Twitter AI - 2026-06-11¶
1. 人们在讨论什么¶
1.1 前沿模型的信任之争，正围绕模型崩溃、访问控制与越狱证据展开（🡕）¶
今天关于信任的最大主题，并不是简单的基准测试你追我赶，而是围绕四个问题展开的一场争论：前沿模型是否因合成训练数据而退化；实验室是否清楚说明了能力何时受到限制；以及基于分类器的安全层在压力之下是否真的靠得住。
@heynavtoor 认为 (505 个赞、59 条回复、22,704 次浏览、302 个收藏、41 条引用) 表示，“模型崩溃”已经让 AI 写作变得更平、更缺乏多样性。随帖图表之所以重要，在于它把论文中代际递减的稀有模式可视化了；而该 Nature 论文在 Cambridge repository 的副本指出，递归生成的训练数据会造成不可逆缺陷，原始分布中的长尾信息会最先消失（论文）。
@Web3Rehashed 写道 (104 个赞、4 条回复、27,515 次浏览) 表示，Claude Fable 5 和 Claude Mythos 5 的关键意义，与其说是又一次发布，不如说是访问权限的分层：公众用户得到 Fable，而受信任的防御人员和研究者则可使用放宽了部分防护的 Mythos。该帖最具体的担忧是：如果高风险请求会回退到更弱的模型，开发者就需要这条边界保持可见，才能判断自己测到的究竟是模型能力，还是产品策略。
@The_Cyber_News 报道称 (47 个赞、2 条回复、2,146 次浏览、13 个收藏) 表示，Claude Fable 5 已被越狱，可生成栈利用代码；所链接的 Cybersecurity News 报道称，Pliny the Liberator 利用了多智能体分解、Unicode 替换、长上下文走私和叙事包装来绕过防护，并泄露了系统提示词（文章）。
讨论洞察： 回复并没有全盘否定安全措施，而是集中在两个更具体的要求上：干预边界必须可见，并且要有把握确认路由或回退模型没有悄悄改变实验。
与前一天对比： 6 月 10 日的治理主题主要是围绕不透明和公众可见性。到了 6 月 11 日，这种担忧被推进为具体的运行证据：数据层面的模型崩溃论断、用户可感知的回退行为争议，以及一份新的越狱报告。
1.2 AI 部署讨论正从“最佳模型”转向测量、路由与护城河（🡕）¶
第二个高密度讨论簇把前沿模型视作业务系统的输入，而非业务本身。四篇不同帖子汇聚成同一个判断：资金正流向评估、路由、编排和部署层；而原始模型访问正变得更便宜，也更难构成可防御的护城河。
@businessbarista 问道 (38 个赞、8 条回复、5,174 次浏览、85 个收藏) 讨论了企业该如何衡量 AI ROI，并提出在支出低于某个阈值时采用基于直觉的反馈，高于阈值时则使用受控实验。回复进一步点明了运营痛点：一位回应者表示，大多数企业仍缺乏工作流级归因；另一位则称，用复杂度检测器把简单任务路由给更便宜的模型，在简单任务质量不下降的情况下，可将成本降低 60% 以上。
@MilkRoadAI 认为 (89 个赞、5 条回复、10,967 次浏览、56 个收藏) 表示，Palantir 的护城河不是前沿模型本身，而是其下方的部署操作系统，并明确把“前沿模型”和“操作系统”视为两门不同的生意。@JackPrescottX 放大了 (201 个赞、9 条回复、18,107 次浏览、20 个收藏) 则通过引用 WSJ 关于 OpenAI 正考虑大幅下调 token 价格的报道，强化了同样的商品化论点。
@kingwilliam_ 认为 (13 个赞、3 条回复、527 次浏览、6 个收藏) 表示，团队面对云端 AI 账单时往往反应过度，转而去本地重建；但更直接的修复办法其实是路由：密码重置、格式调整和标题生成等任务用便宜模型，只有困难的重构才交给前沿模型。该帖称，一名工程师按复杂度路由后，在输出无损的情况下，让同一会话成本下降了 43%。
讨论洞察： 回复几乎一致地把瓶颈从提示词转向可观测性。人们想知道，究竟是哪条工作流真正节省了时间、哪个模型处理了哪个任务，以及更便宜的路由是否会改变结果。
与前一天对比： 6 月 10 日已经把 AI 工程定义为一个运行时经济学问题。6 月 11 日则让这一论点同时变得更面向高管、也更具战术性：ROI 阈值、模型路由节省、token 价格压缩和部署层护城河在同一天集中出现。
