如果你最近总被"AI 要取代所有人""SaaS 要完了""以后人人都得去命令行里工作"这些观点轰炸，那 Dan Shipper 这期对谈，可能会把你脑子里的很多预设翻过来。Dan 是 Every 的联合创始人兼 CEO。这家公司只有 30 人左右，但从编辑到设计师，从运营到销售，几乎人人都在把 AI 当作日常工作的一部分。也正因为如此，他们像是在提前活在未来的工作方式里。一年前，Dan 在这档节目里说了一句当时没什么人在意的话：Claude Code 的真正价值不是帮程序员写代码，而是让非技术人员也能用它来处理文件、整理硬盘、完成各种杂活。一年后，Anthropic 做出了Cowork，OpenAI 的 Codex 也在这个方向上猛追。Dan 判断对了。这一次他又带来了一组更反直觉的判断：SaaS 不但不会死，反而可能更赚钱；命令行不是未来的工作界面，反而已经快走到头了；当主流讨论都在谈自动化和界面优化时，他却说真正的权力中心不在操作界面，而在后台系统和数据本身；AI 不会带来就业末日，真正在变重要的新岗位叫"前置部署工程师"；而普通人要避免被淘汰，最重要的一件事，就是学会"骑着模型往前走"。

以下为编译。

1.一年前他说大家低估了 Claude Code

主持人： 你上次来节目时提过一个当时听起来很"随口"的判断：大家低估了 Claude Code，尤其低估了它在非工程工作里的价值，比如整理文件、管理硬盘、处理各种非技术任务。那是一年前，当时几乎没人这么说。结果后来你说得太对了，Anthropic 做出了 Cowork，OpenAI 这边 Codex 也开始往这个方向走，大家逐渐意识到：这类"编码代理"不只是给程序员用的。你后来还专门写了一篇 newsletter，继续展开这个想法，问大家"Claude Code 到底还能怎么用于非工程工作"，结果收到了非常多案例，那篇文章也成了你最受欢迎的内容之一。所以今天这期节目，我想继续沿着这个方向聊：你还看到了哪些别人没看见、但你觉得很快会发生的变化？你们 Every 现在像是一个"提前住进未来的公司"——所以也许最适合先请你讲讲：你和你的团队，到底是怎么工作的？

Dan： 谢谢你这么介绍。其实我一直觉得，所谓"预测未来"，最没意思的方式就是凭空预言。更有效的方法，不是"猜"，而是先活进去。Every 现在差不多 30 人。你上次采访我时，我们大概还是 15 人，一年时间翻了一倍。我们团队里有工程师、设计师、作者、编辑、销售、客服，每个人都属于 AI 的早期采用者。大家都有一种很强的共同气质：愿意尝鲜、喜欢试东西、好奇心重，而且是真的很愿意把 AI 用进工作里。这件事带来的结果是：我们公司内部形成了一个小小的"未来样板间"。因为在多数公司里，总会同时存在几类人：很早接受新工具的人、慢慢跟上的人、以及明显抵触的人。但我们这里几乎全员都在主动实验，所以很多变化会更早显现出来。还有一点也很关键：因为我们本身就在持续评测模型、写 AI、讨论 AI，所以我们会比很多人更早拿到一些 beta 和 alpha 版本，能提前体验模型公司还没正式发布的东西。某种程度上，我们不只是观察趋势，也参与了趋势成形的过程。

所以对我来说，所谓"看见未来"，其实不是神秘能力，而是两件事：第一，你真的在第一线使用它；第二，你会把自己看到的变化说清楚、写出来。很多时候，当你把一个模糊的变化清楚地表达出来，它会变得更真实，不光对你，对团队和外部读者都是这样。Claude Code 那件事就是这么来的。它一出来，我们就试了。因为这就是我们的工作——新东西来了就上手试。最开始它其实还挺早期的，但大概到了 Sonnet 3.5 或 3.7 附近，我们内部再去做"手感测试"的时候，就突然觉得：这东西不对劲了，它已经强到一个拐点了。最让我震惊的是，它把"代码编辑器"这层东西几乎拿掉了。从那个时候开始，我们内部就越来越转向一种新的协作方式：我们现在内部跑着大概 6 个软件产品，而当时可能只有 2、3 个。团队里很多人已经不怎么看代码了，而是直接用自然语言对着电脑说话，让 Claude Code 在终端里替他们干活。然后我就开始意识到：事情变了。接着，作为一个本来就喜欢"往前多走一步看看"的人，我会自然开始问：那它是不是也能帮我写作？是不是也能做研究？是不是也能处理别的知识工作？于是你就会看到，很多场景还没完全成熟，但已经明显"够用了"。我们内部有个说法，叫 reach test：就是你早上起来，会不会下意识去拿起它？如果一个工具能通过这个测试，它就已经不只是"有趣"了，而是在开始成为你的工作环境。

