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润色（🡕）¶
当天信息量最高的工作流讨论，已经不再围绕如何把提示词写得更漂亮，而是转向如何把更丰富的上下文送入系统、让这些上下文在多个步骤中持续生效，以及如何设计能从错误中恢复的循环。四条不同内容都指向同一转变：语音听写是更好的意图外化方式、显式的智能体循环、关于长对话上下文衰减的提醒，以及用于编码工作的更具对抗性的审查提示词。
@guinnesschen 表示（2,030 个赞、81 条回复、137,649 次浏览、610 次收藏）认为，人们应该停止手动改提示词，转而对着听写按钮自由表达，让模型从语言中重建“潜在意图”。回复区让这一点从理论走向实践：@alexanderbenz 表示，在播客准备中，这种方式比手打节目提纲更有效；@SherbyJohn 则说，ChatGPT 的听写模型在实际使用中特别好用。
@neil_xbt 认为（51 个赞、7 条回复、2,320 次浏览、16 次收藏）认为，更好的提示词只能优化一个已经失灵系统中的单一环节，而无人值守的智能体需要一套“观察—思考—行动—反思”的循环。配图把这一建议从口号变成了可落地的架构。
@S1TA10 警告称（35 个赞、14 条回复、1,051 次浏览、15 次收藏）指出，一个 40,000 token 的 Claude 对话可能会因为 “lost in the middle” 而忽略前文指令，并建议每项任务单开新对话、只延续简短摘要、使用更结构化的输入，而不是把完整历史一股脑塞进同一个对话。@rohit4verse 分享了（10 个赞、4 条回复、585 次浏览、15 次收藏）则给出了一份 PR 审查提示词：它预设至少存在一个真实 bug，并强制分别检查正确性、安全性、并发、回归和测试。
讨论洞察： 最有价值的回复并没有夸奖提示词技巧，而是在肯定更好的输入捕获和上下文回灌。相关证据指向一种更偏运营的方法论：尽早捕获混杂的人类意图，只保留仍然重要的上下文，并强制模型走结构化循环，而不是寄希望于一条提示词始终管用。
与前一天对比： 在 2026-06-21，最热门的工作流帖子仍主要围绕语音听写；到了 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。与前一周相比，关于智能体能力的讨论持续从提示词技巧转向系统设计。
1.2 编排正在成为产品层，而不只是研究概念（🡕）¶
当天最明确的架构主题是：多模型编排正被当作一种独立的前沿能力来销售。讨论不再只是“又有一个新模型发布”，而是：最终胜出的产品会是模型本身，还是那个知道该如何在多个模型之间路由的层。
@testingcatalog 报道称（368 个赞、26 条回复、40,208 次浏览、136 次收藏）将 Sakana AI 的 Fugu 和 Fugu Ultra 描述为编排系统，称其在多个基准测试中的表现可与 Claude Fable 5 和 Mythos 5 比肩。那张基准测试图片之所以重要，在于它给出了具体数字，而不是含糊的“前沿能力”说法：Fugu Ultra 在 LiveCodeBench 上得分 93.2，在 GPQA-D 上得分 95.5，在 SWE-Bench Pro 上得分 73.7，在 Terminal Bench 2.1 上得分 82.1。
@SakanaAILabs 宣布（118 个赞、4 条回复、10,575 次浏览、22 次收藏）转发了原始发布，并链接到一个公开产品页面。该页面将 Fugu 描述为一个由可替换智能体池支撑的单一 OpenAI 兼容 API。Sakana 的发布页称，该系统能在内部跨多个专家模型进行委派、验证和综合，并明确把这种架构定位为对冲出口管制和单一供应商依赖的方案。
@amiruci 表示（254 个赞、24 条回复、25,191 次浏览、70 次收藏）表示，Together AI 的推理业务在一年内增长了 20 倍，因为企业越来越希望拥有自己的智能层，为自身场景对开放模型做后训练，并掌握持续学习，而不是完全依赖封闭 API。
讨论洞察： 质疑并不是针对编排本身，而是针对其优化难度。TestingCatalog 帖子下的一条回复称，人们已经听说其他多模型系统存在问题；TestingCatalog 的回应则是，优化仍然需要时间。兴趣是真实的，但实现债务同样真实。