1.3 智能体系统正被构建为带有支付、审批和工作流专用循环的封装层（🡕）¶
最具体的产品构建信号是：“智能体”已不再只是带工具的聊天机器人。构建者不断描述具体的封装层：循环逻辑、审批规则、支付通道，以及绑定单一工作流而非追求通用自主性的可复用提示词。
@HarperSCarroll 解释道 (55 个赞、6 条回复、3,056 次浏览、37 个收藏) 表示，让聊天机器人变成智能体的关键，是模型外面的那层封装：记忆、工具、循环逻辑，以及明确的终止行为。@coldemailchris 分享了 (19 个赞、8 条回复、1,720 次浏览、48 个收藏) 分享了其外联邮件工作流背后的 Claude Code 技能提示词，并表示工作方式已从人工写作转向 AI 打初稿、人工做质检。
回复让讨论始终落在工作流本身。一位读者表示，如今难点已不在写作，因为真正决定内容会不会被读到的仍是送达率。另一位指出，AI 生成的外联内容正与 AI 购物智能体相碰撞，使瓶颈从文案生成转向承接和分发。
@unusual_whales 报道称 (40 个赞、25 条回复、7,324 次浏览、9 个收藏) 表示，Coinbase 推出了 Coinbase for Agents；Coinbase 自家的发布页面称，Agentic Wallets 可通过 x402 支付、可插拔技能和可编程支出限额，让智能体实现自主支出、赚取和交易（发布页面）。@trythreews 表示 (15 个赞、5 条回复、140 次浏览、2 个收藏) 表示，该项目已入选 MetaMask Agent Wallet 的早期访问；公开的 three.ws 网站展示了头像智能体、USDC 按次聊天付费、MCP/A2A 工具连接和市场 remix 功能（网站）。
@nabu_lines 认为 (37 个赞、28 条回复、497 次浏览) 表示，日益自主的智能体需要由硬件锚定的审批机制。MetaMask 的早期访问材料也以软件形式表达了同样的控制层思路：在智能体执行交易之前，需要经过支出限额、协议白名单、2FA、交易模拟、威胁扫描和 MEV 保护（MetaMask Agent Wallet）。
讨论洞察： 社区释放的信号并不是“不惜一切代价追求更高自主性”，而是只有当智能体足够聚焦、能够变现，并且受用户可检查的审批或策略系统约束时，才会被接受。
与前一天对比： 6 月 10 日强调的是信任、资金和审批原语。6 月 11 日则展示了这些原语如何被打包进实际工作流和产品：外联自动化、钱包通道、CLI 技能和受策略约束的执行。
1.4 自动化研究和去中心化训练正成为真正的目标工作负载（🡕）¶
除钱包之外，最强的构建者主线是：智能体系统开始直接指向研究本身。今天信号更强的帖子，不再是让智能体围绕科学或金融聊天的演示，而是在描述能够运行基准驱动实验、自动化量化研发，或把去中心化算力变成训练循环的系统。
@QuasarModels 宣布 (126 个赞、6 条回复、6,870 次浏览、8 个收藏、6 条引用) 表示，该项目正朝着在 Bittensor SN24 上开展一次 10T-token 去中心化训练运行的方向推进。官方子网页面称，矿工会训练 Quasar 格式模型并公开发布，验证者则会从分布匹配、推理、代码质量、对话流畅度和鲁棒性等维度打分，再选出当前最佳模型（SN24 概览）。
@_rockt 报道称 (40 个赞、2 条回复、1,372 次浏览、14 个收藏) 表示，Recursive 的自动化 AI 研究系统在 SOL-ExecBench、NanoGPT Speedrun 和 NanoChat autoresearch 上达到了最先进结果。Recursive 的文章称，该系统会提出想法、实现方案、运行实验，并针对奖励投机和方差做验证，同时将这些运行产生的成果开源（博客、代码库）。
@qlib_quant 介绍了 (34 个赞、10 条回复、126 次浏览、11 个收藏) 介绍了 RD-Agent(Q)，这是一个用于自动化量化策略研发的系统。公开项目材料将其描述为一个以数据为中心的多智能体框架，用于因子模型协同优化；Microsoft 仓库则声称，在因子数量减少 70% 以上的同时，其 ARR 约为基准因子库的 2 倍（代码库、量化文档）。
