Twitter AI - 2026-06-22¶
1. 人们在讨论什么¶
1.1 上下文捕获和循环设计正在取代提示词打磨（🡕）¶
当前信号最强的工作流讨论，已经不再围绕如何把提示词写得更干净。重点变成了如何把更丰富的上下文送进系统、如何让这些上下文在多个步骤间持续生效，以及如何设计能从错误中恢复的循环。同一转向由 4 条彼此独立的内容共同支撑：语音听写作为更好的意图外化方式、显式的智能体循环、对长对话上下文衰减的警告，以及更具对抗性的编程审查提示词。
@guinnesschen 说（2,030 点赞、81 回复、137,649 浏览量、610 收藏数），人们应该停止手动修改提示词，改为对着听写按钮自由发挥，让模型去重建“语言中的潜在意图”。回复把这个观点从理论拉回了实操：@alexanderbenz 说，这种方式在准备播客时比手打节目提纲更有效；@SherbyJohn 则说，ChatGPT 的听写模型在实践里尤其好用。
@neil_xbt 认为（51 点赞、7 回复、2,320 浏览量、16 收藏数），更好的提示词只是在优化一个已经坏掉的系统里的一个组件，而无人值守智能体需要一个能够观察、思考、行动、反思的循环。配图把这条建议从一句口号变成了具体架构。
@S1TA10 警告（35 点赞、14 回复、1,051 浏览量、15 收藏数），一个 40,000 token 的 Claude 对话可能会因为“中段遗失（lost in the middle）”而忽略前面轮次的指令，并建议每个任务都开启新对话、只向后续传递简短摘要、以及使用更结构化的输入，而不是把完整历史一次性塞进同一段对话里。@rohit4verse 分享（10 点赞、4 回复、585 浏览量、15 收藏数）了一条 PR 审查提示词：它假定至少存在一个真实 bug，并强制分别检查正确性、安全性、并发、回归和测试。
讨论要点： 最有价值的回复并不是在夸提示词技巧，而是在夸更好的输入捕获和上下文再注入。证据指向一种更偏运营的思路：先尽早捕获杂乱的人类意图，只保留仍然重要的上下文，再把模型放进结构化循环里，而不是寄望于一条提示词从头撑到尾。
与前日对比： 2026-06-21 的顶级工作流帖子主要还在讲语音听写。到 2026-06-22，讨论已经扩展到循环设计、上下文衰减和显式审查流程。相较于前一周，关于智能体技能的讨论仍在持续从提示词手艺转向系统设计。
1.2 编排正在成为产品层，而不只是研究概念（🡕）¶
当天最清晰的架构主题是，多模型编排正被当作一种前沿能力单独售卖。讨论的重点不再只是“又一次模型发布”，而是最终胜出的产品到底会是模型本身，还是知道如何在模型之间做路由的那一层。
@testingcatalog 报道（368 点赞、26 回复、40,208 浏览量、136 收藏数），Sakana AI 的 Fugu 和 Fugu Ultra 是一套编排系统，在多个基准测试上的表现与 Claude Fable 5 和 Mythos 5 相当。那张基准图之所以关键，是因为它给出了具体数字，而不是含糊的前沿宣称：Fugu Ultra 在 LiveCodeBench 上是 93.2，在 GPQA-D 上是 95.5，在 SWE-Bench Pro 上是 73.7，在 Terminal Bench 2.1 上是 82.1。
@SakanaAILabs 宣布（118 点赞、4 回复、10,575 浏览量、22 收藏数）了最初发布，并链接到公开产品页，里面把 Fugu 描述成一个兼容 OpenAI 的单一 API，背后接的是可替换的智能体池。Sakana 的发布页写道，这个系统能够在内部跨专家模型做委派、验证和综合，并明确把这种架构定义为对出口管制和单一供应商依赖的一种对冲。
@amiruci 说（254 点赞、24 回复、25,191 浏览量、70 收藏数），Together AI 的推理业务在一年内增长了 20 倍，因为企业越来越想掌握自己的智能层、为自身用例后训练开放模型，并保持对持续学习的控制，而不是完全依赖封闭 API。
讨论要点： 质疑声并不是冲着编排本身来的，而是冲着它有多难优化。一条回复对 TestingCatalog 的帖子表示，人们已经在听说其他多模型系统的问题；TestingCatalog 的回应则是，优化仍然需要时间。兴趣是真实的，但落地债也同样真实。
