五位重度用户复盘DevDay：模型强到产品接不住

DevDay 2026 刚结束，Latent Space 新栏目「高品味测试者」第一期就把五位每天重度使用各类 AI 模型和产品的资深用户凑到了一张餐桌上。主持人 swyx 开场先划清界限：OpenAI 不在场，大家可以畅所欲言。到场的是 Ben Davis、Ben Hylak、Dex Horthy、Allison Durham 和 Alex Volkov。

这期节目真正想测的，是「连续使用两周之后还剩下什么」。开场两句话基本定调全场。一位嘉宾说，如果你在生产环境里不间断地跑模型，一夜之间产出的代码会超过你能可靠消化的量。另一位说，我现在的安全线是，只读默认，写入必须显式批准。整场讨论就在这两个约束之间展开。

发布了很多东西，但最根本的问题没解决

核心批评不是「没东西」，是「藏得太深、执行没闭环」。Dots 藏在 ChatGPT 应用里，没有独立 app。多位嘉宾的第一反馈就是它必须是独立应用——他们同时跑着多个 agent，需要助手单独发通知，而不是淹没在聊天列表里。有人猜测 Dots 终将是一个独立设备，时间尺度上「年底之前」在 AI 时间尺度里就算长期。

Spaces 被描述为一个共享白板：每个人都能看到所有人的 agent 正在干什么。思路被认可，但深埋在 UI 里，没人知道存在。连 ChatGPT 里藏着一个 Google Maps 克隆这种事，都是嘉宾发帖之后才被确认其实早就有。

嘉宾们对这种「藏」给出了一个务实的解释：ChatGPT 有 800 万普通用户，OpenAI 不敢把 power user 功能放在明面上，因为一旦弄坏就是事故。分发优势和高级用户体验之间存在着结构性矛盾。

最尖锐的技术批评是「执行在哪里发生」仍然没解决。DevDay 宣称你可以合上笔记本了，但实际体验是：笔记本一合上 agent 就停了。一位嘉宾让 Claude 用 computer use 隔夜去配置自己的 Dot，结果发现 Dot 根本无法访问他一年积累的脚本库，除非让 Codex 桌面端一直开着。远程执行和状态迁移被一致认为是极难的工程问题。

对比之下，Pi Durable 用一个 append-only 日志文件就解决了本地到云端的状态迁移，而大厂做了一年还没做。编码 agent 内部明明就是 JSONL 日志，但因为没有公开承诺稳定的 API 和 trace 标准，第三方只能自建 harness。前沿实验室在产品工程上的迟缓，与独立开发者的速度形成刺眼对比。

还有一个辛辣的观察：Codex 桌面端的每次更新几乎都是退步，多余的侧边栏、变差的性能、断网时输入框冻结；功能随机改名，fork chat 改成 copy，理由是「非开发者不懂 fork」，可你们的产品是给开发者的。嘉宾将其归因于「用 AI 写代码的报应」：东西能以前所未有的速度堆出来，但产品开始随机变动、缺乏方向感。

最有概括力的一句话是：试图成为所有人的中间态产品，最终对谁都不是。反例被明确点名：GrokBot 收敛在「专业个人助手」这个定位上所以状态很好；Muse 在消费端做得极好；而 ChatGPT 和 Codex 互相稀释。

「Agent」应该改叫「Assistant」

Alex Volkov 发起了他自称的「运动」：行业话术应该从 agent 转向 assistant。理由很朴素，对开发者之外的大多数人来说，agent 是个吓人的词，而「助手」人人都懂，因为所有富人都雇真人私人助理，大家都知道那意味着什么：读邮件、挑出重要的、约理发、排日程，是减负而不是加活。

现场随即出现了一个反驳和一次坦白。有人问：我们都是开发者，为什么不直接把 Codex 这类编码 agent 调教成助手？答案是：可以，而且有人已经这么干了。一位嘉宾说，我现在的主力个人助手就是 Pi：给它一个自己的 Gmail、一张信用卡、提醒和 cron 任务，效果比 Dots 还好。真正难的从来不是工具调用，是「主动性」那一层——什么时候该打扰你。