讨论洞察： 与泛泛而谈的“AI 科学家”叙事相比，这些帖子更有说服力，因为它们附带了基准名称、公开成果或明确的评估循环。共同的押注不只是更聪明的智能体，而是可审计、可重复的搜索。
与前一天对比： 6 月 9 日强调封装层和评估层，6 月 10 日强调运行时现实。到了 6 月 11 日，这两条主线被合并成了具体的研究系统、训练循环和领域专用自动化技术栈。
2. 什么让人沮丧¶
衡量价值比生成输出更难¶
严重程度：高。@businessbarista 问道 (38 个赞、8 条回复、5,174 次浏览、85 个收藏) 呼吁建立更好的 AI ROI 框架，但回复立刻暴露了运营层面的缺口：团队往往无法在工作流层面归因；一旦 AI 使用已很普遍，就难以形成干净的对照组；也仍然不知道究竟是哪一个模型处理了哪项任务。@kingwilliam_ 认为 (13 个赞、3 条回复、527 次浏览、6 个收藏) 表示，许多团队之所以付出过高成本，只是因为把琐碎任务发给了前沿模型；与此同时，@JackPrescottX 放大了 (201 个赞、9 条回复、18,107 次浏览、20 个收藏) 引用了 OpenAI 正考虑下调 token 价格的消息。应对模式很明确：按复杂度路由、为工作流加上观测，再决定是否值得做本地重建或购买高价模型。这个方向值得投入，因为痛点反复出现、可衡量，而且直接关系到预算审批。
当前沿模型的控制措施被隐藏或容易绕过时，就很难建立信任¶
严重程度：高。@Web3Rehashed 写道 (104 个赞、4 条回复、27,515 次浏览) 表示，Claude Fable 5 / Mythos 5 分层里最棘手的并不是限制本身，而是不清楚请求何时被降级或改写。该帖下一条回复称，不可见的回退是“研究灾难”，因为用户根本无法判断结果来自 Fable，还是更弱的替代模型。与此同时，@The_Cyber_News 报道称 (47 个赞、2 条回复、2,146 次浏览、13 个收藏) 提到了一次越狱；所链接的报道称，该越狱利用多智能体分解和 Unicode 技巧绕过了防护（文章）。这个方向值得投入，因为用户同时在要求更强的控制界面，以及更有力的证据来证明这些界面确实有效。
编码智能体仍会在过大的文件上浪费 token 和内存¶
严重程度：中。@doodlestein 写道 (22 个赞、3 条回复、1,174 次浏览、19 个收藏) 表示，大文件会给编码智能体带来双重问题：它们会浪费 token 去读无关代码，还可能让 Rust 编译内存上升数十 GB。该帖提出的解决办法，是一种谨慎的分解技能：按职责拆分单体文件，而不是按任意长度阈值硬切。这个方向值得投入，因为痛点具体、反复出现，并且直接关系到智能体在真实仓库中的效果。
智能体执行仍需要更强的审批边界和备用方案¶
严重程度：高。@nabu_lines 认为 (37 个赞、28 条回复、497 次浏览) 表示，没有由硬件锚定的审批机制，自主智能体可能会多做一次无法挽回的操作。MetaMask 的产品材料也用软件语言表达了同样的担忧：在智能体交易放行前，必须具备每日支出限额、白名单、2FA、交易模拟和威胁扫描（MetaMask Agent Wallet）。@Sarthak4Alpha 补充道 (33 个赞、28 条回复、541 次浏览、3 个收藏) 表示，如果没有备用方案，即便只是 10 分钟的模型中断，也足以让智能体工作流完全停摆。这个方向值得立即投入，因为这不是理论上的担忧，而是关于执行权限和可用性的现实问题。
3. 人们希望出现什么¶
让财务团队也能信任的 ROI 监测与成本感知编排¶
人们问的已经不只是 AI 是否有效，而是如何在不靠含糊说法的情况下证明它有效。@businessbarista 将其描述为 (38 个赞、8 条回复、5,174 次浏览、85 个收藏) 提到了分阶段 ROI 衡量的必要性；而回复不断指出，真正的阻碍是缺失的归因层和任务路由。@kingwilliam_ 补充道 (13 个赞、3 条回复、527 次浏览、6 个收藏) 表示，团队往往更需要便宜的路由，而不是本地重建。这是一个带有直接预算影响的现实需求。机会：直接。
