EP65 — AI 要設計自己了

每天花 1% 的時間，掌握科技脈動。

今日金句#

“I reluctantly come to the view that there’s a likely chance (60%+) that no-human-involved AI R&D — an AI system powerful enough that it could plausibly autonomously build its own successor — happens by the end of 2028. We will cross a Rubicon into a nearly-impossible-to-forecast future.” 「我不情願地得出結論：在 2028 年底之前，有超過 60% 的機率出現完全自動化的 AI 研發——AI 系統將能夠自主訓練自己的下一代。我們將跨越盧比孔河，進入一個幾乎無法預測的未來。」 — Jack Clark, Anthropic 共同創辦人 / Import AI 作者

“Bun is still a great JavaScript runtime, but now it’s in the hands of a company that doesn’t seem to care at all about their software.” 「Bun 仍然是一個很棒的 JavaScript 執行環境，但它現在掌握在一家似乎完全不在乎自己軟體的公司手裡。」 — William Johnston, wwj.dev

今日主軸#

兩件事讓今天的科技消息格外有份量。

第一件，Anthropic 共同創辦人 Jack Clark 在 Import AI 455 期發表了一篇他自己說「不情願才下筆」的文章。他評估，在 2028 年底之前，有超過 60% 的機率出現「完全不需要人類介入的 AI 研發」——也就是 AI 系統自己訓練自己的下一代。根據的不是直覺，而是數字：Claude Mythos Preview 在 SWE-Bench 上得到 93.9%，而三年前最好的模型只有 2%。這條指數曲線告訴你，轉折點不是在遠方——它在今年。

第二件，HN 今天爆出一篇讓 Bun 用戶都應該看的文章：「I am worried about Bun」。作者愛用 Bun，但擔心它的命運——因為 Bun 已在 2025 年 12 月被 Anthropic 收購，而 Anthropic 的產品層品質在四月出了問題。工程 postmortem 承認了預設推理被靜靜調低、session bug 和提示詞品質退步。競爭者 Cursor、Codex、OpenCode 正在搶走用戶。

這兩件事合起來，描繪出一幅意外對稱的畫面：一邊是 AI 正在加速走向自我設計的奇點；另一邊，那些正在搭建這個未來的公司，執行力和軟體品質仍在掙扎。AI 的未來，可能比我們想的更近；但走到那裡的路，比我們希望的更顛簸。

必讀#

Import AI 455: AI systems are about to start building themselves — Import AI AI
I am worried about Bun — Hacker News Dev
Microsoft and OpenAI break up (Amazon is pumped) — YouTube AI
Stripe 的 AI 設計原型工具 Protodash — Lenny’s Newsletter Dev
LLM 連接現實世界：工具使用、函式呼叫與 MCP — ByteByteGo Dev
AI coding jargon, explained in plain English — GitHub Dev
Redis Array 資料型態：互動式操作場景 — Simon Willison Dev
Redis array: short story of a long development process — Hacker News Dev
AI 時代應優先培養決策力而非技能 — Lenny’s Newsletter AI

1. Import AI 455: AI systems are about to start building themselves#

Anthropic 共同創辦人 Jack Clark 發表了他自稱「不情願」的預測：在 2028 年底之前，有超過 60% 的機率出現「完全無需人類介入的 AI 研發」——AI 系統將自主訓練其繼承模型。Clark 的依據是 AI 在軟體工程、科學推理、長程任務執行等多個向度上的指數級進步：SWE-Bench 成績從 2023 年的 ~2% 飆升至 Claude Mythos Preview 的 93.9%。這不只是能力提升，而是整個「AI 研發的工程組件」都已可被自動化。

「程式碼奇點」已到來：AI 能獨立串接多步編程任務（寫 code → 測試 → 修 bug → 反覆），無需人工監督
SWE-Bench 三年從 2% 到 93.9%——Claude Mythos Preview 實質上已飽和這個基準
Clark 預期 2026 年內可見「非前沿模型自主訓練後繼模型」的概念驗證

💡 為什麼重要：這是來自 AI 產業核心人物的第一份 documented 時間線預測。若 Clark 正確，今天的每一項 AI 技術決策都需要放在「2028 年截止線」的框架下重新評估。