主持人： 你这个组合确实很强：一方面你们全员用最新的东西，另一方面你又很擅长识别"什么东西是新、怪、重要、而且别人还没意识到的"。再加上你会写、会表达，所以这个组合确实会让你比别人更早看到变化。

2.未来每家公司都会有一个反复对话的 AI 代理

主持人： 好，我们进入正题。你说想把今天的判断分成三类。先说第一类：未来一两年，工作的方式会怎么变？我自己特别喜欢这个问题，因为如果你只看 benchmark，你很容易得出一个吓人的结论：AI 会越来越能自主完成长任务，那工作是不是快被拿走了？比如 METR 那类 benchmark，会测"新模型能在多长时间范围内自主完成任务"。你看到类似数据会觉得很惊人：最新的模型也许已经能以 50% 的准确率完成 17 小时级别的任务。听起来当然很吓人。而且说实话，这个趋势是真的，模型能力也确实在快速上升。但我的真实体验、也是我的判断是：一年后我们回头看，会发现人类要做的工作并没有更少，反而更多。这里面有个很有意思的悖论。

Dan： 所以如果你问我：未来工作方式最大的变化是什么？我的回答是：工作会分叉成两条线。第一条线是：每家公司里，几乎每个人都会至少跟一个 AI 代理频繁对话，把一部分工作委托给它。第二条线是：你真正完成工作的主界面，会逐渐转移到 Codex、Claude Code、Cowork 这类环境里。也就是说，一边是组织里的"公司级代理"；另一边是你自己电脑上的"个人工作台"。先说第一条。以前大家想象"AI 进入公司"时，最先想到的往往是：每个人都有自己的 agent。但我现在反而觉得，短期里更可能发生的是：每家公司先出现一个"super-agent"，也就是全公司共用的超级代理。你已经能看到一些公司开始这样做了。比如 Shopify 很有名地做了一个，Ramp 现在也有。这个问题背后其实有个架构层面的分歧：到底是每个人一个 agent？每个团队一个？还是整个公司一个？agent 是不是会像"平行组织结构"一样展开？会不会变成某种"影子 org chart"？OpenClaw 刚出来的时候，我其实很相信"每个人一个代理"。那个想法特别诱人：每个人身边都有一个 agent，它像你的分身、你的肩膀上的小精灵，知道你的习惯，也代表你做事。如果你看过《黄金罗盘》，就很像每个人都有自己的 dæmon，一部分灵魂跟着你走。我当时真的非常相信那个方向。但后来我彻底转向了。

现在我更相信：至少在现阶段，更现实的模型是"一个公司一个超级代理"。为什么？因为你很快就会发现，搭个人 agent 太折腾了。OpenClaw 也好，别的 harness 也好，大家都会兴奋一阵："太酷了，我也来搭一个。"结果很快就会撞上现实：要部署、要 SSH、要处理权限、要盯运行状态、经常坏、一断就没人想修。大多数人并不想把精力花在"维护这个 agent"上，或者说，他们没有这个时间和意愿。而且现在的 agent，有一个底层现实：它必须有人持续在乎它。不是说它一旦搭好就会自动生长。它现在要真的有用，往往需要一个人对它有"私人关系"：持续看它在做什么、帮它修、保证它能对业务有价值。一旦这种关系断掉，agent 很快就会退化成一个"偶尔能用、总体不可靠"的东西。所以现阶段最可行的模式，不是"人人养一个 agent"，而是：先由一个 forward deployed engineer 类型的人，负责把公司级 agent 维护好。这类人会确保它对整个公司都真正可用。然后在此基础上，再慢慢长出团队级 agent、个人级 agent。长期来看，我依然相信 personal agent 会来。但那要建立在模型更稳定、更独立，不需要你天天管它的前提上。所以我现在的判断是：先从公司顶层的一个 agent 开始，再往下分化。背后的核心机制就是一句话：agent 需要人去在乎它。

