从“亲力亲为”到“循循善诱”
迷你体感检测：Grok 4.5 快速、便宜，终于有用了
差不多一年前，我们对 Grok 4 做过体感检测，发现它的基准测试表现不俗，但实用性还不足以让工程师们日常使用。今年4月，我们对 Cursor 3.0 做的体感检测则认为，那是一个有前景但尚不完善的代理协调产品。然而，那次的结论很快就过时了：Kieran Klaassen 在当月月底就开始每天使用 Cursor，到了6月，Composer 2.5 已经成了他进行最后润色的主力模型。紧接着，就在6月，SpaceX 签署了收购 Cursor 的协议，AI 前沿科技太空竞赛的一个新选手由此诞生。
Grok 4.5 正是这次合作的第一个成果。 Cursor 表示，该模型是与 SpaceXAI 联合训练的，利用了来自代码库和软件工具交互的数据。
当我们的团队用内部评估流程测试 Grok 4.5 时，大家一致认为它达到了 Opus 级别。Mike Taylor 最新的基准测试显示，它甚至略优于 Claude Opus 4.8：Grok 遵循了每一个步骤，并返回了一个完整、精炼的结果；而 Opus 则会提前终止或跳过部分任务。
(此处原文有一张 Mike 分享在 X 上的 Grok-4.5 早期印象图片，包含他认为是 Opus 级 PPT 创作的示例。原图链接保留。)
Kieran 用 Every 的复合工程工作流 /LFG——一个用于规划、构建、评审和改进项目的流程——来跑了一遍 Grok 4.5。他将其性能定位在 Claude 的 Opus 4.5 到 4.6 的水平区间内，称它“算不上最顶尖，但在很多方面都相当不错，而且速度极快。”
Grok 最大的竞争优势可能在于它对成本的冲击：xAI 称，Grok 4.5 每秒大约能处理 80 个 token，并且其 token 效率约是市面上领先模型的两倍。论价格，它每百万输入 token 仅需 2 美元，每百万输出 token 为 6 美元，比 Every 拿来做对比的那些前沿模型便宜得多：Claude Opus 4.8 的价格分别是 5 美元和 25 美元，而 GPT-5.6 Sol 则是 5 美元和 30 美元。
在我们的其他测试中，Grok 在体感编程和生成式用户交互方面的表现也毫不逊色，它成功创建了一个可用的语音面试表单、一个邻里地图应用，以及一个足以以假乱真的 Mike 写作风格克隆。Mike 将其制作 PowerPoint 风格幻灯片 的能力评为 Opus 4.6 或 4.7 的水准，并称赞其文案质量“相当出色”，特别指出了 Grok 自己创作的一个标题：“会顶嘴的表单”。它生成的地图应用精细度不及最新前沿模型，而且 Mike 在写作上依然更偏爱 Sol。Grok 避开了 Claude 写作时常见的一些 AI 癖好，但也有自己的一套习惯，喜欢产出短促、锐利的句子。
你可能暂时还没必要换掉你的主力模型。但如果你已经在用 Cursor 工作，Grok 4.5 就在那里。对于那些漫长、需要多步骤执行的作业，当速度、价格和坚持到底的韧性比最后那几分品质更重要时，Grok 4.5 已经赢得了一席之地。——Katie Parrott
知识库
“GPT-5.6 Sol 是我们最愿意与之协作的模型”，作者 Katie Parrott/Vibe Check： 经过编程、写作、研究、电子表格和 AI 代理等各方面的测试，OpenAI 的 GPT-5.6 Sol 是 Every 团队里大多数人希望全天候开启的模型——它速度快、资源丰富、易于引导，能迅速找到文件，保持上下文连贯，并且能在决策念头还热乎时就交出下一版成果。Fable 仍然负责那些最庞大、最开放的任务，但 Sol 包揽了其他一切。如果你想获得关于哪个模型适合哪种工作的最清晰指导，请阅读这篇文章。
“GPT-5.6 如何改变知识工作”，作者 Dan Shipper/Chain of Thought： 我们开源了 Tend，一个免费、开源的提示词和代码仓库，用于构建能运行你知识工作的循环；它负责搜集信息、提出决策，并执行你批准的那些，而你则把握关键决策。Tend 直接反映了 Dan 的论点：GPT-5.6 是首个能够独立运行整个知识工作循环的模型——所以，你只需要“循循善诱”这个循环，而不是亲自去完成工作。在 every.to/tend 获取提示词并构建你自己的循环。
