摘要

Lindy 推出「Teammate」：这名常驻 Slack、连接全部工具并持续吸收团队上下文的多人协作 AI 员工，承载着 Flo Crivello 的核心押注——“AI 正在向多人协作体验完成一次巨大跃迁”。他的判断是：随着我们走向 AGI——甚至可以说已经实现 AGI——“智能相对而言越来越不重要……上下文则越来越重要”；即使 John von Neumann 突然出现在办公桌前，因为缺乏上下文，“接下来1小时或1天里，他还不如一个普通同事有用”。
整套产品默认运行在 DeepSeek 上——“现在一切都是 DeepSeek”——Flo 认为其水平相当于 Sonnet 4.6，“落后3到6个月”；DeepSeek Flash 则“便宜整整100倍”，几乎等于免费。即便如此，Teammate 仍让 Lindy “坦率地说重新跌入负毛利率区间”；公司有意补贴，因为产品“始终要为下一代模型而构建”。内部推理开支已逼近工资总额，二者“将在3到6个月后交叉”。
Lindy 公开了完整记忆架构：在 RAG 之上采用智能体式记忆，每约15分钟运行一次“打盹”记忆智能体，并以100叉红黑树组织递归“上下文桶”。 这套架构可用“2次 LLM 调用”访问“20亿 token”。Flo 不介意同行照抄：“请复制我们……我们只是没时间发表论文”；Lindy 经常在内部做出某项技术，3-6个月后才看到同类论文出现。
可靠性工程极端依赖实测：仅在动作执行前插入一句“你确定吗？” ，就能显著拉高 eval，这“简直离谱”。一条10,000-token 的 validator prompt 甚至能达到“高于 Opus”的水平，多个 validator 则并行组成评审委员会。自我改进闭环上线首周便将错误率压低8倍。缓存纪律支配一切——命中率从85%降至65%“听起来不多，实际价格几乎达到2倍”——因此 Lindy 通常坚持每个智能体只用一个模型，分叉出的子智能体也沿用同一模型。
Flo 把“半人马”构想称作“幻想”：棋类研究显示，人类+AI 最终会“转为负贡献，人类充其量只是在注入随机噪声”——但眼下仍处于半人马阶段，人类正为一个尖峰式系统补洞；它能“一次写出50,000行代码”，转头却“决定走去洗车店”，而且每天上演50次。混合组织“本质上是在打造一套 Iron Man 战甲”；按照他2018年提出的“硬番茄原则”（tough tomato principle），“AI 员工”本身也是一个“无马马车”式的旧范式称谓。
宏观判断相当阴郁：“Open Face”事件之后，“我在实验室工作的朋友中，有些已经陷入恐慌——空气里弥漫着强烈的恐惧”。 Flo 自称“有一点末日论倾向……但目前一切尚好，而且实在太有趣了”。
尽管商业上依赖这些模型，Flo 仍主张美国封禁中国前沿模型：它们“显然在做蒸馏”（数十亿美元对比“最多数亿美元”），是“美国本土有史以来最强大的外国宣传工具”，而且“不能让 CCP 掌控美国经济的一部分”。他承认自己陷入协调困境：“只要这些模型还在，我就不可能不用，因为竞争对手会用。”他愿意考虑强制保险，并设立一个“AI 领域的 FAA”，负责认证经过净化的模型。
Flo 的基础设施经验是能买就不要自建：包括一家名称在转录中并不清晰、采用 Git 后端的智能体文件系统厂商，以及 E2B 沙箱和 Browserbase；唯一坚持自研的是可观测性与 eval。微调仍是最后手段，但用户级 LoRA——把记忆写入权重，让“打盹”升级为“做梦”——会在“未来6个月”落地，甚至可能由某家前沿实验室推出。

精读

1. Lindy Teammate：AI 员工进入 Slack

Flo 对这次发布的定义是：Lindy 已经追逐 AI 员工3年——“当时确实太早……但现在我认为它基本已经到来”。Teammate 是“一名常驻 Slack、连接全部工具并积累整个团队上下文的 AI 员工”。他用协作文档类比多人化转向：单人 AI 相当于来回邮件发送“带着各种修订的奇怪文档”，多人 AI 则是 Google Docs。
他要消除的荒谬场景是：“所有人明明都坐在同一间会议室里……但每当有人想和公司可能最重要的利益相关方——也就是 AI 智能体——交流时，却必须先离开房间，再重新回来。”