🔗 閱讀原文 | 來源: Import AI

2. I am worried about Bun#

Anthropic 在 2025 年 12 月收購了 Bun——那個以性能著稱的 JavaScript runtime。文章作者愛用 Bun，卻因 Anthropic 的產品品質問題感到憂慮。2026 年 4 月，Claude Code 品質明顯退步，Anthropic 隨後發布了工程 postmortem，承認多項問題：預設推理力被靜靜調低、session bug、提示詞變動影響品質。同期，競爭對手 Cursor、Codex、OpenCode、T3 Code 持續追趕。

Bun 有數百萬用戶（Claude Code 以 Bun 可執行檔發布），若 Anthropic 分散注意力，Bun 的維護品質也岌岌可危
Anthropic 第一次公開承認自己的過失（四月 postmortem）
GPT-5.5 最近發布後，Claude 的模型優勢已不如過去明顯，加上產品層退步，用戶流失加速

💡 為什麼重要：如果你的專案有 Bun 依賴，這是一篇值得讀完並評估風險的文章。同時，這也是「收購如何影響開源工具命運」的真實案例研究。

🔗 閱讀原文 | 來源: Hacker News

3. Microsoft and OpenAI break up (Amazon is pumped)#

OpenAI 與微軟長達 14 年的排他合作關係宣告終結。Simon Willison 的文章「Tracking the history of the now-deceased OpenAI Microsoft AGI clause」確認了這一重大轉變。Amazon 已公開表態有意接手，hyperscaler 之間的 AI 主控權競爭正進入公開搶佔階段。

微軟 AI 策略從「排他押注 OpenAI」轉向「多源供應、降低依賴」
Amazon 迅速行動，與 OpenAI 的合作談判預計加速
AGI 條款終結象徵 AI 能力已達到讓微軟需要重新談判的門檻

💡 為什麼重要：AI 供應鏈的商業格局正在重組。對開發者而言，這可能預示 AI API 市場出現更多競爭和更激烈的定價戰。

🔗 觀看影片 | 來源: Theo (YouTube)

4. Stripe 的 AI 設計原型工具 Protodash#

Stripe 設計經理 Owen Williams 在 Lenny’s Newsletter 分享了他們內部打造的 AI 原型工具 Protodash——一個讓設計師和 PM 無需寫 code 就能在瀏覽器中快速生成高保真儀表板原型的工具。工具從 Cursor rules 和 React 元件演進，最終成為完整的 web 原型工作室，支援設計評審和變體測試。令人驚訝的是：PM 的使用率與設計師一樣高，甚至更高。

設計評審中的原型效果「太真實，分不清是真產品還是假的」
PM 開始用 Protodash 做設計，設計師起初感到緊張——但結果是產出效率提升
動力來自「為什麼資料儀表板在 Figma 裡幾乎無法原型化」的痛點

💡 為什麼重要：Protodash 是「AI 賦能非技術職能」的具體案例，PM-as-prototyper 的模式已在頂尖科技公司成為現實。

🔗 閱讀原文 | 來源: Lenny’s Newsletter

5. LLM 連接現實世界：工具使用、函式呼叫與 MCP#

ByteByteGo 深入解析 LLM 與外部系統整合的三代演進：基礎工具使用 → 結構化函式呼叫 → Model Context Protocol。文章解釋 LLM 如何知道有哪些可用工具、如何安全請求執行並處理結果。歷經多次實驗與失敗，主要 AI 公司最終採納統一開放協定，讓 LLM 從孤立文字生成工具轉變為能接入真實世界的實用助手。

MCP 的核心思想：工具清單 + 型別安全的參數 + 執行結果處理 = 標準化的 LLM-工具介面
函式呼叫 vs MCP：前者是 LLM-specific，後者是平台中立的開放標準
作者認為 MCP 正成為事實標準，懂 MCP 架構的開發者有先機

💡 為什麼重要：MCP 是 2026 年 AI 後端架構的核心規範，理解它的演進邏輯對任何想構建 AI 產品的開發者都是必要的。

🔗 閱讀原文 | 來源: ByteByteGo

6. AI coding jargon, explained in plain English#

Matt Pocock（TypeScript Total 作者）的新 GitHub repo：AI 程式開發術語詞典，用平易近人的英文解釋所有你在 AI 輔助開發中會遇到的術語。964 stars，幾天內快速成長。從 context window、embeddings 到 function calling、agent loop，覆蓋範圍廣。