“在你还不知道该问什么之前，先用 Fable”，作者 Katie Parrott/Context Window： 当你还不知道正确的问题是什么，或者说目标本身和标准都尚未确定时，Fable 的额外价值就体现出来了。Mike 把自己已完稿的书稿交给它，来捕捉自己遗漏的地方；Dan Shipper 花了五周时间做文案编辑实验，最后 Fable 告诉他，他一直以来追求的目标根本就是错的。文中还有更多案例：社交媒体主管 Becky Isjwara 让 Fable 编写了一份可复用的操作手册，这样更便宜的模型也能帮她剪辑直播视频；产品负责人 Trevin Chow 的 /ce-pov 技能可以让 AI 在评估新工具时，结合实际代码库来权衡，而不是空对空地抽象评判。
“欢迎来到‘效率最大化’时代”，作者 Laura Entis/Context Window： AI 廉价又新奇的草创阶段已经结束：随着模型消耗的 token 越来越多，各大实验室开始减少补贴，人们不再炫耀自己烧了多少 token【注：即“token 数量最大化”（tokenmaxxing）】，转而开始比拼用这些 token 换回了什么成果【即“效率最大化”（efficiencymaxxing）】。文中还有更多内容：Monologue 的总经理 Naveen Naidu 探讨了“每百万 token 营收”这一在苹果 WWDC 上流传开来的新指标，它被视为“人均营收”的继任者；Spiral 的总经理 Marcus Moretti 则分享了如何利用 OpenRouter 运行一系列更便宜的模型，来处理那些用不着前沿模型的工作。
🎧 🖥 “一位写作者如何在不失掉自己声音的情况下使用 AI”，作者 Dan Shipper/AI & I： 作家兼技术专家 Craig Mod 与 Dan 一起探讨了为何廉价的软件创作成本让他对自己的文字更有保护欲：他说这“为‘创作意图’赋予了更高溢价”。他用 Opus 和 Fable 来体验式编程，以替代那些 SaaS 工具，而每一个字都坚持自己写——他为此专门准备了一台不连 WiFi 的 MacBook——因为“深陷写作的泥潭里”才是目的本身。观看或收听这期节目，来了解 AI 在创作实践中哪里应该有一席之地，哪里不该有。🎧 🖥 在 Spotify 或 Apple Podcasts 上收听，在 YouTube 上观看，或在 X 上关注讨论。
对齐之思
**手动飞行。**大约五年前，我还是一名刚在心脏科病房轮转的年轻住院医师。有一次，我被一位主治医师骂了个狗血淋头，原因是他把我为一位病人写的病史记录批得体无完肤。替我辩解一句，那份记录是我在第三个夜班时写的，全靠大剂量的咖啡因和肾上腺素撑着。
当时，要是有个 AI 记录员，我宁可杀个人来换。但急诊医学副教授 Helen Ouyang 博士最近在《纽约时报》的一篇文章中指出，书写本身就是临床推理过程中不可或缺的一环——它迫使你回忆信息，并综合关键要点，最终导向一个决策。她认为，使用 AI 记录员的危险在于“认知卸载”：这个让医生能独立完成病例推理并得出可靠临床判断的“肌肉”，因此萎缩了。
航空业 对此已有过惨痛的教训。自动驾驶仪是项非凡的发展——它让飞行更安全、更省力。但当自动化接管了大部分常规工作，飞行员可能会过度依赖它，导致他们的手动飞行技能逐渐衰退。最终的解决方案是强制进行模拟机训练，这样飞行员能时刻保持敏锐，以应对系统失效或将控制权交还给人手的时刻。
换句话说， 医学将遵循同样的弧线。首先，我们会做得太过，把太多事都自动化——因为这能减少职业倦怠和文书痛苦。然后，我们会对技能丧失产生恐慌。最后，我希望我们能找到一个合理的着陆点：AI 记录员负责常规病例，而针对学生、年轻医生以及任何复杂情况，则强制进行手动实操和模拟训练。
这揭示了，自动化的引入不应是全或无的替代，而应是一场精心设计的互补，关键在于保留甚至强化人类执行核心认知任务的能力。
我刚好错过了 AI 记录员的时代，并且已经转行进入了医疗科技领域。但我清楚地知道，当年那个挨了骂的年轻版的我会怎么做。他肯定还是会打开那个开关。——Ashwin Sharma
核心启示：无论是医疗还是航空，自动化进程的真正考验不在于它能代劳多少，而在于它能否为人类留出足够的空间，去反复打磨那些一旦生疏就可能带来灾难性后果的核心判断力。
From Doing to Tending 的发芽报告
材料核心