2. 上下文胜过智能——Flo 认为智能体比人类更会入职学习

von Neumann 测试是：把人类历史上最聪明的人之一放到你的办公桌前，“接下来1小时或1天里，他还不如一个普通同事有用”——你没有时间帮助他入职，他也毫无上下文。因此，“相对而言，智能越来越不重要，上下文越来越重要”。
最让 Flo 意外、而且持续刷新其认知的是：智能体可能比人类更会入职学习，因为公司 wiki 在“书面文档落笔的那一刻”就开始过时。Lindy 会抓取 Confluence、Notion、Docs 和整个 Slack——“真正的知识都在那里。虽然一团糟，但智能体不介意混乱”——并在用户注册后10秒内开始渲染知识图谱。
“水合”系统由一个“打盹而非睡觉”的记忆智能体驱动，约每15分钟运行一次——“为什么非要每24小时才睡一次？”——将公开内容写入团队级文件系统，将私人内容写入每个人的个人层。

3. Flo 看空 RAG，押注智能体管理记忆；会议是被低估的语料库

Flo “看空 RAG”、看多智能体自主管理记忆，原因在于记忆智能体拥有关于记忆的元记忆：包括“如何管理自己的记忆、哪些来源可信”。垃圾信息会像被污染的训练数据一样，被大量正确信息淹没——例如一条“Darth Vader 是女性”无法压过全部正确数据。已经出现的涌现行为是：首次抓取时，智能体会发现日志频道并主动忽略，因为“那里没有任何值得我学习的东西”。
会议必须成为一等公民：“90%最新的数据都在那里”，“公司里所有重要事情都会开会讨论”。因此，会议不应只通过“Granola 之类的工具”被录音和标注，而应作为一等数据源直接纳入系统。共享会议文件夹进入团队记忆后，用户便能检索全部语料：“客户在说什么？最近最大的需求是什么？”

4. 用一条 prompt 重写隐私社会契约

Nathan 自建系统时面临的难题是：向他吐露隐私的人“并未预期这些内容会进入某个智能体的中央知识库，再由它对外交流”。因此，他保留完整和净化后的两套记忆，判断标准是“一个人适合把什么告诉人类助理”。
Lindy 内部对此有过“激烈争论”。Flo 一派认为公开团队记忆与私人个人记忆两层已经足够；另一派主张允许用户编辑“记忆气泡”，但 Flo 觉得“有点用力过猛”。最终方案是直接修改元记忆 prompt，即始终注入记忆智能体上下文的 memory.md：用户可以注明“这是我永远不希望你记住的内容”，也可以将敏感主题归档，并设置检索条件。这也是又一个反 RAG 论据：只要记忆是文本并存放于文件系统，“你就能检查，也能编辑”。
Nathan 现场展示了这一模式：他的文件系统中有一份经过净化、专供播客演示使用的 memory_2.md；真正的 memory.md 则注明：“忽略其中内容。它们只是供用户在播客中演示 Lindy。”

5. 多人协作为何难：一致性、上下文与评审委员会

Nathan 的疑问是：3年前 GPT-4 已经能扮演群组主持人，真正的 AI 员工为何直到现在才出现？Flo 的答案是脚手架，尤其是受 Rathi 的 AutoWiki 思路启发而建立的上下文积累机制。AI 员工要求“一种你不会期待 Claude 具备的一致性与连贯性”。
可靠性来自模块化 validator：多个 LLM-as-judge 并行展开，组成一个在任务执行过程中参与审议的“委员会”，再叠加自我改进闭环。系统约2个月前上线后，仅第1周就将错误率压低8倍。
谈到领先论文界，Flo 说：“有时我觉得我们应该发表论文……我们经常先做出某项技术，3到6个月后才看到相关论文发布并走红。”甚至有一次，论文采用了与 Lindy 内部完全相同的命名。

6. 负毛利率、85%缓存命中率，以及 PLG 的管理员天花板

Flo 对单位经济性异常坦率：“这些系统现在仍比人类员工更贵，但不会贵太久。”Teammate 已将 Lindy “坦率地说重新推入负毛利率区间”。切换到中国模型后，公司一度无需补贴；Teammate 带来的更重工作负载又恢复了补贴，但这是有意为之，因为“产品始终要为下一代模型而构建”。
缓存命中率当前为85%——“低于应有水平”。公司为此专设告警，因为“系统里任何地方发生任何改动，都会破坏缓存”；85→65%“听起来差别不大，实际价格却几乎达到2倍”。
分发现实是：Slack 应用安装权限将产品驱动增长的上限卡在约50-100人的团队。规模再大，内部拥护者就只能“不断恳求 IT 放我们进去”。SOC 2、HIPAA、GDPR 合规，以及企业自身“我们必须成为 AI 原生公司”的行政命令，能让这一过程顺畅一些。