与前一天对比： 在 2026-06-21，关于开放模型的讨论更多集中在 GLM-5.2 这类更易获得的前沿模型；到了 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，哪个编排层还能持续运转？”
1.3 评测和对抗性审查仍像是稀缺基础设施（🡕）¶
另一个反复出现的主题是：评测仍然是实用型 AI 工作中最难的部分之一。公开材料比泛泛的“评测很重要”更扎实：一篇帖子认为，实验室之所以收购评测团队，是因为这类工作依然难以自动化；另一篇指向一个覆盖面很广的新智能体基准；还有一篇则把这种稀缺性转化为具体的代码审查工作流。
@abhijaymrana 认为（64 个赞、1 条回复、5,109 次浏览、43 次收藏）认为，实验室收购团队正是看中评测专长，因为长尾评测的编写仍然困难且有价值。引用的讨论提到 Harbor 和 HealthBench 风格的 rubric 工作是少见的公开案例，这进一步强化了“可复用评测资产依然稀缺”的判断。
@tom_doerr 指出（19 个赞、2,422 次浏览、25 次收藏）介绍了 Agents' Last Exam。其公开仓库将其描述为一个开放评测框架，包含覆盖 55 个行业的 150 个参考任务、隐藏参考答案、确定性评分器，以及面向长时程智能体工作的真实 Windows 或 Linux 沙箱。
@rohit4verse 分享了（10 个赞、4 条回复、585 次浏览、15 次收藏）分享了一份完整的对抗性 PR 审查提示词：它明确要求不要先夸赞，预设确实存在一个真实 bug，并强制分别检查逻辑、故障路径、安全性、并发、回归和测试质量。
讨论洞察： 共同模式是用结构化评判取代泛泛判断。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效模式，而不是让模型给出一个模糊的“没问题”。
与前一天对比： 2026-06-21 已经通过 Human-on-the-Bridge 和 Agents' Last Exam 把评测前移；到了 2026-06-22，这一主题仍在延续，但呈现得更具操作性：评测人才并购、公开基准框架，以及用于日常工程的对抗性审查提示词。
1.4 AI 正更深入地进入购物、艺术和医疗等应用工作流（🡕）¶
当天一些最具体的帖子，讨论的不是基准测试，而是嵌入真实工作流的 AI。证据横跨零售发现、视觉制作和医学诊断，但共同点一致：AI 必须基于结构化证据采取行动，而不只是和你聊天谈可能性。
@alexgroberman 总结道（38 个赞、37 次转发、3,908 次浏览）将 Microsoft 的 AEO/GEO 零售指南解读为一种转变：重点不再只是“被搜索引擎找到”，而是“被 AI 助手和智能体选中”。其中最有用的图片不是宣传用的流量图，而是展示 AI 浏览器、助手和智能体如何比较夹克，以及 ChatGPT 完成购买界面的工作流图，这让“AI 购物”看起来更像实际运营，而不只是猜想。
@aimikoda 展示了（204 个赞、20 条回复、9,273 次浏览、217 次收藏）展示了一套具体的视觉制作工作流：Midjourney Draft Mode 先生成 24 个低分辨率角色变体，再由 GPT Image 2 把选中的草稿转成角色身份板，包含正面、侧面、坐姿、蹲姿、俯视和细节研究视图。这组图片让整个工作流格外容易验证。
@ABC 报道称（20 个赞、18 条回复、24,227 次浏览）介绍了一项研究：OpenAI 和 Boston Children's Hospital 将 18 名儿科患者既有的遗传数据重新送入一个新的 AI 模型。ABC 的报道说，该模型帮助专家在大约 6 到 10 分钟内审阅每个病例，但最终诊断仍需人工复核，并在通知家属前取得经过认证的临床实验室确认。
讨论洞察： 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 feed 和实时站点数据；角色身份板工作流依赖人工挑选有潜力的草稿；诊断研究则保留了专家和实验室验证。
与前一天对比： 本周稍早的报道更多围绕模型、硬件和编排能力；到了 2026-06-22，更多帖子展示的是 AI 如何嵌入具体的交易型或专业工作流，而其中数据质量和人工验证依然关键。
2. 什么让人沮丧¶
上下文衰减与提示词脆弱性¶