主持人： 这个点很有意思。你说 agent 需要"gardening"，需要持续照料，我完全有共鸣。因为上下文要补、权限要接、错误要修，一旦太麻烦，人就会放弃，重新回到更简单的方式。

Dan： 没错，就是这样。

主持人： 好，那说第二条线。你刚才说，未来大部分工作会发生在 Codex、Claude Code、Cowork 这样的环境里。这部分我特别想展开。

Dan： 我也觉得这是最有意思的一部分。Anthropic 很早就意识到一件事：如果你把一个 agent 放在用户自己的电脑上，它就天然拥有一个极强的能力组合。它在你的电脑上运行，就意味着：它有你有的权限、它能用终端、它对终端的理解又特别强，因为网上关于 CLI、shell、工具链的内容非常多。于是就出现了一种非常强大的新范式。一开始，大家还把 coding agent 看成"结对编程助手"，即它在旁边帮你补几行代码。但 Anthropic 是最早一批真正把它做成"能在你的机器上替你做事的 agent"的公司。更早当然也有人尝试，比如 Devin 那种云环境路线，OpenAI 也试过类似方向，但真正大规模跑通 adoption 的，还是"把 agent 放到你的电脑上"。他们后来又进一步发现：一旦一个 coding agent 已经在你电脑上，且能构建任何东西，那它其实不只是 coding 工具。它也能成为一个通用知识工作工具。于是大家开始"黑客式地"把 Claude Code 用去做各种工作。Anthropic 后来做 Cowork，其实就是给这个思路套了一个更适合非工程用户的外壳。OpenAI 则走了另一条路。早期的 Codex 在我看来太技术了：很聪明，但有点"只按字面理解你的意思"。你说什么，它就机械执行什么。

但大概在几个月前，尤其是他们发布 5.3 那段时间开始，我感觉 OpenAI 明显也转向了：他们开始做一个更适合通用知识工作的 agent，而不是只服务程序员的系统。后来他们又出了 Codex 桌面端。我觉得他们其实是看到了 Anthropic 从 Claude Code 到 Cowork 这条路径，然后选择更激进一点，直接一步跨过去。如果你现在问我主力在用什么，坦白说：Codex 已经是我的 daily driver。我也会来回切换、偶尔用 Cowork，但目前我觉得 OpenAI 在"工作台"这件事上，已经把范式抓得很准了。对我来说最关键的一点是：未来你做的大部分工作，都会在这类界面里完成。比如我写文档的时候，Codex 桌面端里有内置浏览器。我会给每个项目开一个线程，然后直接在应用里打开文档页面。我通常会在我们自己做的在线 markdown 编辑器 Proof 里写，然后让 Codex 在一旁"看着我工作"。它能看到我在做什么，我也能看到它在做什么。它不是一个在另一个窗口里等你发 prompt 的工具，而是真正并排协作的对象。

这种体验特别像：你有了一个随时在线、能动手也能研究的工作搭子。它可以回你、帮你写、帮你查、帮你操作浏览器、帮你调动你电脑上的资源。我现在几乎什么都这么干。比如我最近 10 天一直保持 inbox zero——如果你认识我，就知道这对我来说几乎不可能。之所以能做到，是因为我会让 Codex 跟我们的邮件 agent Cora 配合：先把我的邮件都汇总，再渲染成一个页面，我对着页面口述："这个去研究一下""这个是律师的问题，把过去四年的文件都收集一下，整理成报告发出去"……它就去做了。过去很多我会拖延的事，现在我不太拖了。因为你不再是自己面对一堆任务，而是身边有一个能立刻分担的执行体。所以我以前以为，最优 AI 体验会是：把 AI 放进浏览器。但现在我越来越觉得，未来真正有效的是反过来：把浏览器放进 AI。让 AI 成为工作环境本身，让它能看见你的全部工作现场。这件事现在还不普遍，比如 Claude Code 本身就还不能在内部浏览外部网页。但我觉得一年内，这会成为很常见的工作方式。

主持人： 这其实非常深。你的意思是，不是 SaaS 里加一个 AI 按钮，而是未来用户可能是在 Codex 或 Claude Code 里打开 SaaS，AI 工作台成了总入口。