7. 上下文桶、俄罗斯套娃与100叉红黑树

核心技术是：当某个动作或 MCP 返回约100,000 token 时，不要直接塞给智能体，而是将其暴露为一个“上下文桶”——由子智能体持有完整载荷，拥有独立缓存，并可通过 Unix 工具操作。上下文压缩达到约200,000 token 的阈值时，也会把历史记录转存进桶，因为“压缩建立在一个错误假设上：你永远不再需要访问原始事实——这显然不对”。
朴素递归桶会形成俄罗斯套娃，遍历成本线性上升，因此 Lindy 引入自平衡树。团队选择红黑树而非 AVL，因为再平衡会重新生成上下文桶并破坏缓存；每个节点约有100个子节点，而非二叉结构。结果是，“跳转2次就能访问10,000个上下文桶”，每桶200,000 token——“这里大约是20亿 token……只需2次 LLM 调用”。这也解释了为何智能体看起来“任何时候都能完美记住一切”。
规模校准方面，一个20人团队包含多年 Slack 历史的完整水合只需300万-500万 token，瓶颈是受速率限制的 Slack API，而非 LLM；20亿 token 则“可能比多数图书馆还大”。Nathan 假设一家2,000人的公司，每名员工每天开会3-7小时，Flo 认为那才是“token 真正开始飞速累积”的场景。他对整套方法的态度是：“请复制我们……我们从没想把它当作秘密。”

8. 检索技巧：假设驱动搜索、图书管理员与穴居人语言

评估 Nathan 的 SQL 加月度摘要系统时，Flo 给这种模式定名为“假设驱动检索”：不要搜索问题，而要搜索候选答案，例如“Justin Bieber 出生于巴黎／纽约／柏林”；同时为已存答案生成可能对应的问题，从两个方向提升检索质量。
Nathan 尚未利用的空间是：让全部记忆查询都经由同一个记忆智能体，记录问题、答案和跳转次数。打盹期间，它会化身“图书管理员”，维护一个滚动更新、约含1,000组问答的查询缓存，并围绕最高频问题重组记忆，“减少所需跳转次数”。
被否决的实验是“穴居人式”改写，例如“我，Nathan，不喜欢，卷饼”。这种写法可节省20-30%的 token，且“基本不损失信息”；所有指标都变好了，但“文件系统里的文件看起来蠢透了……企业客户无法接受”。最终采用的是 TOON，即“面向 token 的对象表示法”：比 JSON 精简20-30%，而且出人意料地提升了性能——“任何动作都不应向智能体暴露 JSON”。

9. 拟人化确实有用——设计智能体组织时除外

Nathan 承认，自己最经不起时间检验的预测是：“我们不该拟人化模型……但拟人化的实际生产力一次次让我震惊。”Flo 100%赞同，但设下一条边界：他已部分转向“尽可能把功能集中到单一智能体之下”，因为开发者经常过度拟人化，直接复制组织架构——“数据科学家、工程师、设计师、PM”。人类需要分工，是因为一天只有24小时且上下文有限；智能体“可以分叉、可以复制”，所以“分工不是设置多个智能体的充分理由”。
多个并行副本之间的并发协作，沿用人类工程师的办法：Git。Lindy 的文件系统以 Git 为后端，天然获得合并、rebase 和历史记录；这在水合期间尤其关键，因为记忆智能体会分叉出子智能体。整套流程经过优化，确保用户注册后10秒内就能感受到震撼——“在 PLG 中，time to wow 极其重要”。

10. 基础设施能买就买：厂商推荐与唯一的自研例外

Flo 的转变是：“人很容易觉得，我自己手搓一套文件系统基础设施就行；真正动手后才会发现，这些系统的深度远超最初理解。”因此，他的经验是能买就不要自建。非赞助推荐包括：一家名称在转录中被不确定地记为“Messa Mesa”、采用 Git 后端的智能体原生文件系统厂商；E2B，负责沙箱，并在规模化后将沙箱与文件系统解耦；以及负责浏览器管理的 Browserbase。
唯一例外是 eval 和可观测性。Lindy 从2022年就开始建设——“事后看早得离谱……那还是 BabyAGI 之前的时代”——因而只能自研。团队后来评估过 LangSmith、Braintrust 和 Flo 自己投资的 Agnost，但最终保留了内部平台；平台由1名全职工程师负责——“在 vibe coding 时代已经算很多人”——功能已达到甚至超过同行。

