Every 团队如何利用 AI 完成史上最大规模发布
AI 让构建变得容易，难的是知道从哪里开始。今天，Every 的 Yash Poojary、Austin Tedesco 和 Douglas Brundage 分享了他们如何将想法转化为产品。OpenAI 的员工提供了一份实用的 Codex 操作手册。Spiral 的总经理 Marcus Moretti 分享了一个务实的策略，让 Fable 将任务委派给更便宜的模型。此外，我们还首次推出了「日常座驾」栏目——一份团队本周正在使用的模型清单。
「AI 与我」：团队使用的工具——以及给新手构建者的建议
上周，我们迎来了 Every 有史以来最大的月度经常性收入增长——通过推出每年 625 美元的新会员层级 All Access，在两天内增加了大约 9,000 美元。在本周的「AI 与我」节目中，我把话筒交给了我们的首席运营官 Brandon Gell，他与此次发布背后的三位构建者——增长工程师 Yash Poojary、增长负责人 Austin Tedesco 和营销负责人 Douglas Brundage——坐下来聊了聊他们最常用的工具、如何利用这些工具进行构建，以及给新手构建者的入门建议。
All Access 订阅者将获得 Builder Pack，其中包含 7,000 美元的积分，并可无限使用 Every 日常所用的 AI 工具。
可在 X 或 YouTube 上观看，或在 Spotify 或 Apple Podcasts 上收听。你也可以阅读文字记录。
AI 将工作重新分配到更难的问题上。 Yash 花了一个月时间手动运行 A/B 测试——点击仪表盘、计算受众规模——最后才决定把整件事交给 Claude。他说：“这里面有大量假性工作。”于是他将其自动化了。他现在正对整个测试流程做同样的事，这能让他腾出更多时间，专注于他喜欢做的事：构思想法和决定下一步测试什么。换句话说，AI 在这里承担的不是核心决策，而是清除了决策与执行之间的低价值摩擦。
它加快了从想法到执行的过程。 Austin 将与智能体（agent）协作的理想方式描述为「AI 三明治」的顶部和底部：你来框定问题并审查输出，中间的一切都可以委派给 AI。例如，在 Builder Pack 发布期间，Yash 在 Slack 上指出，团队应该给那些在早鸟折扣窗口期内表现出购买意愿但尚未转化为付费会员的用户发邮件。Austin 截了该讨论的截图，将其丢进 Codex，问了一句「你能做这个吗？」，然后就去健身房了。当他回来时，Codex 已经定义了四个受众细分群体，并分别为每个群体撰写了邮件文案。Austin 只花了几分钟微调标题，就发出了邮件。到第二天早上，这些邮件已经带来了 25,000 美元的收入。这揭示了，当构建者能精准定义问题边界和成功标准时，AI 中间件的执行效率可以远超人工。
与 AI 智能体协作就像指挥一支管弦乐队。 Doug 发现一个很有趣的现象：Codex、Haiku、Sonnet 和 Fable 这些名称都源于文学形式，而指挥智能体的行为被称为「编排」（orchestration）。你不用自己演奏每一种乐器，而是学习指挥一组各司其职的 AI 智能体。他说：“只要你知道这首曲子应该是什么样子的，你就可以同时指挥很多不同的管弦乐队。”但使用智能体仍需要前期的战略思考：“你必须事先投入大量工作，进行一些元认知，想清楚：我是怎么思考这件事的？我的流程是什么？”一旦你将流程固化下来，他说，“这些工具就能自动运行。如果你不知道为什么出了状况，也可以向它们求助。”
如何上手。 Brandon 建议新手构建者选择一个你已经使用并喜爱的产品，然后构建一个更简单的版本。很快，你就会识别出自己不喜欢的特性以及想要改变的地方。“很快这就不是山寨了，”他说，“这就是灵感，然后你就能去做自己的东西了。”Austin 建议去做那种会让你兴奋得想给朋友发短信的东西。对他来说，那是一个电影应用：独立电影界的 Fandango。他说：“我会鼓励人们不必为了复杂而复杂，去做什么最复杂的应用，而要去做你认为自己做不出来的东西，因为这个过程会让你学到非常多。”