材料通过医学和航空两个领域的案例,揭示了一个深刻的悖论:AI自动化越是减轻人的执行负担,越是可能让人的核心判断能力发生萎缩。解决之道不是拒绝自动化,而是在“做(doing)”与“管(tending)”之间建立一种维护循环——让AI处理常规工作,但强制性地保留人为练习,以确保在关键时刻能接管系统。
发芽 01:技能衰退的深层机制——不只是“不用则废”
种子
材料指出AI文书员会导致“认知卸载”,自动驾驶会导致“手动飞行技能萎缩”,但真正的问题不在于技能本身,而在于我们失去了一种更深层的东西:犯错的能力和从中学习的通路。
心理学家安德斯·艾里克森(Anders Ericsson)在1990年代提出的“刻意练习”理论中,有一个常被忽视的发现:顶级表现者与普通人的关键区别,不在于他们犯的错误少,而在于他们犯错误的质量更高。柏林音乐学院的小提琴学生在练习时,会刻意放大自己的技术缺陷——故意用错误弓法拉一个乐句,只是为了感受错误在哪里。这种主动触碰边界的做法,让他们的神经系统建立了一个“错误库”,这个库比任何正确示范都更能告诉他们什么是好。
材料中的住院医师被主治医生训斥,恰恰是这种“错误库”的建立过程。他写的病史被批判,不是因为内容缺失,而是因为他没有在现场感受到信息优先级的压力——哪些症状重要,哪些是噪音。AI文书员可以生成完美的病历,但它也同时剥夺了年轻医生建立这套优先级本能的机会。
航空业的模拟训练之所以有效,不是因为它让飞行员“练习飞行”,而是因为它专门设计出不可预测的失效场景:双引擎故障、传感器失灵、极端气象。这些场景的刻意设计,本质上是在制造高质量的犯错机会。飞行员的脑电图研究显示,当他们在模拟器中经历一次发动机失火后,下一次面对真实飞行中的引擎异常时,他们的杏仁核反应显著降低,前额叶皮质活跃度增加——这不是因为技术更熟练,而是因为他们已经建立了一个“我曾经处理过这个”的神经通路。
医学教育界的困境在于:真实病例的不可预测性,和航空中系统失效的不可预测性一样高,但医院不能像航空那样说“这次手术是模拟的,请尽情犯错”。所以,如果我们按材料中Ashwin的逻辑推演下去,真正的解决方案可能不是“AI文书+手动练习”这种机械切分,而是一种混合现实的临床模拟:AI生成虚拟病人的病历、症状、检查结果,年轻医生在这些案例中做出诊断和治疗决策,AI记录他们的推理路径和错误点,并动态调整下一个病例的难度,确保他们经历了足够多的罕见病误诊、足够多的急诊优先级错判。
只有这样,技能保持才不是机械重复,而是维持神经可塑性的刻意干预。
Aha 瞬间
“技能衰退的本质不是遗忘怎么做,而是失去了犯错后重新校准判断力的那个瞬间。”
发芽 02:效率最大化时代的隐藏成本——从泰勒到普里特维·拉杰
种子
材料中提到的“效率最大化(efficiencymaxxing)”和Grok 4.5的性价比竞争,表面上是一个技术经济学问题,背后却是一个对人类判断力价值的重新定价过程。当模型的“每百万token成本”成为竞争指标时,我们真正在讨论的是:人类的哪种认知劳动,值得付出那笔额外成本?
这个问题的历史根源,可以追溯到1911年泰勒的《科学管理原理》。泰勒在伯利恒钢铁厂做的著名“铲子实验”,通过精确测算工人每铲的重量和动作时间,将工人的搬运动作拆解、标准化、优化,最终让工人日搬运量从16吨提升到59吨。但泰勒主义最深远的影响不是效率提升,而是它对人类劳动做了第一次大规模的价值分层:那些能被量化的肌肉动作,被降级为“可替换成本”;而那些“设计铲子尺寸、分析动作流程”的工程判断,则被升级为“高价值智力劳动”。
材料中Craig Mod的说法——“便宜的软件创作让我对自己的写作更具保护性,因为这给意图以更高的溢价”——正是这一逻辑在AI时代的精确回声。Mod用AI写代码替代SaaS工具,因为代码的“正确性”是可量化的;但他坚持在无Wi-Fi的MacBook上亲自写每一个字,因为写作中“在混乱中找到方向”的过程,是他判惭力生成的方式。他实际上在做泰勒在一百年前没有明确命名的事:认知劳动的分层定价。
但这里有一个危险的反讽。1950年代,兰德公司的系统分析师普里特维·拉吉在研究美苏核威慑策略时发现一个悖论:当决策者过度依赖军事推演模型,他们的战略直觉会在十年左右的时间内显著衰退。不是因为模型给出了错误答案——恰恰因为答案太精确了。模型总能给出最优兵力部署方案,导致决策者习惯了“模型会算出来”这个前提,从而失去了提出“我们的目标到底是什么”这个更根本问题的能力。