能行动、但只能在可见规则内行动的智能体钱包与审批系统¶
今天最强的执行需求，是受约束的自主性。@trythreews 表示 (15 个赞、5 条回复、140 次浏览、2 个收藏) 表示，MetaMask Agent Wallet 通过支出限额、白名单和 2FA 审批，让其智能体获得受策略约束的自托管执行能力；MetaMask 的公开材料也确认了这些控制措施，以及强制性的模拟和威胁扫描（MetaMask Agent Wallet）。@unusual_whales 报道称 (40 个赞、25 条回复、7,324 次浏览、9 个收藏) 提到了 Coinbase for Agents，其发布页面从支付侧说明了同一个更广泛的观点：智能体需要在护栏内进行支出和交易（发布页面）。这是一个现实且紧迫的需求。机会：直接。
对研究和生产评估都足够透明的前沿模型控制机制¶
需求并不是简单的“去掉安全措施”，而是“让边界可辨识”。@Web3Rehashed 认为 (104 个赞、4 条回复、27,515 次浏览) 表示，隐藏的降级行为会损害信任；而 @The_Cyber_News 展示了 (47 个赞、2 条回复、2,146 次浏览、13 个收藏) 则表明，基于分类器的系统仍在承受对抗性压力。这是安全团队、研究人员和受监管采购方的现实需求，但竞争会非常激烈，因为它位于实验室产品栈内部。机会：竞争性。
为智能体上下文窗口打造的代码库整形工具¶
@doodlestein 描述道 (22 个赞、3 条回复、1,174 次浏览、19 个收藏) 指出了当前编码智能体工具仍然处理不佳的一类需求：对人类来说结构合理的大文件，却会压垮 token 预算、选择性读取和编译内存。人们想要的不只是一个 linter，而是一个安全的重构助手：能够按职责拆分文件、保持行为不变，并在不损害代码库质量的前提下，把仓库优化得更适合智能体工作。这一领域实用且供给不足。机会：直接。
4. 正在使用的工具和方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| 复杂度感知型模型路由 | 编排方法 | (+) | 在不牺牲简单任务输出质量的情况下，降低这类任务的成本 | 需要工作流归因、任务分类，并确信路由不会损害更困难的工作 |
| 基于 Claude Code 技能的冷邮件工作流 | 智能体工作流 | (+/-) | 将营销活动起草变成可重复的提示词 + 质检流程，并扩大首轮变体生成规模 | 送达率、名单质量和承接页仍比文案生成更重要 |
| Claude Fable 5 / Mythos 5 | 前沿模型 | (+/-) | 在长时程编码和知识任务上被认为能力很强；高风险领域提供受限层级 | 对不可见回退的担忧、30 天保留期考量，以及持续的越狱压力 |
| MetaMask Agent Wallet | 智能体钱包 / 执行安全 | (+) | 支出限额、白名单、2FA、交易模拟、威胁扫描、MEV 保护 | 面向加密原生用户的早期访问 CLI 产品 |
| Coinbase Agentic Wallets / AgentKit | 钱包和支付基础设施 | (+) | 自主支出、赚取和交易，x402 机器支付，可复用的智能体技能，以及 CLI 和 MCP 路径 | 仍绑定于加密轨道以及围绕金融权限的策略设计选择 |
| Bittensor SN24 上的 Quasar | 去中心化训练基础设施 | (+/-) | 开放的矿工/验证者循环、公开模型承诺、多维评估，以及 10T-token 目标 | 推进仍在进行中，最大的说法更多是系统正朝什么方向发展 |
| Recursive 自动化 AI 研究系统 | 研究自动化 | (+) | 有基准测试支撑的搜索循环，附带公开仓库和开源成果 | 仍处于早期，证据集中在基准表现，而非广泛的生产验证 |
| RD-Agent(Q) | 量化研究框架 | (+) | 具备公开仓库和量化专用文档的全栈因子模型协同优化 | 领域专用、研究导向，并非通用智能体技术栈 |
| Aomi | 链上智能体封装层 | (+) | 在一个开源技术栈中整合运行时、CLI、技能模块、组件和交易流程 | 面向加密领域，对非原生团队而言集成负担仍然较重 |
