂直领域辅助助手 - 《Launch HN: Rudus (YC P26) - AI for concrete contractors》 和 《AI Vulnerability Intelligence Agent Converts CVEs to Actionable Security Reports》 说明，领域专家想要的依旧是加速，而不是被替代。这个机会在那些成本高、流程老、审查重的工作流里最强。
[+] 面向非开发者的智能体原生工作空间 - 《Sites and role specific plugins in Codex》 和 《GitHub Copilot App》 表明，一个新机会正在出现：把智能体做成可分享的内部工具和工作空间，而不是私人聊天框。信号不错，但这个空间会很拥挤，也极度依赖分发。
8. 要点总结¶
- 智能体控制平面正在变成产品界面。 GitHub Copilot App、Scout、Codex Sites 和 Clor 比拼的都是会话管理、身份、插件或调度，而不是原始基准成绩。 (来源)
- 6 月 2 日让 GitHub 的定价切换变成了运营问题，而不是纸面讨论。 用户争的不是计费理念，而是在报告：一天就烧掉半个月额度，token 也会立刻见底。 (来源)
- 如今，助手是否好用，也要看它让人觉得多有侵犯感。 Spark 那个面向家庭的行程之所以惊人，恰恰是因为它挖掘了非常私密的上下文；而 HN 的头号帖子，也在 AI 介入求职沟通时暴露出同样的不适。 (来源)
- 构建者靠收窄范围、把工作流摊开来，赢得信任。 Rudus、data2prompt 和 CVE AI Agent 都强调审阅、确定性预处理，或狭窄的领域范围，而不是泛化自主性。 (来源)
- 上下文塑形正变得和模型选择一样重要。 Search as Code、data2prompt 和 CVE AI Agent 之所以存在，都是因为原始检索或原始项目上下文依旧太浪费钱，也浪费太多有效信号。 (来源)