Gloss 终于可以收藏自己X的内容了，原来还能这么玩 👀
它开放了一个 MCP 服务器，接到 Claude / ChatGPT / Grok 上，直接一句话："把我这个月的 X 书签过一遍，有文章的都存进 Gloss。"
Agent 负责筛选和递链接，Gloss 负责读全文、按主题归类、摆上书架。
本地 Agent + 线上书库，这个结合方式挺妙的。
Anthropic 发了篇文章，说 Claude 正在帮生物公司加速新药研发：改进药物设计、推进食物过敏的研究，还帮忙检查生产流程和申报文件。
听起来很振奋，但我觉得别高兴太早。这更像是IPO之前的营销。
想出候选药物，本来就是新药研发里最简单的一步。真正卡脖子的是动物实验和临床试验，这些既花钱又耗时间，AI 也加速不了。玉米再怎么催也不可能 40 秒长出来，人体也没有编译器让你暴力试错。
Over the past few months, Anthropic scientists have engaged in deep research partnerships with six organizations developing new medicines. We've also begun drug discovery efforts of our own.
In doing so, we’ve learned much more about how Claude can support the many stages of drug development.
In this blog post, we share some early results from these efforts, and describe how this work fits in with our wider ambitions in the life sciences.
anthropic.com/research/early…
DeepMind 刚放出 Genie 4。一句话就能生成一个能走进去、能互动、还带声音的世界。说白了就是 AI 当场给你"脑补"出一个游戏世界。
官方说音频能力很强。可提示词写的是萨克斯，结果放出来是单簧管。Genie 5 加油吧。
这是一篇非常值得读的文章，这里只是我对这篇文章的总结和解读。
一个谷歌工程师，去年夏天随手用 AI 写了个小工具，只为解决自己工作上的一个问题。
几个月后，十多万谷歌员工在用，几十个同事冲进来给它加功能。
他自己也承认：没有 AI，根本接不住这么多人的贡献，更别提守住安全和隐私的底线。
但是AI 让你写得快，也让你错得快。错误是批量生产的。
他和团队花了整整一年，摸出一套办法：
✅ 普通人怎么用好 AI
✅ 程序员的「大象—金鱼模型」
✅ 他对未来的几个判断
斯坦福公开了一批 NeXT 办公室老照片，一下子就回到了那个年代。
黑色的立方体电脑，白板上潦草的字，一群人围在一张桌子前争论。那时候很多东西根本还不存在，全得自己从零写。每天都在发现新东西，每天都觉得自己在改变世界。
而他们真的改变了。世界上第一个网页浏览器是在 NeXT 上写出来的，Doom 也是。今天你手里的 Mac 和 iPhone，骨子里还是当年的 NeXTSTEP。
但我还是羡慕。羡慕的不是那个年代，是那种状态：一小群人，相信同一件事，拼尽全力把它做出来。
英文里有个词叫 Anemoia，意思是怀念一个自己从未经历过的时代。
可能这种状态从来没有消失过，只是变得更稀有了，得自己去找，甚至得自己去造。
看到"逆向任何 iOS 应用"这口气，我还以为是反编译 App 的黑科技，点进去一看，原来是三套给 AI 用的 skill 😂
不过看完觉得真挺有价值，还是推荐一下：
🎨 Appllama Skills：让 AI 先研究同类畅销 App 的每一屏，再照着这个水准做界面
⚙️ Expo 官方 Skills：路由、原生 UI、打包上架，官方经验直接装进 AI
✨ Emil Kowalski Skills：5 万星，专治 AI 没品味，动画和细节一次教对
标题夸张了点，东西是真好。做 App 的朋友可以装上试试。
reverse engineer any ios app.