严重程度：高。工作流相关帖子反复描述同一个问题：一旦工作变成长流程，一次性提示就会失效。@S1TA10 表示（35 个赞、14 条回复、1,051 次浏览、15 次收藏）指出，长对话会陷入 “lost in the middle”，导致早期指令被忽略；@neil_xbt 认为（51 个赞、7 条回复、2,320 次浏览、16 次收藏）则认为，更好的提示词只能优化一个已经失灵系统中的单一环节。就连当天最受欢迎、立场偏正面的 AI 工作流帖子，@guinnesschen 暗示（2,030 个赞、81 条回复、137,649 次浏览、610 次收藏）也指出：手打并反复润色提示词，往往不是捕获意图的正确界面。
当前的应对方式虽然轻量，却很说明问题：每个任务单开新对话、只携带简短摘要、用听写捕获更丰富的上下文，并强制模型走“观察—思考—行动—反思”循环。之所以值得围绕这一方向构建产品，是因为多篇帖子从不同角度收敛到了同一个抱怨。
评测默认设置太弱，误报式审查太多¶
严重程度：高。@abhijaymrana 认为（64 个赞、1 条回复、5,109 次浏览、43 次收藏）指出，长尾评测工作的价值高到实验室仍愿意为此收购团队。@rohit4verse 表示（10 个赞、4 条回复、585 次浏览、15 次收藏）表示，现有 AI 审查器一直告诉他 PR 看起来没问题，直到一条对抗性提示词才挖出真实 bug。@tom_doerr 指出（19 个赞、2,422 次浏览、25 次收藏）介绍 ALE，恰恰是因为基准覆盖、隐藏参考答案和确定性评分器依然稀缺到足以构成价值。
当前的变通办法，是把评判流程规定得非常具体：对抗性提示词、隐藏参考答案、结构化分阶段检查，以及定制评测资产。之所以值得围绕这一方向构建产品，是因为证据既显示出真实痛点，也显示出围绕这一缺失层的明确预算投入。
供应商依赖与机器可读数据债务¶
严重程度：中到高。@SakanaAILabs 将其描述为（118 个赞、4 条回复、10,575 次浏览、22 次收藏）将编排视为对冲出口管制和单一供应商依赖的方案；@amiruci 表示（254 个赞、24 条回复、25,191 次浏览、70 次收藏）则表示，客户越来越希望拥有自己的智能层，而不只是依赖封闭 API。在电商一侧，@alexgroberman 总结道（38 个赞、37 次转发、3,908 次浏览）转述了 Microsoft 的观点：产品数据往往是有的，但并没有结构化、同步化，或可靠到足以让 AI 助手和智能体据此行动。
当前的应对模式，一边是可替换模型池，另一边是结构化目录、feed 和信任信号。之所以值得围绕这一方向构建产品，是因为眼下的痛点是运营层面的，不是愿景层面的：人们现在就需要保持访问连续性，并让智能体能在真实产品数据上可用。
3. 人们希望出现什么¶
更好地在长任务中保留意图的方法¶
最有说服力的工作流帖子表明，人们想要的是：系统能保留自己思考中真正有用的部分，而不必逼他们事无巨细地管理提示词。@guinnesschen 推动了（2,030 个赞、81 条回复、137,649 次浏览、610 次收藏）把语音听写视为更好的细微意图捕获方式；@S1TA10 认为（35 个赞、14 条回复、1,051 次浏览、15 次收藏）则建议只延续简短摘要，而不是没完没了的聊天历史。这是一项有直接需求的现实需要，因为这些建议描述的是当下的应对行为，而非未来想象。机会：直接。
在模型访问变化时仍能持续运转的编排层¶
Sakana 和 Together 的帖子暗示了一项很具体的需求：一个能够切换供应商、做模型专门化，并在供应商或政策冲击下继续存活的智能层。@SakanaAILabs 将其定位为 将 Fugu 描述为可替换的编排系统；@amiruci 表示 则表示，客户希望通过后训练开放模型来拥有自己的智能层。这是一项有直接需求的现实需要，但竞争正在迅速升温。机会：竞争性。
AI 助手真正能信任并据此行动的产品数据¶
Microsoft 指南摘要强调了一项不如模型发布吸睛、但非常具体的需求：更好的机器可读目录、同步 feed、可信评论，以及可供智能体完成交易的网站。@alexgroberman 总结道 转述了 Microsoft 的观点：如今 AI 可见度取决于助手是否能实时理解、解释并使用你的数据。这是一项现实需要，证据指向的问题不是市场缺乏兴趣，而是现有零售基础设施存在缺口。机会：直接。
不需要专家手工打造的评测资产和对抗性审查工具¶
