ycombinator

来自 ycombinator 的公开洞察。

• 杰夫·迪恩：在 AI 时代，用 1% 的思路找大事

  一年前说 AI 像初级工程师，现在看基本成立，尤其在长时间智能体编程任务上。超出预期的是复杂任务进步更快，且能力开始溢出到代码之外。用途是校准预期：不要只按单次问答评估模型，要按它能连续工作多久、能拆多复杂的任务来评估。

• 圆点图：真正看清每个用户在做什么

  汇总曲线会把所有人混在一起，有增长时容易一路向好，掩盖个体不喜欢用的事实。需要把留存曲线和个体行为分开看，前者回答留没留下，后者回答怎么用。

• Claude Code 创造者自述：为六个月后的模型做产品

  作者建议不要只优化今天可用的能力，而去试探模型勉强做不好的边界，为半年后的水平做产品。好处是新模型发布时自然变强，风险是当下可能找不到可用场景，需要接受等待和反复重写。

• 每个创业者都该懂的机器学习方法：扩散

  扩散把学习分布变成加噪再学逆过程：正向不断加噪很容易，模型要学的是从噪声走回数据。理解时抓住噪声表最关键，相对误差保持稳定比均匀线性插值更重要。

• 弗朗索瓦·肖莱：只靠规模化，走不到通用智能

  Indium 不做上层代码智能体，而是把参数曲线换成尽可能小的符号模型，并探索符号空间中的搜索方法。模型越简洁，所需数据越少，推理越省，泛化与组合也更好。这可用于理解它与深度学习在基座层面的分歧。

• 大公司错过的机会，创业公司还能怎么赢

  过早的市场需要靠生存换时间。2002年没人理解聊天机器人，更没人理解在线客服，产品只能长期熬到2010年前后才看到雏形市场。创业者可以借此检查自己的现金、耐心和迭代能力是否配得上早到的判断。

• 把公司按 AI 重做一遍：Brex 首席执行官的深度实践

  他认为这不是工程或产品团队的事，因为只有首席执行官能理解技术边界并打破部门墙。例如审核团队不会想到把审核能力前移到销售线索，只有看到全局的人能重组系统。对读者的用途是：推动 AI 落地时先明确一把手要亲自试到极限，再谈分工。

• 删掉八成提示词：跟着新模型重做智能体

  Opus 5 的变化不只是答题更准，而是能持续做事很久。配合自动模式，它可以跑几天到几周，适合把大任务拆成多智能体协作。对读者来说，值得把原来不敢交给模型的一整块工作拿出来试一次，但要接受它仍在运行、需要持续观察。

• Stripe 新官网幕后：重写故事，用克制细节表达信任

  旧站可用但故事过载：支付之外新增订阅、按量计费、税务等业务只露出一角，页面靠不断叠加栏目覆盖人群，叙事被拉长稀释。理解这点有助于判断改版是故事问题而非视觉过时。

• 机器人前沿：先做到长时间可靠，再谈通用

  此前推荐、广告和对话系统多是给人建议，人能纠错；机器人在物理世界直接行动，犯错代价更高，必须长时间自主且少犯错。理解这点有助于判断机器人项目为何更强调成功率和无人看管时长，而不只看演示一次是否成功。

• 为什么支架比模型更重要

  支架曾被嘲为套壳和提示工程，但两次支架迭代可带来 18% 差距，ARC 上更是成败分界。用法是：模型不行时先别急着换模型，检查支架是否缺了状态、工具、压缩或子智能体，把测试时经验留下来。

• 推理、扩散、世界模型与泛化：YC 论文俱乐部的五篇论文

  报告把推理速度从省钱省时间的话题，转为决定智能峰值的因素：只要效果随思考量增加，单位时间能输出的 token 就限制了上限。这意味着做应用和做模型时，推理优化不只是工程，还可能直接改变可用能力。来源中强化学习包在推理外、推理成本超过训练成本的说法，是支持该判断的背景，不是严格证明。

• AI 时代还要学基本功吗？Patrick Collison 谈缓存、慢启动与创业潮

  大脑检索比反复询问模型更快，能支持更多次思考往返。企业仍为认知能力付高价，说明基础知识没有贬值，值得把常用概念记到能直接调用的程度。

• 递归会是AI的下一条扩展定律吗

  Transformer训练时并行处理全部时间步，速度快且避开了长展开的梯度灾难，但解码仍要保留长上下文，没有把历史压缩进可滚动隐状态。理解这一点，就能明白为什么增加参数不等于增加逐步推理深度，递归的价值在于用同一组权重换取计算深度。