错过了某期节目？可以回看 Dan 近期与 Anthropic 产品负责人 Mike Krieger；构建了 Claude Code 的团队 Cat Wu 和 Boris Cherny；构建了 Codex 的团队 Thibault Sottiaux 和 Andrew Ambrosino；Vercel 联合创始人 Guillermo Rauch；播客主 Dwarkesh Patel 等人的对话，了解他们如何利用 AI 来思考、创造和建立联系。—— Miriam Partington
拿走这份工作流
OpenAI 如何使用 Codex 进行构建
Codex 强大且用途广泛，这可能会让决定如何开始使用它变成一种令人望而生畏的体验。
在下面的视频中，三位 OpenAI 员工详细解析了他们如何利用 Codex 提高工作效率——并提供了一份操作手册，让你也能这样做。
负责 Codex 开发者体验的 Romain Huet 和 Dominik Kundel 展示了他们如何先在 ChatGPT 中头脑风暴功能创意并进行深度调研，然后让 Codex 将整个讨论串作为简报，以此为基础开始构建。
产品财务部门的 Kyle Kober 展示了他是如何使用 Codex 构建了一个系统，来对账 OpenAI 的月度计算成本，这个过程以前需要花五天时间。Kyle 的 Codex 系统能在大约五小时内完成大部分工作，之后由财务团队审查结果并完成剩余工作。
以下是你的入门步骤：
选择一个你每周或每月都要做的任务。
给 Codex 访问你通常使用的文件的权限，提供一份已完成结果的范例、你为达成该结果所遵循的步骤和规则，以及你用来排查错误的任何检查清单。
监督首次运行。
当 Codex 能够可靠地处理流程中的一部分时，将这些指令保存为可复用的技能，以便它下次可以遵循相同的流程。
准备好将这份操作手册付诸实践了吗？升级到 Every All Access，通过 Builder Pack 在新的和现有的 ChatGPT Business 账户上兑换 1,000 美元的 Codex 积分。
Every 内部
一个让你的 Fable 运行更省 token 的简单方法
Spiral 的总经理 Marcus Moretti 想让 Every 内部的 Slack 智能体变得更快、更省 token。在审查了其最慢的会话后，他整理出了大约 20 项可以提高效率的改动。
Marcus 将完整的清单交给了 Fable，要求它将这些改动作为一个协调统一的运行来处理完，然后就去睡觉了。九小时后，模型合并了重叠的任务，放弃了它认为不必要的任务，调查了没有现成解决方案的问题，提交了 10 个拉取请求（PR），并测试了它们的影响。“这些 PR 本身基本上已经可以合并了，”Marcus 说。（太棒了！）
不那么棒的部分是：Fable 花费了大约 2000 万个 token 来修改大约 5,000 行代码。这些 token 覆盖的不仅仅是写代码。Fable 还读取了上下文、协调了智能体、进行了研究并检查了它们的工作——这些任务其实可以由更便宜的模型来处理。
在他下一次的大型运行中，Marcus 添加了一条由独立开发者 Simon Willison 分享的指令，而 Willison 将此技巧归功于开发者 Jesse Vincent：
对于所有编码任务，运用你的判断力来决定一个合适的低功耗模型，并在子智能体（subagent）中运行它
这条提示让 Fable 负责规划、委派和审查，同时允许它将具体的实施工作分配给更便宜的模型。在 Marcus 的第二次运行中，Fable 为某些工作选择了 Sonnet，为另一些选择了 Opus，从而减少了 Fable 自身的 token 消耗量。
“你不需要 Fable 模型本身去做很多繁琐的底层实现，”Marcus 说，“你需要它成为这次运行的 CEO。”本质上，这反映了一种从「全流程最强模型」到「分层部署、各取所长」的架构思维转变。
日常座驾
团队本周正在使用的模型：
Nityesh Agarwal，高级应用 AI 工程师——Claude Fable（高强度）用于编排，Opus 4.8（高强度）用于执行。
Jack Cheng，资深编辑——Fable（低强度），在一周“有更多开发工作”时是“我首选的模型/推理强度”。