评测相关帖子指向了一个市场：需要比通用模型测评更严格、且可复用的评判资产。@abhijaymrana 认为 表示，评测专长仍然稀缺到值得被收购；@rohit4verse 展示了 则展示了一种手工应对方式：把代码审查变成一个明确的对抗性流程。对于发布智能体或 AI 辅助工程工作流的团队来说，这是一项有直接需求的现实需要。机会：直接。
4. 正在使用的工具和方法¶
| 工具 | 类别 | 情绪 | 优势 | 局限 |
|---|---|---|---|---|
| 用于提示的语音听写 | 输入工作流 | (+) | 比手打和润色提示词更快地捕获限定条件、示例和潜在意图 | 依赖转录质量，后续仍需管理上下文 |
| 观察—思考—行动—反思循环 | 智能体方法 | (+) | 为长流程系统提供明确的恢复与学习周期 | 如果没有配套的具体记忆、工具和升级规则，仍然偏抽象 |
| 简短摘要式上下文延续 | 上下文管理 | (+) | 减少长对话噪声，避免 “lost in the middle” 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、学习式委派、清晰的基准定位、可替换智能体池 | 回复和发布口径都暗示，优化与可靠性工作仍有不少要做 |
| 开放模型后训练 | 模型定制方法 | (+) | 让团队能为自身场景掌握专门化行为和持续学习 | Together 的帖子明确表示，后训练仍然更像艺术而非科学 |
| Agents' Last Exam | 评测框架 | (+) | 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；运行真实沙箱会带来运营开销 |
| 对抗性 PR 审查提示词 | 工程工作流 | (+) | 强制围绕正确性、安全性、并发、回归和测试进行结构化检查 | 目前证据仍是从业者个案，而非广泛基准数据 |
| Midjourney Draft Mode + GPT Image 2 | 创意工作流 | (+) | 先快速探索概念，再生成一致的身份板 | 需要人工筛选和迭代修正；工作流证据来自单一从业者案例 |
| AEO/GEO 结构化产品数据 | 电商方法 | (+) | 对齐 feed、信任信号和实时站点数据，让助手能推荐并完成交易 | 需要内容、目录和站点运营协同，而不是靠单一工具解决 |
整体满意度分布是务实的，而不是意识形态化的。人们并不在寻找某个魔法模型，而是在组合更丰富的输入、更严格的上下文纪律、编排层、公开评测框架，以及面向具体领域的工作流策略。
共同的变通模式是“结构化”。提示词失效时，人们就加循环和摘要；模型依赖显得危险时，人们就加编排和后训练；AI 电商显得不可靠时，人们就强调 feed、schema 和实时站点一致性。因此，迁移压力正从对原始模型的迷恋，转向那些能够保留上下文、评估输出，并让 AI 持续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 | 通过单一 API 暴露多智能体模型池的学习式编排系统 | 降低单模型上限和供应商依赖，对付复杂多步骤任务 | 编排 LLM、可替换智能体池、OpenAI 兼容 API | 已发布 | 推文, 发布页面 |
| Agents' Last Exam | Berkeley RDI 和 RDI Foundation，由 @tom_doerr 分享 | 面向真实专业任务中长时程智能体的开放评测框架 | 让团队能用隐藏参考答案和确定性评分，对智能体进行更全面基准测试 | Python 工具包、云端或本地沙箱、隐藏参考答案、确定性评分器 | Beta | 推文, 仓库 |
| 罕见病诊断模型 | OpenAI + Boston Children's Hospital，由 @ABC 分享 | 审查既有遗传数据，为此前未解病例提出诊断建议 | 帮助专家重新审视多年未解决的罕见病病例 | 基于遗传数据的 AI 模型、专家审查、经认证的临床实验室确认 | Alpha | 推文, 文章 |
@SakanaAILabs 介绍了（118 个赞、4 条回复、10,575 次浏览、22 次收藏）是当天最明确的新产品成果。发布页面介绍了一套系统：它能判断何时直接求解、何时组建一支专家模型团队，同时把整个编排过程都隐藏在一个 API 之后。它和普通“路由器”式宣传的区别在于：同时具备基准测试主张、出口管制叙事，以及明确的可替换智能体设计。