总体而言，当工具能够提供可衡量的控制界面或可复用工作流时，满意度最高。路由受到好评，是因为它能直接降低成本。MetaMask 和 Coinbase 获得关注，是因为它们为智能体划定了明确的金融边界。Recursive、RD-Agent(Q) 和 Quasar 之所以脱颖而出，是因为它们用具体的基准、仓库或评估循环支撑自己的智能体主张，而不是诉诸模糊的自主性话术。
共同的局限在于：复杂性一上来，信任就变得脆弱。前沿模型依旧强大，但人们担心隐藏的降级和越狱。工作流构建者仍会遇到交付瓶颈、归因缺失和可用性风险。迁移方向已经从“选一个最佳模型”转向堆叠式系统：路由器、钱包、封装层、评估层和领域专用循环。
5. 人们正在构建什么¶
| 项目 | 构建者 | 功能 | 解决的问题 | 技术栈 | 阶段 | 链接 |
|---|---|---|---|---|---|---|
| Quasar SN24 去中心化训练 | @QuasarModels | 尝试将 Bittensor 的矿工和验证者变成去中心化的长上下文模型训练与评估循环 | 减少对中心化训练基础设施和不透明基准声明的依赖 | Bittensor SN24、Quasar 格式模型、矿工算力、验证者评分、公开模型承诺 | Alpha | 推文, 子网 |
| Coinbase for Agents / Agentic Wallets | Coinbase（由 @unusual_whales 报道） | 将 AI 智能体连接到 Coinbase 账户，使其能够按用户规则支出、赚取和交易 | 让智能体能执行金融动作，而不只是给出建议 | Agentic Wallets、x402、AgentKit、CLI/MCP 集成、可编程护栏 | Beta | 推文, 发布页面, AgentKit |
| three.ws + MetaMask Agent Wallet 集成 | @trythreews | 为可按次收费的头像式智能体加入受策略约束的自托管执行能力 | 让面向消费者的智能体既能变现，也更安全地在链上运行 | three.ws、MetaMask Agent Wallet、Base/Solana 上的 USDC、MCP、A2A、ElevenLabs、LiveKit | Alpha | 推文, three.ws, MetaMask Agent Wallet |
| Recursive 自动化 AI 研究 | @_rockt | 运行一个提出想法、实施实验、验证结果并在基准任务上迭代的循环 | 减少模型训练和内核优化中的人工研究劳动 | Recursive 研究系统、基准循环、H100/B200 评估、开源成果 | Alpha | 推文, 博客, 代码库 |
| RD-Agent(Q) | @qlib_quant | 通过因子模型协同优化实现量化策略研发自动化 | 用结构化的多智能体循环替代碎片化、手工化的量化研究流程 | Microsoft RD-Agent、Qlib、量化模板、多智能体研究/开发阶段 | Alpha | 推文, 代码库, 量化文档 |
| Aomi Skills / Aomi Evals | @0xgordian | 提供一个链上智能体封装层，包含运行时、CLI、技能模块和面向评估的工具 | 帮助构建者借助文档、交易模拟和可复用技能发布智能体加密工作流 | Aomi runtime、TypeScript 客户端、CLI、aomi-transact skill、链上交易流程 |
Beta | 推文, 代码库 |
Quasar 和 Recursive 代表了最清晰的“智能体做研究工作”模式。Quasar 试图把去中心化贡献者变成一个带有明确验证者评分的模型训练市场；Recursive 则展示了一个范围更窄但更成熟的基准循环，已经拥有公开成果和可量化胜绩。
钱包与执行这条主线同样值得关注。Coinbase 正把智能体金融带入主流平台产品；MetaMask 和 three.ws 则把自托管与明确的策略控制结合起来，而不是默认采用不受约束的自主性。Aomi 位于技术栈更底层一些，但表达的是同一种模式：专用封装层、CLI 工具和可审计执行，而不是泛泛的助手叙事。