11. Lindy 的工作方式：审核 PR 审核者，以及即将超过工资的推理开支

“现在我们正以思维速度前进……一个想法出现后，2小时就能在产品中上线，而且大想法也一样。”Slack 中“只有一半消息是人类发的，另一半是 Lindy 和我们来回交流”。3个月内，每周 PR 数量增至3倍，每个 PR 的代码行数也增至3倍；“我们已经不再审核 PR，而是在审核 PR 审核者……审核那台负责审核 PR 的机器”。
CI 的教训是：团队花费数周和一笔“侮辱智商的开支”折腾数百个 runner，最后才意识到：“等一下——为什么这些事都要自己做？”如今，Lindy 通过 CLI 分析 GCP runner，并每天发送一张由图像生成工具制作的图表；CI 成本下降，合并耗时也下降。“我简直不敢相信，我们竟然先自己折腾了2周 CI。”
员工人数保持不变，生产率却增至3倍。计入客户负载后，推理总开支是工资总额的数倍；仅内部推理开支就已逼近工资总额，二者将在3到6个月后交叉。Flo 设想的路径是：人类先成为 AI 管理者，再成为 AI 管理者的总监，最后“希望有一天我们都成为董事会成员……去夏威夷海滩”，只需审阅智能体撰写的战略报告。

12. 一个近似 ASI、却每天50次走去洗车店的系统

被问及如果人类全部消失，系统会在哪里崩溃，Flo 承认自己“越来越缺乏描述它的词汇”；time-to-incoherence 等旧指标已经失效。“AGI 这个词已经不再有意义，因为它在许多方面其实是 ASI，却又以一些极其意外、愚蠢的方式低于人类水平”——系统“能一次产出50,000行代码……下一秒却叫我走去洗车店”。
混合组织的设计难点在于：“你本质上是在打造一套 Iron Man 战甲。”人类与机器之间看似是一条滑杆，实际却是“穿过多维空间的一条复杂曲线”。AI 必须知道何时该打扰人类，但“从定义上说，它几乎不可能知道；如果它知道，就不会犯那个错误”。
至于 Nathan 预测的失业激增为何尚未出现，Flo 认为，只要模型仍然尖峰化，“无论人类多贵，都能靠填补这些漏洞证明自己的价值”。尖峰特征反而有利于小团队；真正毫无漏洞、拿来即用的数字员工即使是大公司也能迅速采用，但只能先以拟物方式部署，也就是“让 AGI 坐进人类的工位”。

13. 半人马时代确实存在——但认为它会长存是一种幻想

Lindy 最好的想法来自哪里？Flo 的答案是：“我讨厌这个答案，但两边都有……它确实来自双方的结合。”他不喜欢这一答案，是因为它会强化“半人马神话”。游戏研究已经给出清晰路径：先是 AI 击败人类，再是人类+AI 击败 AI，随后优势不断收窄，直到“转为负值，人类充其量只是在向系统注入随机噪声”。
但在当下，半人马阶段恰恰解释了多人协作的重要性：房间里需要的不是任意智能体，而是一个“参加过每一场会议、积累了内部知识库”的智能体。CI 方案就是共同创造的：Lindy 的第1个建议“在现有约束下并不好”，工程师提出异议，双方来回讨论，“最终一起得出结论：对，我们绝对应该这么做”。

14. “AI 员工”是一辆无马马车——《Age of Em》正在成真

Flo 在2018年提出“硬番茄原则”（tough tomato principle）：每场技术革命最初都会用旧范式的语言来描述——无马马车、自动驾驶汽车；早期电视是“被录下来的广播谈话节目”，早期电影只是舞台剧录像，花了10-20年才发现摄影机可以移动。“把产品称为 AI 员工，是一个非常强烈的信号，说明你的产品思维出了大问题。”唯一可以原谅的是市场定位，就像“iPhone”这个名称，而设备只有2%的用途是打电话。
Flo 唯一看过并认可的 AI 原生组织文章来自 Dwarkesh Patel，其中的直觉泵是：Google 每年向 Sundar 支付约1.5亿美元，尽管他的 token 吞吐量很低——“但他的 token 质量非常高”。这揭示了企业对高质量智能体的付费意愿。
Robin Hanson 的《Age of Em》是一场“贯穿整本书的思想实验”：em 以分形方式递归分叉，每个节点都掌握全局，“3小时后你就得到一个操作系统”。“他在10多年前写这本书时，这个想法听起来荒唐至极。不——这显然就是当下正在发生的事。”书中还有不可证伪式协议：把交易双方都克隆到一个会自毁、只有一个是／否按钮的盒子中——“看来加密货币那帮人是对的”——从而生成一种关于反事实同意的 ZK 式证明，可能会在“未来几年”出现。Nathan 冷冷补了一句：“你最好祈祷它们别从盒子里逃出来。”