与前日对比： 2026-06-21 的开放模型讨论，更关注 GLM-5.2 这类更易获得的前沿模型。到 2026-06-22，重心上移了一层：问题从“哪个模型更强？”变成了“当供应商、价格或访问规则变化时，哪一层编排还能继续工作？”
1.3 评估和对抗式审查看起来仍是稀缺基础设施（🡕）¶
另一个反复出现的主题是，评估仍然是实际 AI 工作里最难的部分之一。公开材料比泛泛而谈的“评估很重要”更有力：一条帖子认为实验室正在为了评估专长收购团队，因为这件事仍然很难自动化；另一条帖子指向一个覆盖面很广的新智能体基准；还有一条则把这种稀缺性翻译成了具体的代码审查工作流。
@abhijaymrana 认为（64 点赞、1 回复、5,109 浏览量、43 收藏数），实验室之所以会为评估专长收购团队，正是因为长尾评估编写依然既难又有价值。被引用的讨论点名了 Harbor 和 HealthBench 这类评分标准工作，作为少见的开放案例，进一步强化了一个判断：可复用的评估资产仍然很稀缺。
@tom_doerr 提到（19 点赞、2,422 浏览量、25 收藏数）了 Agents' Last Exam。它的公开仓库把自己描述为一个开放评估框架，包含 55 个行业里的 150 个参考任务、隐藏参考答案、确定性评分器，以及用于长程智能体工作的真实 Windows 或 Linux 沙箱。
@rohit4verse 分享（10 点赞、4 回复、585 浏览量、15 收藏数）了一整套对抗式 PR 审查提示词：它明确压制赞美、假定真实 bug 存在，并强制分别检查逻辑、失败路径、安全性、并发、回归和测试质量。
讨论要点： 这里的共同模式，是用结构化评判替代泛泛评判。无论任务是公开基准，还是一次性的 PR 审查，构建者都在尝试明确自己关心的失败模式，而不是让模型给出一个模糊的“看起来不错”。
与前日对比： 2026-06-21 已经通过 Human-on-the-Bridge 和 Agents' Last Exam，把评估往上游推。到 2026-06-22，这个主题延续了下来，而且更具运营意味：为评估收购人才、公开基准框架，以及面向日常工程工作的对抗式审查提示词。
1.4 AI 正在更深地进入购物、艺术和医疗的应用工作流（🡕）¶
当天一些最具体的帖子，讨论的是嵌入真实工作流内部的 AI，而不是基准测试层面的争论。证据横跨零售发现、视觉生产和医疗诊断，但共同线索是一样的：AI 必须作用于结构化证据，而不只是和人聊天谈可能性。
@alexgroberman 总结（38 点赞、37 转发、3,908 浏览量）了 Microsoft 的 AEO/GEO 零售指南，核心转向是：企业不再只是要被搜索引擎找到，而是要被 AI 助手和智能体选中。最有用的图片并不是宣传性质的流量图表，而是那些工作流示意图：AI 浏览器、助手和智能体如何比较夹克，以及 ChatGPT 的购买成功界面，这让“AI 购物”看起来更像已经可以落地的流程，而不是一种推测。
@aimikoda 展示（204 点赞、20 回复、9,273 浏览量、217 收藏数）了一个具体的视觉生产工作流：Midjourney Draft Mode 先生成 24 个低分辨率角色变体，再由 GPT Image 2 把其中一个选中的草稿转成角色设定板，包含正面、侧面、坐姿、蹲姿、俯视和细节研究视图。这组图片让整个流程特别容易被验证。
@ABC 报道（20 点赞、18 回复、24,227 浏览量）了一项研究：OpenAI 和 Boston Children's Hospital 把 18 名儿科患者既有的基因数据重新送入一个新的 AI 模型。ABC 的报道写道，该模型帮助专家把每个病例的复核时间压缩到大约 6 到 10 分钟，但在通知家庭之前，最终诊断仍然需要人工复核和经过认证的临床实验室确认。
讨论要点： 这里的共同模式是辅助式 AI，而不是完全自主的 AI。购物案例依赖结构化数据流和实时站点数据，角色设定板流程依赖人类挑选出有潜力的草稿，诊断研究则保留了专家和实验室验证。
与前日对比： 本周早些时候的报告更侧重模型、硬件和编排技能。到 2026-06-22，更多帖子开始展示 AI 如何嵌入具体的交易型或专业型工作流，而在这些场景里，数据质量和人工验证仍然重要。
2. 令人困扰的问题¶
上下文衰减与提示词脆弱性¶