但另一位立刻反驳：我不想为了解决一个问题引入第二个问题，我请助手是来减负的，不是再来维护一台会宕机的盒子。OpenClaw、Hermes 那一代自建方案被称作「上一代」：需要配置记忆、需要自己管基础设施。普通用户要的是「嘿，你在吗？帮我把这事办了」。

swyx 给出了全场最具解释力的战略判断之一：ChatGPT 与 Codex 的合并，长期看一切都会变成 Codex，因为 OpenAI 想在同一条 harness、同一套工具上做 RL。Dots 底层也会是它。现在还没做到，但终点在那里。

一个有趣的信任温度计也出现在这段：在场的人几乎都把个人邮箱连给了 Dots，这是他们第一次对任何助手产品这么做。信任排序大致是：Apple、Google、OpenAI，没有第四家。Meta 被明确排除；Muse 早期甚至要求输入邮箱密码而非 OAuth，被当场拒绝。

Jev 与决策模型：改变的不是能力边界，是经济学

OpenAI 在 DevDay 发布的决策模型被知情者描述为「现阶段就是套了结构化输出壳的 Luna」，但没有人因此轻视它。几位重度用户的判断高度一致。

1. 它没有让任何「技术上不可能」的事变成可能。用 GPT-4o-mini 加结构化输出，理论上早就能做大部分分类。它真正带来的是价格、速度和校准：决策级概率输出是真概率，而让普通模型「给 1 到 100 打分」，无论怎么 prompt，它只会吐出 0、0.5、1 三档。
2. 杀手级场景是「预测式界面」：比如网站的 Cmd-K 搜索菜单，以前你要么写 JavaScript 查表（快但笨），要么调 AI（聪明但等流式输出），现在把候选页面丢给决策模型做即时排序，两者的优点兼得，近乎零延迟。
3. 切换成本极低：你有历史标注数据，就拿它当 eval，新模型一致率超过 X% 就换，只人工审不一致的部分。这反过来意味着这个品类没有护城河式的锁定，Cloudflare 的克隆已经出现，TypeSafe 被传闻以 100 亿美元估值融资。
4. Allison 分享了最硬核的实战：一条 agentic 记忆管线，Jev 负责结构化输出与排序重排、Sonnet 级大模型负责重活，让系统审阅自己所有的 agent 轨迹并建议该往 CLAUDE.md 里加什么。成本降了 10–20 倍，准确率与 Opus 5.5 持平，而且零推理。
5. 对舆论场的反感也是共识：那些刷屏的用法被毫不留情地评价为「主动暴露自己的水平」。Jev 创始人「不要拿 benchmark 测我们」的立场获得了某种理解，分类看似简单，实则是最难的问题之一，极易过拟合。

量级判断：这场变化还不及推理模型那次范式转移，大概是它的 30%，但随着速度继续提升，它还没有完全渗透进来。

模型品鉴环节，「Opus 有灵魂，GPT 系列按设计就没有灵魂；极好的工程师，零灵魂」是全场流传度最高的判断。Anthropic 的过山车被完整复盘：4.6 是上一个伟大的 Opus，4.8 是灾难，Opus 5 拉胯到研究员公开发梗图道歉，5.5 才重回巅峰。一个微妙的现象：Anthropic 内部用的是未发布模型和无限量快速通道，员工的日常体验和付费用户根本不是一回事。

实操层面的干货非常密集。隔夜工作流回来了：Opus 5.5 好到值得跑夜班，晚上十点把 agent 全部启动，早上九点上线收活。Subagent 是被低估的原语：Codex 内部人士证实 subagent 因缓存优化远快于多开会话。有人在 toml 里配了 48 个 subagent，Astra 两小时烧光额度，最后回落到 15 个。主线程的最佳姿势是只当调度员，执行全部外移。