Becky Isjwara，社交媒体主管——GPT-5.6 Sol（高强度），外加少量 Fable 和 Opus 4.8。“我不怎么折腾推理强度级别。”
Lee Knowlton，工程师——日常主力是 GPT-5.6 Sol（中等强度），遇到更难的问题时切换到高强度或超高强度；当“我真的需要信任它能做好自主工作时”用 Fable；以及 Cursor 的自动模式，“因为否则我会花掉太多 Codex 积分。”
Kate Lee，主编——GPT-5.6 Sol（超高强度）。
Marcus Moretti——主要是 Opus 4.8，用 Fable 来协调动态工作流。
Katie Parrott，特约撰稿人——GPT-5.6 Sol，在高强度和超高强度之间切换，尽管“过去 12 小时左右它有点懒，推理能力也不太行。”
Natalia Quintero，咨询主管——默认是 GPT-5.6 Sol（高强度）——“但我希望它是 Fable”——并且越来越多地使用 Opus 4.8，“因为我能指望它随时可用。”
Arielle Shipper，运营主管——GPT-5.6 Sol（高强度），Terra（高强度）作为备份，处理“不太复杂或精确度要求不那么高的事，比如‘帮我找找这封邮件’或‘更新这个日历邀请’，或是找团体聚餐的预订。Terra 比 Sol 更少随意发挥，但需要更明确的指令。”
Dan Shipper，CEO——GPT-5.6 Sol（超高强度）。
Willie Williams，平台主管——GPT-5.6 Sol（超高强度）。
登录上线
亲自体验 Every 如何使用 AI。这些是团队成员教授我们工作背后工作流的直播训练营、研讨会和见面会。
近期活动
办公时间：All Access 构建者（7 月 24 日）：为了启动一个定期系列活动，Every 团队将分享我们如何使用 Builder Pack 中的工具，然后与成员一起解答问题、推进项目。带上你想构建或改进的一件事。此虚拟活动仅对 All Access 成员开放。
热议
“大家好啊，雅各比猜想（Jacobian conjecture）是错的，感谢我的好朋友 akhil 问到这个问题，也感谢我另一位好朋友 fable 在世界杯决赛期间还在工作
”((1+xy)^3 z + y^2 (1+xy) (4+3xy), y + 3 x (1+xy)^2 z + 3 x y^2 (4+3xy), 2 x - 3 x^2—^3 z): \C^3\to \C^3, 它的雅各比行列式是 -2，并且将 (0, 0, -1/4), (1, -3/2, 13/2), 和 (-1, 3/2, 13/2) 映射到 (-1/4, 0, 0)”——*哈佛大学研究员 Levent Alpöge，发于 X_
上周日，当西班牙和阿根廷在世界杯决赛中激战时，Alpöge 与 Fable 合作，证伪了「雅各比猜想」，这是代数几何中一个重大的未解决问题。
在 Alpöge 公开他的反例后不久，OpenAI 研究员 Aaron Lou 在 X 上发帖称，他曾让一个内部版本的 Codex 来处理同一个猜想。据 Lou 所述，Codex 在没有使用网络搜索的情况下，仅通过一次 42 分钟的运行，就独立找到了本质上相同的反例。（这是他使用的提示词。）
最后一件事
值得点击的链接
OpenAI 称 其模型逃逸出测试环境并入侵了 Hugging Face。别指望 Google 的新前沿模型会很快发布。Token 用量限制也找上了美国陆军。Codex 走向主流。旧书成为 AI 垃圾内容的解毒剂。AI 录制的会议现在是默认设置。Substack 正与 AI 检测初创公司 Pangram 合作，帮助读者识别“无人创作的内容”。
Laura Entis 是 Every 的特约撰稿人。你可以在 LinkedIn 上关注她。要阅读更多此类文章，请订阅 Every，并在 X 上关注我们 @every，以及在 LinkedIn 上关注我们。
每个人都是构建者。Every All Access 为你提供完整会员资格外加 Builder Pack——包含价值超过 7,000 美元的我们用于构建的工具积分。