严重程度：高。工作流帖子一再描述同一个问题：一旦工作变成长程任务，一次性提示就会失灵。@S1TA10 说（35 点赞、14 回复、1,051 浏览量、15 收藏数），长对话会落入“中段遗失（lost in the middle）”，导致前面的指令被忽略；@neil_xbt 认为（51 点赞、7 回复、2,320 浏览量、16 收藏数），更好的提示词只是在优化一个坏系统里的一个组件。就连当天最热门的亲 AI 工作流帖子——来自 @guinnesschen——也在暗示（2,030 点赞、81 回复、137,649 浏览量、610 收藏数），手打提示词的打磨，往往并不是捕捉意图的正确界面。
当前的应对模式很轻量，但很能说明问题：每个任务开启一个新对话，只向后传递简短摘要，用听写来捕获更丰富的上下文，并强制模型按“观察-思考-行动-反思”的循环运行。这值得投入去构建，因为多条帖子从不同角度汇聚到了同一个抱怨上。
评估默认项薄弱，误报式审查太多¶
严重程度：高。@abhijaymrana 认为（64 点赞、1 回复、5,109 浏览量、43 收藏数），长尾评估工作之所以有价值，已经到了实验室仍愿意为此收购团队的程度。@rohit4verse 说（10 点赞、4 回复、585 浏览量、15 收藏数），现有 AI 审查器总在告诉他 PR 没问题，直到一条对抗式提示词才挖出真实 bug。@tom_doerr 提到（19 点赞、2,422 浏览量、25 收藏数）ALE，正是因为基准覆盖、隐藏参考答案和确定性评分器仍然稀缺到足以产生价值。
今天的权宜方案，是把评判过程写得极其具体：对抗式提示词、隐藏参考答案、结构化检查轮次，以及自定义评估资产。这值得投入去构建，因为证据同时显示了痛点和围绕这一缺失层的真实预算。
供应商依赖与机器可读数据债¶
严重程度：中到高。@SakanaAILabs 把（118 点赞、4 回复、10,575 浏览量、22 收藏数）编排定义为对出口管制和单一供应商依赖的一种对冲；@amiruci 则说（254 点赞、24 回复、25,191 浏览量、70 收藏数），客户越来越想掌握自己的智能层，而不是只依赖封闭 API。在电商侧，@alexgroberman 总结（38 点赞、37 转发、3,908 浏览量）了 Microsoft 的观点：产品数据往往明明存在，但还不够结构化、不同步，也不够可信，以至于 AI 助手和智能体无法直接采取行动。
当前的权宜模式，一边是可替换模型池，另一边是结构化目录、数据流和信任信号。这值得投入去构建，因为眼下的痛点是运营层面的，不是愿景层面的：人们现在就想保证访问连续性，并让智能体能够在真实产品数据上可用。
3. 人们期望的功能¶
更好的长期任务意图保留方式¶
最强的工作流帖子表明，人们想要的是能保留自己思考中有用部分的系统，而不是被迫去微观管理提示词。@guinnesschen 推动（2,030 点赞、81 回复、137,649 浏览量、610 收藏数）把语音听写当成更好的细微意图捕获方式；@S1TA10 则认为（35 点赞、14 回复、1,051 浏览量、15 收藏数），人们应该传递简短摘要，而不是无穷无尽的聊天历史。这是一个带有直接需求的现实问题，因为这些建议被描述成当下的应对方式，而不是未来猜想。机会：直接需求。
当模型访问条件变化时仍能工作的编排层¶
Sakana 和 Together 的帖子暗示了一种非常具体的需求：需要一层能够切换提供商、专门化模型，并在供应商或政策冲击下继续工作的智能层。@SakanaAILabs 把 Fugu 定位为可替换的编排系统；@amiruci 则说，客户希望借助后训练的开放模型，把自己的智能层掌握在手里。这是一个有直接需求的现实问题，但竞争也在迅速升温。机会：竞争激烈。
AI 助手真正能够信任并采取行动的产品数据¶
Microsoft 指南摘要凸显了一种不如模型发布那么吸睛、但非常具体的需求：更好的机器可读目录、同步的数据流、可信的评价，以及能让智能体直接交易的网站。@alexgroberman 总结 了 Microsoft 的看法：AI 可见性如今取决于助手能否实时理解、论证并使用你的数据。这是一个现实需求，证据指向的是现有零售商基础设施的缺口，而不是兴趣不足。机会：直接需求。
不需要专家手工打造的评估资产与对抗式审查工具¶