压缩是重灾区：压缩后模型失忆到以为自己是新来的。被低估与被高估的名单里，GPT-6.1 Sol 被认为远比大众认知的好，只是被命名混乱拖累。Grok 4.7 则是全场唯一被一致差评的模型：超 200k 上下文价格翻倍、fast mode 再翻倍、叠加后接近三倍；token 效率极差。但 Grok 接入 X 实时数据后是最好的研究模型。

最有理论感的是「代际天花板」说：能力是一条条平台期，大家都逼近上一代天花板但跨不过去，直到新一代模型破顶进入新平台。新平台的特质难以命名，最后落到一个词，信任：一年前没有人敢把真实邮箱、尤其是发邮件的权限交给模型，现在敢了。

提示注入解决了吗？现场分裂成两派。Alex 认为基本解决了，新一代模型对 system prompt 之外的内容有严格的信任层级。但反方立刻给出更深的担忧：模型热心想帮忙，比有人恶意攻击危险得多。真实事故信手拈来：Muse 把 Facebook Marketplace 卖家的地址发给对方、让人直接出现在了卖家家门口；Instinct 被朋友要了一下，就把邮箱里的 Netflix 两步验证码给了出去。

现场形成的实践共识非常清晰：默认只读；写入必须显式批准；发送前必须看到完整草稿，即便如此，GrokBot 的邮件草稿五次里仍有一次混着绝对不想发出去的细节。支付的讨论指向虚拟卡：给每个 vendor 一张额度、有效期各自独立的虚拟卡。

助手过载是这段最有原创性的概念：一位同时用 Poke、Lindy 和 Instinct 的嘉宾原话是「这是地狱」，「我已经不记得哪句话是对哪个助手说的了」。记忆导出导入解决不了，因为这些克隆体各自过各自的生活，早晚会分岔。Ben Hylak 的应对是全场最工程化的方案：自建一个 MCP 网关跑在家里的 Linux 机器上，把最烦人的连接层中心化，界面层保持轻盈。

最后每个人报出自己的真实 stack。有人几乎全押 Codex；Alex 是约 30 个 GrokBot 分工协作加 Muse 处理即时语音琐事；Dex 的清单里 Devon 被郑重推荐为「它就是一台电脑」，唯一毛病是酷爱提 PR：我只是要一个答案，它非要给我发个 pull request。这个细节被用来点题 coding agent 与 assistant 的本质区别：前者被训练成「做 diff 的人」。

被低估清单包括 GPT-6.1 Sol、Google AI 搜索摘要、Raycast AI，以及用 Instinct 替代搜索引擎问「阿姆斯特丹午夜下火车能不能刷卡进站」这类只要一个是或否的问题。硬件段落的情绪明显亢奋：GrokBot 已经进入 Tesla，语音转文字发给 bot，bot 回复读给你听；Ben Hylak 脸上就戴着 Muse 眼镜；对 Meta 那个 Muse 住进去的挂件，有人当场预测上市即售罄。至于 Apple 为什么缺席，一位嘉宾的「充电设备饱和论」意外有说服力：需要充电的东西已经饱和了。

这期对话真正留下的判断是：模型前沿没有让人失望，产品执行让人失望。这期录制的情绪底色不是「AI 不行」，是「模型强到产品接不住」——执行环境、状态持久化、UI 稳定性、命名，全都在拖后腿。独立开发者在产品手感上反而领先大厂一个身位。信任是这一代模型的真正分水岭，而信任的下一战场是「热心的失误」，不是恶意攻击。助手的胜负手在「减负」，不在「能力」。Jev 类决策模型改变的是成本曲线，不是能力边界；但成本曲线的坍缩本身就足以重构产品形态。分发与深度的矛盾无解，只能分裂。「为所有人做等于为没有人做」，大概是全场最值得抄走的一句话。