TypeScript 社群中高可信度的作者背書，品質有保證
專注於「開發者視角」的解釋，不是學術定義
開源、可直接貢獻，也可 star 收藏備用

💡 為什麼重要：AI 輔助開發的術語爆炸，這是一份隨手可查的參考。特別適合剛開始接觸 AI 工具的開發者。

🔗 查看 repo | 來源: GitHub

7. Redis Array 資料型態：互動式操作場景#

Simon Willison 利用 Claude Code for Web，為 Redis 最新的 Array 資料型態（18 個新指令：ARCOUNT、ARDEL、ARGET、ARGREP 等）打造了一個完整的瀏覽器互動式操作場景。ARGREP 指令支援伺服器端正規表達式搜尋，是亮點功能。這個 interactive demo 展示了 AI 輔助開發在「複雜功能原型」上的效率優勢。

💡 為什麼重要：Redis Array + ARGREP 讓伺服器端全文正規搜尋變得更簡單；同時 Simon 的 demo 方法論也值得開發者參考。

🔗 閱讀原文 | 來源: Simon Willison

8. Redis array: short story of a long development process#

Redis 創始人 Salvatore Sanfilippo 親自分享 Array 資料型態的開發歷程。ARCOUNT、ARDEL、ARGET、ARGREP 等 18 個新指令背後，是多年來對「Redis 適不適合做串列資料結構」的設計思辨。文章有趣在於展示了 Redis 這類基礎設施專案如何在「簡單性原則」和「新功能需求」之間取捨。

💡 為什麼重要：基礎設施設計的第一手思路，對於任何設計 API 或資料結構的開發者都有參考價值。

🔗 閱讀原文 | 來源: Hacker News

9. AI 時代應優先培養決策力而非技能#

Notion 產品負責人 Max Schoening 在 Lenny’s Newsletter 分享：在 AI 時代，培養「Agency（自主執行力）」比掌握特定技能更關鍵。他提出「微核心」理論——每個偉大產品背後都有一個不可替代的核心機制（如 iPhone 的多點觸控、GitHub 的 Pull Request）。雖然軟體數量因 AI 爆炸，但品質未必跟上，這反而是有主見的創作者的機會。

💡 為什麼重要：在 AI 工具氾濫的時代，「決策力」和「行動力」比「執行力」更稀缺。這個框架對 PM 和創業者特別有共鳴。

🔗 閱讀原文 | 來源: Lenny’s Newsletter

名人動態#

Jack Clark (Anthropic 共同創辦人): Import AI 455 — AI 自主研發時間線 60%+ 預測 → 見必讀 #1
Simon Willison (Datasette 作者): Redis Array 互動式 demo + Claude 諂媚研究解析
Salvatore Sanfilippo (antirez) (Redis 創始人): Redis Array 開發歷程 → 見必讀 #8
Matt Pocock (TypeScript Total): dictionary-of-ai-coding (964 stars) → 見必讀 #6
Evan Bacon (Expo 工程師): serve-sim (609 stars) → 見推薦閱讀

今日觀察#

OpenAI 與微軟的 AGI 條款終結，是這週的重大結構性新聞，但反應相對平靜，值得多思考一層。

這段關係的終結，並不只是商業談判結果——它象徵著 AI 能力已進入一個「單一供應商無法完全壟斷」的成熟階段。微軟的策略從「集中押注 OpenAI 獲取排他優勢」轉向「多源供應、降低依賴」，這恰好也是大多數成熟市場的正常演化方向。

Amazon 的迅速行動同樣值得觀察。AWS 若能成為 OpenAI 的主要雲端合作夥伴，等同取得了一張與 Azure AI 正面競爭的入場券。這對開發者的實際影響，可能是接下來 12-18 個月內，OpenAI API 的定價策略和服務穩定性都會出現變數——多一個主要合作夥伴，通常意味著協議重新談判，供應鏈短期內有更多不確定性。

今天的科技圈不缺巨頭分合，但這次重組的規模和速度，讓人意識到 AI 產業的商業結構還遠未穩定。

中文技術圈#

Cloudflare Agent Memory 服務上線 — Cloudflare 推出 Agent Memory，讓 AI Agent 跨對話保持記憶，整合 Workers AI 生態系。開發者可透過 Durable Objects 為 Agent 提供持久化記憶層。
Google Gemma 4 多模態模型發布 — Google 發布 Gemma 4，支援文字+影像輸入，可本地部署，為開發者提供更靈活的多模態能力。
Kubernetes LLM 安全實踐 — 在 Kubernetes 環境中部署 LLM 的安全最佳實踐與架構建議。