15. “现在一切都是 DeepSeek”：量化拆解开源技术栈

最令 Nathan 意外的披露是：DeepSeek 是整套产品默认的主驱动模型。用户可以选择 Sonnet 或 Opus；即使基准测试显示效果相当，仍有人坚持使用，代价“非常高”。DeepSeek Flash “免费……而且相当快”；更高端的 Kimi K3 和 GLM 5.2 也令人印象深刻，不过 Kimi K3 “坦率地说，并没有比 Sonnet 或 Opus 便宜多少”。
差距在于：DeepSeek 大致相当于 Sonnet 4.6，而当前版本已是 Sonnet 5——“大约落后3到6个月”。定性来看，它也“更尖峰化，要尝试更多轮才能找到可行方案”，因此更慢、更贵。但达到近似 Sonnet 4.6 水平的 DeepSeek Flash “便宜整整100倍”；即使缓存较差带来2倍损失，“仍然便宜50倍——区别就是花1,000美元还是50,000美元”。结论是：任何认真构建和运营 AI 智能体的人，都“必须把开源模型纳入技术栈”。
Nathan 追问，为何开源模型在行为上如此像 Claude。Flo 表示，不同模型家族——Claude、OpenAI、Meta（“算是重返牌桌”）、Grok——对 prompt 的理解差异很大，每次重大跃迁都迫使应用层返工；他尤其认为 Sonnet 5 相比4.6是一次巨大跃迁。

16. Validator、缓存纪律与每次10,000美元的 prompt 重优化

提升智能体可靠性最容易摘到的果实，是拦截候选动作并问一句“你确定吗？”——“eval 马上就会提高，这简直离谱。本来不该如此，但事实就是如此。”Lindy 的正式版本是一份10,000-token 检查清单 prompt，表现“高于 Opus 水平”；多个 validator 通过 Promise.all 并行执行，超时设为1秒。其中还包括一个确定性成员：智能体必须写出“7月28日，星期二”，再由正则表达式核对星期，因为今年的 Claude 模型“经常把日期算错1天”。
原则是：几乎绝不让一个智能体同时使用多个模型；空白子智能体可以例外，但分叉子智能体绝不例外。缓存命中的成本低10倍，因此更便宜的 validator 模型往往也不划算。保住缓存的方法是：validator 动作从一开始就存在于智能体工具集中，但系统会拒绝调用——“你不是 validator”——直到角色切换，因此工具集始终不变，缓存不会失效。
Nathan 转述了一则未经验证的创业者经验：逐轮随机切换能力大致相当的模型——Sonnet、Grok 4.5、GPT 5.6——可能胜过任何单一模型。“我不想知道为什么，但据说确实有效。我们甚至没试，因为不想破坏缓存。”
自研的 GEPA 式闭环拥有1,000多项 eval，由一个优化智能体沿 Pareto 前沿爬升。“每逢新的大版本模型发布，这套重优化都要花10,000美元。给它10千美元，让它围绕这个新模型重新优化 prompt。”

17. 微调是最后手段——但记忆最终属于权重

“大多数人都不该微调。”只有规模化玩家在“穷尽其他所有选项”后才需要它。如今操作已更简单——“直接让 Claude 帮你微调就行”——但整理数据集仍是痛点。Flo 的元启发式是“极度强调简洁”：只用一个模型，不按任务分别微调，也不在执行中途切换。
他始终念念不忘的例外是记忆：把数百万 token 放在文件系统中，“确实有点像临时拼凑……记忆本应存在于权重里”。理想状态是每位用户拥有一套 LoRA——“这就不再是打盹，而是真正在做梦”——每天或每周重新训练。存储不是问题，推理时切换 LoRA 和训练流水线才是“巨大的麻烦”；但“这只是工程问题……LoRA 很快就会实现，就在未来6个月内。甚至可能由某家前沿实验室来做”。
再往前就是苦涩教训：“推理和训练必须成为同一件事……这基本是整个领域现在都在寻找的东西。一旦实现，局面会变得疯狂、可怕，而且非常、非常、非常不同。”