RD-Agent(Q) 则补上了第三种反复出现的构建模式：领域专用智能体技术栈。如今最认真的构建者，并不是在发布“AI 解决一切”，而是把智能体钉在某一个困难工作流上——量化研究、链上执行，或经基准测试的模型改进——再为其包裹评估或安全结构。
6. 新出现和值得关注的动向¶
模型崩溃走出了小众研究语境¶
@heynavtoor 变成了 (505 个赞、59 条回复、22,704 次浏览、302 个收藏、41 条引用) 将 2024 年 Nature 的一项结果推成了当天传播最广的数据质量警告；该论文在 Cambridge repository 的副本也把底层论点说得很具体：在模型生成数据上做递归训练，会抹去长尾信息并产生不可逆缺陷（论文）。这之所以重要，是因为它把讨论从抽象的“AI 垃圾内容”抱怨，推进到了一个有文献支撑的失效模式。
LLM 商品化论点得到了新的市场证据¶
@JackPrescottX 转发并评论了 (201 个赞、9 条回复、18,107 次浏览、20 个收藏) 引用了 WSJ 关于 OpenAI 正考虑下调 token 价格的报道；而 @MilkRoadAI 搭配了 (89 个赞、5 条回复、10,967 次浏览、56 个收藏) 则把这一价格压力背景，与围绕 Palantir 的更强部署层论点结合起来。两者共同让模型商品化不再像一句口号，而更像一种市场现实。
智能体钱包正从实验走向产品类别¶
@unusual_whales 报道称 (40 个赞、25 条回复、7,324 次浏览、9 个收藏) 提到了 Coinbase for Agents；同一天，@trythreews 重点提到了 (15 个赞、5 条回复、140 次浏览、2 个收藏) 也提到了 MetaMask Agent Wallet 的早期访问。官方产品页面展示出共同的设计语言：程序化支出或交易，加上明确的护栏、模拟机制和用户定义的策略边界（Coinbase, MetaMask）。
7. 机会在哪里¶
[+++] 成本感知型 AI 控制平面 — 多篇帖子汇聚到同一个缺口：企业需要工作流归因、复杂度感知路由，以及能在财务部门面前说得过去的支出策略。证据来自 ROI 讨论、路由案例，以及模型访问价格压力的显现。这个方向之所以强，是因为无论企业还是独立构建者，都在用相似的语言描述它。
[+++] 面向智能体的安全执行与审批基础设施 — Coinbase、MetaMask、three.ws，以及类似 Ledger 的审批讨论，都指向同一个方向：人们希望智能体能交易，但只能在明确规则、模拟机制和人工接管路径内运行。这个方向之所以强，是因为它同时得到了产品发布和对不受约束自主性的反复担忧的支撑。
[++] 带有可审计评估循环的领域专用研究自动化 — Quasar、Recursive 和 RD-Agent(Q) 展示了人们对这类智能体系统的需求：通过可衡量的循环来改进模型、代码或量化策略，而不是扮演通用助手。这个方向强度中等，因为证据很强，但仍主要集中在高级技术社区。
[+] 面向智能体的重构与上下文管理工具 — 相比更广泛的钱包和 ROI 主题，大文件问题更窄，但极具可操作性：安全拆分单体文件、保持行为不变，并同时减少编码智能体的 token 浪费和编译痛点。
8. 要点¶
- 今天前沿模型真正的主题是信任，而不只是能力。 模型崩溃、可见的回退行为和越狱报告都指向同一个担忧：用户想知道系统何时变弱、被引导，或可被绕过。（来源）
- AI 运营如今是按路由和测量来评判，而不再只看基准测试的面子。 最有经济含义的帖子聚焦于 ROI 阈值、任务归因，以及把简单工作交给更便宜模型所带来的节省。（来源）
- 智能体执行正成为一个内置规则、钱包和审批的产品层。 Coinbase 和 MetaMask 都把智能体金融当作真实基础设施来做，但前提是它必须运行在明确护栏之内。（来源）
- 研究自动化是当前智能体系统最明确的严肃工作负载之一。 Recursive、Quasar 和 RD-Agent(Q) 都把智能体定位为经基准验证的搜索循环或领域研发系统，而不是通用聊天产品。（来源）
- 编码智能体仍在暴露人类往往会容忍的仓库结构问题。 大文件、token 浪费和编译内存峰值，正成为面向智能体原生开发工作流的产品约束。（来源）