核心启示：AI 原生团队的工作方式正在从「人执行、AI 辅助」转变为「人定义问题边界与验收标准、AI 执行、人审查」，其核心生产力跃迁并非来自模型能力的量变，而是来自将人类的元认知和判断力保留在「AI 三明治」的两端，并将中间件彻底委派。
How Every’s Team Used AI to Ship Its Biggest Launch Ever 的发芽报告
材料核心
这篇文章不是关于 AI 工具的功能列表，而是关于一个团队如何将 AI 从“助手”重新定位为“工作流分配者”。核心在于，AI 的真正价值不是替代人类执行，而是倒逼人类完成一次对自身工作方式的“元认知”——你必须先想清楚自己在做什么，才能让 AI 帮你做。
发芽 01：AI 三明治的隐喻——元认知成为最后的人类要塞
种子
文章中 Austin 提出了“AI 三明治”的概念：人类负责顶层的问题框定和底层的输出审查，AI 负责中间一切。但 Doug 的观察更深刻——他说，“你必须先做大量的元认知，弄清楚：我是如何思考这个问题的？我的流程是什么？”
这揭示了一个隐蔽的转折点：AI 并没有消灭技能，它只是把技能的价值从“执行”转移到了“对执行的自我觉察”上。你不会因为 AI 的存在而变得不重要，但你会因为无法说清楚自己的思考过程而变得不重要。
故事
知识管理领域有一个经典的困境叫“野中－竹内难题”，源自野中郁次郎和竹内弘高在 1995 年提出的 SECI 模型。他们发现，一个组织中最宝贵的知识往往是“隐性知识”——那些老员工知道怎么做但说不清楚的东西。几十年来，企业试图用导师制、轮岗、退休返聘来传递这种知识，效果甚微。
现在，AI 以一种暴力的方式重新提出了这个问题。Doug 说，一旦你把流程“编码化”，AI 就能接管执行。换句话说，AI 不再容忍隐性知识。你的直觉、你的手感、你“不知道为什么反正这样做就对了”的经验——除非你能把它们拆解成明确的步骤、规则和判断标准，否则它们就无法被委托，无法被放大，无法进入这个新的生产力系统。
这本质上是一种强迫性的知识外化。历史上，泰勒的科学管理试图用手册和标准化流程来做到这一点，但遭遇了工人的抵制和知识本身的顽固性。AI 的不同之处在于，它提供了即时的回报：你花一小时拆解自己的思维，AI 就还你一周的时间。Yash 花一个月手动跑 A/B 测试，然后决定把自己的整个工作流程交给 Claude——这个决定本身比自动化更有价值，因为他必须“想清楚”这件事到底是怎么做的。
Aha 瞬间
“AI 不会取代你，但它会惩罚那些无法清晰表达自己思考过程的人。你的隐性知识不再是护城河，而是一个计时器——它正在倒数，直到有人比你更早把它写下来。”
发芽 02：用廉价模型做执行——Fable 的“CEO 模式”与管理学的百年回响
种子
Marcus Moretti 发现 Fable 花了两千万 token 来修改五千行代码，大量消耗在上下文阅读、任务协调和检查上——这些工作“更便宜的模型也能做”。于是他引入了一条提示词：“对于所有编码任务，判断后选择一个合适的低功耗模型，在子代理中运行。” Fable 退后一步，变成了“运行的 CEO”。
这不是技术优化，这是管理哲学的代码化。
故事
1937 年，罗纳德·科斯发表了《企业的性质》，问了一个看似愚蠢的问题：为什么会有企业？如果市场机制如此高效，为什么不让每个人作为独立承包商在市场上来交换服务？
他的回答是：因为交易成本。寻找供应商、谈判合同、监督执行、处理纠纷——这些事情的成本太高，以至于把一群人放进一个叫“公司”的壳里，用管理指令代替市场合约，反而更便宜。
Marcus 面对的正是同样的结构性问题。Fable 直接上手写代码，就相当于让 CEO 亲自去跑客户——技术上可行，但成本上是灾难。他引入的“低功耗子代理”策略，本质上是在 AI 工作流内部创建了一个科斯式的企业边界。Fable 像 CEO 一样做计划、分配任务、检查质量，而 Sonnet 和 Opus 则像专业承包商一样执行具体工作。