@tom_doerr 分享了（19 个赞、2,422 次浏览、25 次收藏）展示了另一种构建：测量基础设施。ALE 的公开仓库称，它在真实机器上、借助隐藏参考答案和确定性评分器来评估智能体，因此它不只是一个基准论文项目，也是一套团队可复用的完整智能体对比 harness。
@ABC 报道称（20 个赞、18 条回复、24,227 次浏览）介绍的则是一项研究型构建，而非创业公司发布。相关文章称，OpenAI 和 Boston Children's Hospital 重新处理了历史儿科遗传病例，在几分钟内给出候选诊断，但在通知家属之前仍需要专家和实验室确认。
反复出现的构建模式，是围绕判断、协调和执行搭建基础设施。最有代表性的项目并不是通用聊天界面，而是编排层、评测框架，以及能够在真实工作流中处理结构化证据的辅助系统。
6. 新内容与值得关注之处¶
带有明确人工护栏的 AI 辅助诊断¶
@ABC 报道称（20 个赞、18 条回复、24,227 次浏览）介绍了一项研究：一个新的 AI 模型帮助重新审视多年未解的罕见病病例。相关文章称，OpenAI 和 Boston Children's Hospital 将该模型用于 18 个儿科病例，让专家始终参与其中，并要求在向家属提供诊断之前，先获得经认证的临床实验室确认。这种“提速但不去人”的组合，让它比泛泛的“AI 医疗”说法更值得关注。
角色身份板生成成为可复现的图像工作流¶
@aimikoda 展示了（204 个赞、20 条回复、9,273 次浏览、217 次收藏）展示了一套工作流：把 Midjourney Draft Mode 变成更接近制作流程的角色管线，用选中的草稿作为 GPT Image 2 身份板的种子。图片本身解释了为什么这条帖子会引发共鸣：该工作流能在多个视角中保持面部、服装、轮廓和表情的一致性，而不是只再生成一张一次性的主视觉图。
AI 购物从推荐话术走向交易证据¶
@alexgroberman 总结道（38 个赞、37 次转发、3,908 次浏览）介绍了 Microsoft 的 AEO/GEO 指南，其中的图示展示了助手比较产品以及 ChatGPT 完成购买流程。这一信号之所以重要，在于它把 AI 购物当成数据与交易问题，而不只是内容营销流行语。
7. 机会在哪里¶
[+++] 上下文保真型智能体基础设施 — 证据来自当天互动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 “lost in the middle” 的提醒。这一方向很强，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中。
** 评测与审查基础设施 [+++] Evaluation and adversarial review tooling** — @abhijaymrana 认为 表示评测专长仍然值得通过收购获取；ALE 提供了公开基准框架；@rohit4verse 展示了 则给出了代码审查薄弱时的手工变通方案。这一方向很强，因为它同时连接了痛点、预算和正在发生的实现。
[++] 与供应商无关的编排层 — Sakana Fugu 和 Together AI 都将未来描述为：企业应拥有或路由自己的智能层，而不是依赖单一供应商。这一方向潜力中等，因为需求明确，但赛道正迅速变得拥挤且技术要求高。
[+] 面向 AI 的产品数据与交易界面 — Microsoft 的 AEO/GEO 材料显示，助手和智能体必须先拿到结构化目录、可信评论、同步 feed 和可用的结账流程，才能推荐或购买。这一方向正在浮现，因为运营需求是真实的，但当天证据规模仍小于上下文与评测主题。
8. 要点¶
- 工作流讨论已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提醒都指向同一个结论：瓶颈在于跨步骤保留意图，而不是打磨一条提示词。（来源）
- 编排如今正被当作一种独立的前沿能力来推销。 Sakana Fugu 把学习式委派和可替换模型池本身当作产品，而 Together AI 则把业务增长与客户拥有自己的智能层联系起来。（来源）
- 评测仍然是技术栈中最不容易商品化的部分之一。 关于评测人才并购、ALE 和对抗性 PR 审查的帖子，都把判断视为专门基础设施，而不是事后补丁。（来源）
- 最可信的应用型 AI 案例，都保留了人工和结构化数据在环。 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）