開源精選#

theori-io/copy-fail-CVE-2026-31431 — Python | ⭐ 3,162 — 9 年歷史的 Linux kernel 本地提權漏洞 (LPE) PoC，由 Theori’s Xint Code 發現
mattpocock/dictionary-of-ai-coding — TypeScript | ⭐ 964 — AI 程式開發術語詞典（見必讀 #6）
darrylmorley/whatcable — Swift | ⭐ 1,687 — macOS menu bar app，用白話說明每條 USB-C 線的實際能力
t8y2/dbx — Vue | ⭐ 841 — 15MB 輕量跨平台資料庫客戶端，支援 MySQL/PostgreSQL/SQLite/Redis/MongoDB 等
EvanBacon/serve-sim — TypeScript | ⭐ 609 — npx serve for Apple Simulators（見推薦閱讀）
tddworks/baguette — Swift | ⭐ 437 — Headless iOS Simulator farm + host-side input injection for iOS 26

本月開源精選 — HelloGitHub vol.121 (2026-04-28)#

本月重點：AI 編程助手生態工具全面爆發。

hermes-agent — ⭐ 133K — 越用越聰明的 AI 智能體，內建學習循環自動創建並優化 Skills，跨會話持久化記憶
andrej-karpathy-skills — ⭐ 112K — 受 Karpathy 啟發的 AI 編程行為規範：思考前置、簡潔優先，一鍵安裝到 Claude Code
cc-switch — ⭐ 59K — 一鍵切換 Claude Code/Codex/Gemini CLI API 渠道配置，自動故障轉移、用量追蹤
caveman — ⭐ 54K — 讓 AI 編程助手少說廢話：原始人風格極簡回答，減少 65% 輸出 token
graphify — ⭐ 43K — 把代碼庫變知識圖譜的技能包，支援 Claude Code/Codex/Cursor，節省 token 用量
OfficeCLI — C# | ⭐ 2,100 — 命令列直接操作 Word/Excel/PPT，Claude Code/Cursor 自動獲得 Office 操作能力
abtop — Rust | ⭐ 1,700 — 像 top 一樣監控多個 Claude Code/Codex Agent 的 token 用量和速率限制
notchi — Swift | ⭐ 833 — 住在 MacBook 瀏海的 Claude Code 吉祥物，實時顯示 Agent 狀態和情感表情
PhoneClaw — ⭐ 736 — iPhone 上的本地 AI Agent，使用 Gemma 4 LiteRT，不依賴雲端、不上傳個人資料

影音精選#

Microsoft and OpenAI break up (Amazon is pumped)#

72,958 views · 14 hours ago | Theo

OpenAI 與微軟的 14 年排他合作正式終結，Amazon 迅速行動表態接手。Theo 從開發者角度分析這次重組為何不只是商業新聞，而是整個 AI 生態系格局的轉折點。

微軟 AGI 條款「死亡」確認了兩者關係的根本轉變
Amazon 若成為 OpenAI 主要雲端夥伴，AWS vs Azure AI 的競爭格局將重塑
開發者需要評估對 OpenAI API 的長期依賴策略

💬 Yii 的觀點：這個分手比很多人想的更有意義——不是誰輸誰贏，而是 AI 市場終於開始像成熟市場一樣運作了。

企業級 AI 作業系統架構 #

20,790 views · 22 hours ago | Y Combinator

企業需要統一的 AI 智能層來整合會議、工單、客戶互動等所有上下文，實現全公司可查詢的知識體系。目前市場仍缺乏真正的產品化解決方案，這是 YC 看好的下一個大機會。

孤立的 LLM 工具無法解決企業的真實痛點——跨部門、跨工具的上下文整合才是核心
統一 AI 智能層的護城河：訓練資料（公司歷史）+ 整合深度

💬 Yii 的觀點：這跟 ERP 系統當年的邏輯很像——痛點真實存在，但第一代產品都很難用，真正解決問題的需要等第二、三代。

AI 自主科學發現系統 #

5,354 views · 9 hours ago | Y Combinator

前沿模型已達到博士級科學推理能力，AI 科學發現從人工輔助升級為自主閉迴圈系統，大幅加速科學研究流程。

AI 現已能自主設計實驗、執行分析、生成假設的完整研究週期
和 Import AI 的預測相互呼應：軟體工程之後，科學研究也在走向自動化

💬 Yii 的觀點：當 AI 開始做科學研究，有趣的問題不再是「它能不能做」，而是「誰來驗證它的結論」。

覺得有用嗎？分享給一個也在追蹤新知的朋友。

也歡迎中長期投資者體驗新工具 → Moniit