• Supabase 如何成为全球增长最快的开发者工具之一

  Paul 认为没人拥有 Postgres，所以人人贡献，云厂商又必须做好 Postgres 服务，流行带来改进，改进又带来流行。选型时可参考这种结构性飞轮，而不只看当下热度，但飞轮能否持续仍有不确定性。

• 机器人的 GPT 时刻到了吗：从通用模型到洗衣房与仓库

  基座模型先提供常识和初步操作能力，再通过混合自主进入真实工作，靠长尾纠错每天改进。适用于判断项目处于哪个阶段：能否容忍犯错、是否有接管和评估闭环，而不是一开始就要求无人值守。

• Conductor 创始人的一天：同时指挥多个 AI 写代码

  他用便宜鹅颈麦解决开放办公室说话尴尬，用 Command N 快速开任务、用快捷键在多个工作区之间切换。关键不是设备价格，而是把说话变成低打扰、可并行的默认动作，一边让智能体跑，一边去看别的任务。

• YC设计负责人：用口述、记录和可调工具做设计

  她打字慢但想得快，于是按住功能键口述功能，让模型直接生成，再用Aqua完整记录。这种方式适合想法密集、动手琐碎的阶段，把表达成本从键盘转移到嘴上。是否适合自己，取决于口述是否比打字更顺，需要亲自试几天再判断。

• 如何找到第一批用户：从可进化的最小产品开始

  早期用户不是被说服来的，而是被找到的。爱尝鲜的人和痛点极强的人更愿意冒险，前者如喜欢试用新产品的 Gustav，后者如三天内付费解决计费问题的团队。找人的方法要相应变窄：定向邮件、上门、混进小圈子，而不是大众投放。

• 创业公司官网为什么不转化：五次设计点评的共同问题

  访客先要看到东西，再决定要不要花时间。截图、真实界面、短演示都是证据，能让预约、试用这类重动作变得合理。适用于首屏只有一个预约按钮的页面，先补证据再要转化。

• AI 做网站太容易，错得也越来越像：一次创业落地页评审复盘

  紫色渐变、淡入淡出、便当格排版本身不算错，但在多家网站连续出现后，品牌差异会被抹掉。用途是检查自己的首屏：去掉标志后是否还能被认出，如果不能，就需要换配色、换版式或换讲法。

• BillionToOne：从产前筛查走向癌症早检的十亿分之一

  胎儿和肿瘤DNA在血里都极稀少，PCR放大会连噪声一起放大。BillionToOne在扩增前加入已知合成DNA，测出各位置的放大偏差和错误，再从测序数据里扣除。理解这个校准思路，有助于判断液体活检宣传的可信度。

• 智能体时代的设计：更快铺量，更要像人一样删改

  Paper 直接用 HTML 和 CSS 渲染，智能体读得懂，不用来回转格式，省 token 也更快。更重要的是设计师不用学代码，画布操作背后已经是代码，设计稿和开发实现更容易对上，适合把设计工具接到智能体工作流里。

• 新式创业：用内部自动化做“20倍公司”

  Anthropic 内部每个开发者同时调度多个 Claude 实例，处理功能、缺陷和调研，人只保留架构和产品决策。这种用法说明前沿团队已把 AI 当作日常开发力量，也解释了为何作者认为现在值得重新尝试新工具。

• YC 官网改版：从功能介绍回到创始人故事

  旧站的问题不是难用，而是没有故事感：像通用模板，只给 Logo 和空泛标题，没有讲创始人和具体结果。复盘时可以先看标题是否直接说出事实，再看是否把人的作用讲清楚了。

• CircleBack CEO Ali Haghani：为什么公司应该录下更多会议

  CircleBack 把会议变成可检索、可追问、可流转的上下文：录制转写、写笔记、分行动项，还能提取信息更新外部工具。关键在于会后能跨对话提问和自动同步，而不是多一份文档。

• 为什么物理AI是下一次平台转移

  作者认为AI已从手工设计特征转向堆数据加算力。对读者的用处是，判断项目时先看数据和规模是否成立，而不是先堆领域规则，但这只是作者的经验总结，不是放之四海的定律。

• 微调之外：能自我进化的推理支架

  微调把能力绑定在某个具体模型版本上，新模型发布后优势容易消失。支架路线把能力沉淀在上层系统里，换模型时可复用。理解这一取舍，有助于在立项时评估长期维护成本。

• 让Claude Code像工程团队一样工作：G Stack的方法与实践

  作者认为智能体的正确用法是团队化协作，有角色、流程和评审。这个观点可用来检查自己的 AI 工作流：是否只让模型直接写代码，还是先分工、再评审。来源强调这是做好真实工作的前提。