这与今天AI效率竞争中的隐藏成本形成了镜像。当Grok 4.5以Opus级别能力、五分之一的价格、两倍的效率出现时,工程师们倾向于将它用于“长链条、多步骤、需跟进”的任务。这些任务的特征是:开始时目标明确,过程可分解,终点可验证。但材料中Fable的角色则刚好相反——它被用于“你还不知道要问什么、标准本身还未确定”的任务。这两种任务的价差不是token价格的问题,而是谁在定义任务本身的问题。
效率最大化如果走到极端,就会重演兰德公司的悲剧:我们用越来越便宜的AI完成了越来越多目标明确的任务,却发现自己越来越不擅长提出“我们应该追求什么目标”这个更昂贵的问题。
Aha 瞬间
“当模型的token成本趋近于零时,最昂贵的资源不再是计算,而是知道问什么问题的能力。”
发芽 03:从“做事”到“管园子”——一种古老智慧的现代译本
种子
材料中Dan Shipper提出的“tending the loop”(管理循环)概念,把AI时代的理想工作方式定义为:你不再亲自执行知识工作,而是维护一个能替你执行的工作循环,只在你认为关键的节点介入。
这个隐喻的深度,远超技术哲学本身。它实际上复活了一种被工业革命和泰勒主义遮蔽了三百年的工作观:园丁式的管理,而非工程师式的控制。
17世纪英国园艺师约翰·伊夫林在《森林志》中描述了皇家花园的管理哲学:园丁不亲自推每一片叶子长出,他的工作是创造土壤条件、调节水分和光照、修剪不需要的枝条,然后等待生命系统按照自己的逻辑生长。伊夫林特别强调,好的园丁从不试图控制一棵橡树长成什么形状——那是树的基因决定的。园丁只是移除那些阻碍它成为自己的障碍。
这种“tending”(管护)与材料中的逻辑惊人地一致。当Craig Mod用AI替代SaaS工具时,他在“创造土壤”——搭建一个不会中断他创作心流的环境。当AI文书员处理常规病历、年轻医生在模拟中练习复杂案例时,医学教育系统在“调节光照和水分”——让认知能力在恰当的挑战水平上生长。当飞行员用自动驾驶处理巡航、在模拟器中应对引擎失火时,航空业在“修剪不需要的枝条”——确保手动驾驶技能不会因为不用而枯萎。
但伊夫林的园丁哲学还有一个更激进的含义,材料未曾言明:tending要求你信任系统的自组织能力,而不仅仅是自己的判断。一个园丁种下种子时,他必须接受一个事实:他无法预知这棵植物的所有枝条会如何生长。他的工作是观察、等待、在合适的时机干预,而不是从第一天就画出最终的样子。
这恰好解释了材料中为什么要推崇“让GPT-5.6完成整个知识工作循环,而你只需在关键节点介入”。不是因为你懒,而是因为当你不再事必躬亲时,你会被迫提出更高质量的问题:这个循环的边界在哪里?哪些决策我绝不能交出?当我观察AI的输出时,我是基于什么标准在判断它做得对不对?
这些问题本身,恰恰是你在“做(doing)”时不可能问自己的——因为当你深陷执行时,你已经在一个既定框架内工作了。只有退到“tending”的位置,你才会思考框架本身。
当然,园丁的哲学也有一个陷阱。19世纪的英国植物学家约瑟夫·胡克在设计邱园时发现一个困局:过度照料的植物反而更脆弱。因为它们在恒温恒湿的温室中从未经历过干旱或风暴,一旦移植到户外,根系无法扎根足够深。材料和航空业的解决方案——保留手动练习和模拟训练——本质上是在系统中植入压力,确保系统不会因为过度呵护而丧失适应力。
所以“tending”的真正艺术不是“少做事”,而是知道在什么时候不做事,在什么时候精准地介入。这是一种需要刻意练习的判断力,而材料最深的洞察或许是:AI时代的最高技能,不再是执行,而是知道什么值得你亲自做。
Aha 瞬间
“Tending不是放手不管,而是让你的介入变得如此精准和克制,以至于系统几乎感觉不到你的存在。”
你的思考空间
如果你是一个正在使用AI工具的年轻医生(或律师、工程师、教师),你会给自己设定什么样的“强制性手动练习”?这些练习应该模仿材料中航空模拟训练的哪些特征?
材料中Craig Mod把写作视为“必须亲自在混乱中找到方向”的过程,而把代码视为“可委托给AI的替代品”。在你的工作中,这个分界线在哪里?你是否清楚哪些认知劳动是你愿意被替代的,哪些是你不愿的?
当一个模型既快又便宜时,人们倾向于把它用于“目标明确的长链任务”而不是“目标模糊的探索”。如果你的团队明天开始强制要求每周用两小时AI时间做“没有明确目标的探索”,会发生什么?
泰勒主义在一百年前把体力劳动拆解为可优化的动作单元,今天的AI正在把认知劳动做同样的拆解。当“判断力”本身也开始被拆解、自动化时,人类的哪一部分能力是最不可能被token化的?