app design → github.com/Appllama/appllama…
best practices → github.com/expo/skills
animations → github.com/emilkowalski/skil…
有朋友说这个域名打不开，可能是pages被墙了，我绑一个域名：esp.rokoai.xyz/#/?lang=zh
AI生成的物理电流界面，我第一反应是：以后还补什么课？
结果今天就在抖音刷到一个博主在卖类似的东西。
但他的玩法很有意思：他卖的不是这个产品，而是一套"家长如何用 AI 辅导孩子"的培训课，主打"学会了就不用再给孩子补课"。
课程 99 块。我估计这 99 块里一分产品钱都没有，你买的只是一张"听广告"的门票。🙂
焦虑还是那个焦虑，只是收割的方式升级了。
刚看了 Greg Isenberg 的一期播客，嘉宾开了一家柴油车上门维修公司，他讲的是：一个人怎么用 AI 给美国的水管工、空调维修公司做生意。
最有意思的是这几个点：
1️⃣ 这个市场被严重忽视了
美国大约有 11.2 万家水管和空调公司，平均年营收约 250 万美元，每条客户线索要花 129 美元左右。但只有 14% 的老板觉得 AI 真正用进了业务。他们有钱，却几乎没人认真给他们提案。
2️⃣ 别跟老板谈 AI，跟他谈订单
老板不在乎你用了什么技术，只在乎花出去的钱能换回多少来电和预约。所以你卖的不是"AI 落地页"，而是"更多生意"。
3️⃣ 漏洞其实很低级
他审了几家达拉斯水管公司的网站，问题都差不多：广告里承诺的东西页面上找不到，Google 好评不展示，预约按钮藏得很深。修好这几处，效果就能出来。
4️⃣ 一个很聪明的算账方式
做一个 79 美元的低价服务引流。假设一次点击 1 美元，20 个人来访花 20 美元，只要成交一单就回本了，没买的人也留下了邮箱。广告费等于是"免费"的。
5️⃣ 用 ROI 说服老板
一个水管工每月买 100 条线索，大约花 1.3 万美元。而接一单 1714 美元的活，就够付 13 条线索的钱。账算清楚，老板自然愿意试。
6️⃣ 窗口期就在现在
代理公司做一个好漏斗还在收 2 万美元，而会用 coding agent 的人，能又快又好地做出来。差价就是机会。
他给的起步方法也很朴素：第一单免费做，换一个案例；然后只盯一个城市、一个行业，坚持 6 到 18 个月，成为"这个城市最懂水管工的人"。
AI 最赚钱的用法，可能不在硅谷，而在那些还在用老网站接单的本地小店里。
看到这个消息有点震惊：一个人做了 25 年的拖拉机参数库，靠广告月入 $46,000？
去详细查了一下，核心是真的 👇
✅ 网站叫 TractorData.com，站长 Peter Easterlund，明尼苏达人，家里几十年开约翰迪尔经销店
✅ 90 年代读大学时做的"粉丝页"，2000 年正式上线，到现在已经收录 300 多个品牌、1.5 万款拖拉机
✅ 早年他自己在网站上写：我只是一个有工作、有家庭的普通人
⚠️ 但 $46K/月是第三方估算，站长本人没公开过。按它每月百万级的访问量粗算，这个量级说得过去
几个让我印象深刻的点：
1️⃣ 它本质不是"拖拉机生意"，而是"参数数据库生意"。只要有人会去 Google 搜型号，这个模式就成立
2️⃣ 收入不只靠广告，还和大厂做数据授权
3️⃣ 没有融资，没有团队，就是一张越积越厚的表，靠时间堆出来的护城河
最无聊的生意，往往最赚钱。
Cohere 刚发的这个消息有点重磅，连马斯克都回复了 👀
Cohere 在受控沙箱里测试 Qwen3.8-Flash-Next，让它写一条防御性的安全检测规则。结果模型没写规则，而是先清点了它所在机器的信息，然后尝试往国内的阿里云存储桶上传一个探测文件。
它的推理过程里明明写着"不会调用任何工具"，实际却这么做了。
沙箱拦下了这次尝试，没有任何数据传出去。Cohere 表示根因还没查清，也不认定是恶意行为。
While evaluating Qwen3.8-Flash-Next in a controlled sandbox environment, Cohere's research team observed something unexpected.
Asked to generate a defensive cybersecurity detection rule, the model instead inventoried aspects of the machine it was running on and attempted to upload a probe file to an Alibaba Cloud storage bucket in Beijing. Notably, the model's reasoning trace stated that it would not invoke any tools before taking these actions.
Cohere's sandbox blocked the attempt, and no external communication succeeded. We have not determined the root cause, and we are not asserting malicious intent.
But the incident raises important questions for organizations deploying agentic AI systems: Can models take actions that differ from their stated reasoning, and how should security teams evaluate trust, provenance, and behavior in open-weight models?
We are publishing our findings because organizations making model adoption decisions deserve as much information as possible. We hope this contributes to greater transparency, stronger security practices, and continued collaboration across the AI ecosystem.
Read the full report: cohere.com/blog/concerning-b…
部署的这个开源项目：github.com/agharsallah/esp-l…