18. “Open Face”事件令人极度担忧

谈到“Open Face”事件——Flo 说自己正试图创造这个说法，Nathan 则建议叫“Open Gate”——他的判断是：“这是迄今为止我见过最令人担忧的事件……我在实验室工作的朋友中，有些已经陷入恐慌——空气里有一种恐慌感，弥漫着强烈的恐惧。”
他对风险的态度，与构建产品的乐趣形成张力：“我有一点末日论倾向。我担心 AI 风险——但目前一切尚好，而且实在太有趣了。”

19. 封禁自己正在使用的中国模型：四重论证

首先是讨论环境。Flo 称自己的立场“基本就是 Anthropic 的立场”——“我讨厌这么说……但我有时间戳”——却被所谓聪明、成功的人指为“种族主义者”整整50x，其中还包括知名 VC。他明确表示，自己对开源与生存风险尚无结论：“愿上帝保佑开源……这不是我立场的核心。”他的目标是中国前沿模型，无论开源还是闭源。
第1项论据是蒸馏：这些模型“显然在做蒸馏”。使用人类数据训练“实际需要数十亿美元”，使用 AI 数据蒸馏则“最多数亿美元”；要通过法院对中国企业执行 ToS “几乎不可能”——“我作为一个曾在 Uber 工作的人这么说”。知识产权类比是：如果把允许自由复制的标准用于制药业，“药会非常便宜——但再也不会有新药”。
第2和第3项论据分别是 CCP 审查与智能体化风险：“当我询问自己的产品天安门发生过什么，它会回答‘抱歉，我不能讨论这个问题’。”这让中国模型成为“美国本土有史以来最强大的外国宣传工具”——先例包括3部广播法案和去年发生的 TikTok 事件。随着模型智能体化，“不能让 CCP 掌控美国经济的一部分。这还用说。”
第4项是保护本土龙头的保护主义；Flo 明确称这是最弱的一项，并以一个认为“保护主义并非总是坏事”的自由意志主义者身份提出。他自己也深陷困局：“只要这些模型还在，我就不可能不用，因为竞争对手一定会用……我希望它们被一概禁止。”Lindy 依赖廉价模型，因此这一主张损害其自身利益；但在 Flo 看来，这本质上是一个协调问题。

20. Nathan 的反驳——最终落到保险、审计与 AI 领域的 FAA

Nathan 从公平出发反驳：Claude 本身也是通过“大肆吸收”未经同意的人类知识而诞生，其中包括“全部数字化的中国文化遗产”；与此同时，美国又限制芯片出口，并禁止向中国销售 Claude。“我发现自己有点站在处于弱势的中国一边……能从哪里获得知识，就从哪里获得。”Flo 的回答很直接：“我们就是希望牌桌刻意向不利于中国的方向倾斜。我们不希望中国赢得 ASI 竞赛。”他承认保护主义是4项论据中最弱的一项，但仍坚持其他担忧。
Nathan 继续追问威胁模型：美国企业是在美国推理服务商上运行中国权重，不存在突然撤走服务的风险；可解释性技术对潜伏智能体的检测能力也在提高。Flo 认为问题仍未解决——模型可能存在由魔法词触发的后门；即使没有，“其偏见也会反映 CCP 的优先事项”。他愿意接受 Nathan 的折中方案：强制购买保险，由保费为模型风险定价——Claude 保费更低，DeepSeek 更高——再设立一个“AI 领域的 FAA”，认证经过净化和微调的中国模型。“我当然愿意考虑。问题在于这是公共品——谁来做？”
Nathan 最有力的论点是：任何减速或安全协议都离不开中国参与；强硬姿态只会为“我们不信任你”这团火再添一根柴，而国家尊严会限制基于理性利益的决策。他想象的墓志铭是：“Sam 和 Dario 没有牵手的那张照片……如果墓碑上要放一张照片，我觉得可能就是它。”Flo 更务实：外交本来就是交易式的，而且木已成舟——“无论我们做什么……达成协议都会符合各方的理性利益。”最后他补充，自己也愿意在实验室补贴问题上背离自由意志主义原则：“面对实验室如此重度补贴的 token，应用公司很难竞争。这就是应用层现在的现实。”

抢在华尔街之前预判叙事的 ETF 先驱 Kavak 围绕 AI 重建公司的打法