这些评估帖子指向了一个市场：团队需要比通用模型评审更严格、但又可复用的评判资产。@abhijaymrana 认为，评估专长依然稀缺到值得收购；@rohit4verse 则展示 了一种手工应对方式——把代码审查变成显式的对抗式流程。这是一个有直接需求的现实问题，尤其适合那些正在交付智能体或 AI 辅助工程工作流的团队。机会：直接需求。
4. 使用中的工具与方法¶
| 工具 | 类别 | 评价 | 优势 | 局限 |
|---|---|---|---|---|
| 用于提示词的语音听写 | 输入工作流 | (+) | 比手打提示词打磨更快捕获限制条件、例子和潜在意图 | 依赖转写质量，后续仍需要上下文管理 |
| 观察-思考-行动-反思循环 | 智能体方法 | (+) | 为长程系统提供显式的恢复与学习周期 | 如果不配套具体记忆、工具和升级规则，仍然过于抽象 |
| 短摘要式上下文续接 | 上下文管理 | (+) | 降低长对话噪音，避免“中段遗失”失效 | 需要严格的任务边界和高质量摘要 |
| Sakana Fugu / Fugu Ultra | 编排 API | (+/-) | 单一 API、学得的委派、强基准叙事、可替换智能体池 | 回复和发布表述都暗示，优化和可靠性工作仍然很多 |
| 后训练开放模型 | 模型定制方法 | (+) | 让团队能为自己的用例掌握专门化行为和持续学习 | Together 的帖子明确说过，后训练仍然更像艺术而不是科学 |
| Agents' Last Exam | 评估框架 | (+) | 行业覆盖广、隐藏参考答案、确定性评分器、真实沙箱 | 公开任务集仍只是子集；运行真实沙箱会增加运营开销 |
| 对抗式 PR 审查提示词 | 工程工作流 | (+) | 强制从正确性、安全性、并发、回归和测试几个方面做结构化检查 | 目前证据仍主要来自实践者轶事，而不是大范围基准数据 |
| Midjourney Draft Mode + GPT Image 2 | 创意工作流 | (+) | 先快速探索概念，再生成一致的角色设定板 | 需要人工挑选和迭代修正；流程证据目前来自一位实践者的案例 |
| AEO/GEO 结构化产品数据 | 电商方法 | (+) | 对齐数据流、信任信号和实时站点数据，让助手可以推荐并交易 | 需要内容、目录和站点运营协同，而不是单一工具即可修复 |
整体满意度谱系是务实的，而不是意识形态式的。人们并不在寻找一个魔法模型，而是在组合更丰富的输入、更严格的上下文纪律、编排层、公开评估框架和领域专属的工作流战术。
最常见的权宜方案模式就是结构化。提示词失灵时，人们加上循环和摘要；模型依赖显得有风险时，人们加入编排和后训练；AI 电商显得不可靠时，人们强调数据流、schema 和实时站点一致性。因此，迁移压力正在从迷恋裸模型，转向那些能保留上下文、评估输出并让 AI 连接真实数据的系统层。
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 |
|---|---|---|---|---|---|---|
| Sakana Fugu / Fugu Ultra | @SakanaAILabs | 通过一个 API 暴露多智能体模型池的学得型编排系统 | 为高难度多步骤工作降低单模型限制和供应商依赖 | 编排 LLM、可替换智能体池、兼容 OpenAI 的 API | 已发布 | 推文、发布页 |
| Agents' Last Exam | Berkeley RDI 和 RDI Foundation，由 @tom_doerr 分享 | 面向真实专业任务的长程智能体开放评估框架 | 让团队能用隐藏参考答案和确定性评分，对智能体做更广泛的基准测试 | Python 工具包、云端或本地沙箱、隐藏参考答案、确定性评分器 | 测试版 | 推文、仓库 |
| 罕见病诊断模型 | OpenAI + Boston Children's Hospital，由 @ABC 分享 | 复核既有基因数据，为此前未解病例提供诊断建议 | 帮助专家重新审视那些多年未解决的罕见病病例 | 基于基因数据的 AI 模型、专家复核、认证临床实验室确认 | Alpha 阶段 | 推文、文章 |
@SakanaAILabs 展示（118 点赞、4 回复、10,575 浏览量、22 收藏数）了当天最明确的新产品形态。发布页描述了一套系统：它会判断是直接求解，还是组装一支专家模型团队，同时把这一整套编排隐藏在一个 API 背后。真正让它区别于普通路由器叙事的，是基准宣称、出口管制叙事，以及明确的可替换智能体设计这三者的组合。