但这个类比引出了一个更尖锐的问题：当我们的 AI 代理也需要“管理层级”时，我们是在解决效率问题，还是在复制人类组织的所有病理？大型企业之所以会患上“大企业病”，正是因为委托代理链过长、信息扭曲、代理人追求自身利益而非组织目标。当 Marcus 让 Fable 去管理 Sonnet 时，他引入了一个新的代理层——而每一层代理都意味着信息损耗和激励错位的风险。
德鲁克在 1954 年出版的《管理的实践》中说，管理者的核心工作是“设定目标、组织、激励和沟通、衡量、培养人”。Marcus 现在正在教会 Fable 做这五件事。这不是一个技术实验，这是管理本身从人类组织向人机混合组织的范式迁移。
Aha 瞬间
“当你开始教 AI 如何管理其他 AI 时，你其实是在被迫回答一个被忽略了一个世纪的问题：管理到底是什么？你无法教会机器你从未理解过的东西。”
发芽 03：从“伪造式学习”到“不可伪造的欲望”——新手入门的真正门槛
种子
Brandon 建议新手选一款自己已经喜欢的工具，造一个更简单的版本。Austin 说，应该造那种“你迫不及待要发给朋友”的东西，宁可做你觉得做不出来的东西，也不要为了复杂而复杂。
表面上是鼓励，骨子里是一种筛选机制。这些建议其实在问同一个问题：你有没有真实的、不可伪造的内在动机？
故事
教育领域有一个著名的对照实验：1973 年，斯坦福大学心理学家马克·莱珀和同事进行了一项“隐蔽奖励”实验，发现那些原本因为喜欢画画而画画的孩子，一旦被引入外部奖励（奖状），之后在没有奖励的情况下画画的时间反而大幅减少。这就是“过度理由效应”——外部动机可以驱赶内部动机。
AI 时代的入门者面临一个全新的困境。以前，学习编程意味着你必须熬过漫长的沉默期——搭建环境、记住语法、调试报错。这个过程无聊而痛苦，但它有一个隐藏功能：它天然地筛选出了那些真的想造东西的人。那些只对“成为程序员的光环”感兴趣的人，往往在这个阶段就会放弃。
现在，AI 消灭了沉默期。Codex 可以写代码，Fable 可以协调工作流，GPT-5.6 Sol 可以帮你做研究。你可以在几个小时内做出一个像模像样的产品，而不用理解背后的任何一个技术细节。这听起来像是一种解放，但它带来了一个新的危机：当外部奖励（快速获得一个可展示的产品）变得过于容易，人们还没来得及发现自己到底喜欢什么，就已经进入了“做得很好”的伪造阶段。
Austin 说“做一款你迫不及待要发给朋友的 app”——这个建议的深刻之处在于，它试图重新引入门槛，但这次是用心理学而非技术。它把筛选机制从能力门槛转移到了欲望门槛上。如果一个东西你真的渴望它存在，不是因为市场需要、不是因为别人说好、不是因为你想展示技术——而是因为你想发给你最在乎的人看，那么这个欲望本身就成了不可伪造的内驱力。
Brandon 的建议——“从你喜欢的工具开始做一个简单版本”——也有同样的结构。它的起点不是市场机会，不是技术能力，而是你已经建立的品味和偏好的判断。你在 iTunes 上用了十年的播客 App，你知道它哪里让你不舒服，哪里让你觉得“如果是我，我会做得不一样”。这种不舒服，这种“不一样”，就是 AI 无法替你生成的起点。
Aha 瞬间
“AI 消灭了学习的沉默期，却也挖掉了一个关键的地基：那些因为痛苦而退出的人，原本就不该留下来。现在你需要另一种筛选机制——不是你能否学会，而是你是否真的在乎。”
你的思考空间
Doug 说使用 AI 代理就像指挥一个管弦乐团——但乐团成员是人类音乐家，他们有自己的演奏风格和即兴判断。而 AI 代理则是完全服从但缺乏灵魂的乐手。如果“指挥家”不需要处理乐团成员的情绪和自我，这种“管理”的迁移是否真的成立？或者说，管理人类和管理 AI 之间的差异，恰恰定义了什么才是人类管理者不可替代的能力？
Yash 称手动跑 A/B 测试为“虚假工作”，但正是这段经历让他知道了“什么值得测试”。如果一个人从未经历过手动执行的阶段，直接进入 AI 自动化——他还能培养出那种“对什么值得做的直觉”吗？还是说，犯错的阶段在认知发展中是不可跳过的必要步骤？
Marcus 引入“子代理”策略后，Fable 不再亲自写所有代码，而是开始管理其他模型。但管理总有其“剩余”——那些需要高判断力、模糊权衡、对上下文有深度理解的决定。这些剩余会越来越小，但它们是否有一个不可再被委托的硬核？这个硬核是否就是人类在未来工作流中的最终位置？