@tom_doerr 分享（19 点赞、2,422 浏览量、25 收藏数）的是另一种构建：测量基础设施。ALE 的公开仓库写道，它会在真实机器上用隐藏参考答案和确定性评分器评估智能体，这让它不仅像一篇基准论文，更像一个可复用的运行框架，供团队比较完整的智能体系统。
@ABC 报道（20 点赞、18 回复、24,227 浏览量）的是一种研究型构建，而不是创业发布。链接文章写道，OpenAI 和 Boston Children's Hospital 重新处理了旧的儿科基因病例，在数分钟内给出候选诊断，但在通知家庭前，仍然需要专家和实验室确认。
重复出现的构建模式，是围绕判断、协调和执行的基础设施。最强的项目并不是通用聊天界面，而是编排层、评估框架，以及建立在结构化证据和真实工作流之上的辅助系统。
6. 新动态与亮点¶
带有明确人工护栏的 AI 辅助诊断¶
@ABC 报道（20 点赞、18 回复、24,227 浏览量）了一项研究：一个新的 AI 模型帮助重新审视多年未解的罕见病病例。链接文章写道，OpenAI 和 Boston Children's Hospital 把模型用于 18 个儿科病例，让专家始终在环，并且在向家庭给出诊断前要求经过认证的临床实验室确认。速度提升与保留人工监督并存，这让它比泛泛的“AI 医疗”表述更值得注意。
角色设定板生成正在变成可复现的图像工作流¶
@aimikoda 展示（204 点赞、20 回复、9,273 浏览量、217 收藏数）了一个工作流：把 Midjourney Draft Mode 变成生产风格的角色管线，方法是把选中的草稿作为种子，生成 GPT Image 2 的角色设定板。图片解释了为什么这条帖子会引发共鸣：这个流程可以在多个视角下保持面部、服装、轮廓和表情的一致性，而不是只再生成一张一次性的英雄图。
AI 购物正在从推荐话术走向交易证据¶
@alexgroberman 总结（38 点赞、37 转发、3,908 浏览量）了 Microsoft 的 AEO/GEO 指南，其中的图示展示了助手如何比较产品，以及一条已经跑通的 ChatGPT 购买流程。这个信号之所以重要，是因为它把 AI 购物当作数据与交易问题来处理，而不只是内容营销流行词。
7. 机会在哪里¶
[+++] 保留上下文的智能体基础设施 —— 证据来自当天互动量最高的语音听写工作流帖子、观察-思考-行动-反思循环图，以及关于长对话“中段遗失”的警告。这个机会很强，因为同一个痛点同时出现在输入捕获、记忆管理和长任务执行上。
[+++] 评估与对抗式审查工具链 —— @abhijaymrana 认为，评估专长仍然值得通过收购获得；ALE 提供了公开基准框架；@rohit4verse 则展示 了代码审查薄弱时的一种手工绕行方案。这个机会很强，因为它同时连接了痛点、预算和已经开始落地的构建。
[++] 提供商无关的编排层 —— Sakana Fugu 和 Together AI 都把未来描述成：掌握或路由智能层，而不是依赖单一供应商。这个机会是中等强度，因为需求很清晰，但这个空间正在迅速变得拥挤且技术门槛很高。
[+] 面向 AI 的产品数据与交易界面 —— Microsoft 的 AEO/GEO 材料显示，在助手和智能体能够推荐或购买之前，需要结构化目录、可信评价、同步数据流和可用的结账流程。这个机会正在浮现，因为运营需求是真实的，但今天的证据聚类规模仍小于上下文和评估这两个主题。
8. 要点总结¶
- 工作流讨论已经从提示词质量转向上下文质量。 语音听写、循环设计和长对话失效警告都指向同一个结论：真正的瓶颈是在多个步骤之间保留意图，而不是把单条提示词打磨得更漂亮。（来源）
- 编排如今正被单独包装成一种前沿能力。 Sakana Fugu 把学得型委派和可替换模型池本身当成产品，而 Together AI 则把业务增长归因于客户希望掌握自己的智能层。（来源）
- 评估仍然是这套栈里最难商品化的部分之一。 关于为评估收购人才、ALE，以及对抗式 PR 审查的帖子，都把评判当作专门基础设施，而不是事后补上的步骤。（来源）
- 最可信的应用型 AI 案例，依然把人类和结构化数据保留在环路中。 无论是购物、角色设计还是罕见病诊断，成功案例都依赖结构化证据、人工选择或专家验证，而不是完全自主的“魔法”。（来源）