Dan： 对，而且这背后有个很大的二阶效应。比如我在 Proof、PostHog 或任何一个网站里工作时，如果我是通过 Codex 这类环境打开的，那么 agent 使用的是我的 token，不是 SaaS 厂商的 token，不是应用方在替我垫模型成本。这就会反过来改写 SaaS 的产品设计逻辑。你要做的，不再是"必须把 AI 内置进产品里"，而是：让 agent 能顺畅地访问你的产品、让 HTML 结构对 agent 友好、让 CLI 层的变化能即时反映到 UI 上、让人类用户和 agent 的操作保持同步。做完这些，你反而不一定需要自己做一个"AI 前台"。以 Proof 为例，用户带着自己的 AI 来用，我们就不用替用户承担 token 成本。所以这会让 SaaS 的利润模型发生变化：用户把自己的 AI 带进你的产品，反而可能让你的边际成本更好。

3.SaaS 不会死，CLI 也快结束了

主持人： 那 Cursor 呢？它在这张图里怎么摆？

Dan： 这是个好问题。我觉得 Cursor 其实也看到了很多同样的趋势，甚至在有些点上，它的东西做得更好。比如我认为 Cursor 的云端实现，某些地方比 OpenAI 和 Anthropic 都更先进。但 Cursor 到目前为止，选的路更明确：它更像是坚定服务程序员。这条路当然也很大，因为"谁算程序员"本身正在扩张。但它是否会一路扩展到"做 slide、做文档、做广义知识工作"，我还不确定。不过很明确的是：所有模型公司都开始意识到，想让模型发挥到极致，不能只给 API，必须给 harness。也就是说，平台不只是输出"prompt in / response out"，而是要把模型放进一个能执行、能跑环境、能调工具的结构里。Anthropic 有 Claude managed agents。OpenAI 还没有完全对位的回应，但我猜很快也会有。现在你看到 Cursor 跟大公司之间的关系变化，也说明大家都意识到了：只做模型层不够，必须往上长出一层真正能承载工作的壳。而这个壳最终会不会走向"广义知识工作工作台"，我觉得是关键分水岭。Cursor 要不要从"程序员工具"继续往外扩，这会是他们非常难但非常重要的决策。

主持人： 如果你不是 OpenAI 或 Anthropic 的创始人，而是一家普通 SaaS 公司的创始人，你今天应该做什么准备？

Dan： 第一步就是：接受这件事真的会发生。拿更传统的生产力软件来说——不管是 Slack、Word 文档、PowerPoint，还是各种协作系统——它们原本都是为"只有人类使用"设计的。后来大家开始给 agent 做 CLI，是为"agent 独立执行任务"设计的。但我们现在正走向一个新范式：人和 agent 在同一份工作上同时操作。你要能看见它在做什么；它也要知道你在做什么；你们要来回协同，而且最好非常顺畅。这种产品跟传统软件会非常不一样。比如 Proof 里有很多传统文档软件的复杂功能，我们反而不急着做。像精细排版、分页、表格之类，很多事 agent 可以直接替用户做。所以产品反而可以先做得更简单、更快。但与此同时，你又必须补上一些以前不需要的能力：agent 一次能改很多地方，怎么展示给用户？不同于"另一个人"在文档里协作，agent 的并发操作可能是一瞬间很多个，你怎么呈现这种变化？要不要审批流？要不要一个"收件箱"式的总结页，告诉用户刚才 agent 做了哪些事？要不要日志？要不要一键回滚？这些都不是传统协作软件天然会处理的问题。基础设施也一样。

agent 可以在 3 秒内打出远超人类的请求量，那后端怎么办？这也是为什么像 GitHub 这样的平台会开始面临压力——不是因为突然多了这么多人，而是每个人背后还带着 agent 在高频使用。所以我觉得，这是一个全新的产品世界，才刚刚起头。我们已经看到一些很酷的苗头。比如在 Proof 以及我们的一些其他产品里，当用户遇到 bug 时，他不一定会写邮件给客服。更常见的是：他的 agent 直接发 bug report。而 agent 写的 bug report 往往比人类强太多。它会写：具体复现步骤、具体操作路径、错误是什么、甚至因为 Proof 是开源的，它还会进一步推测：代码层可能哪里出了问题。然后这个 bug report 直接变成 GitHub issue，再交给另一个 agent 去修。虽然不是所有产品都能这么玩，但你能看见那个未来：用户侧的 agent 和公司侧的 agent，形成一个极快的闭环。用户遇到一个小问题，agent 去找厂商 agent，厂商 agent 修完，再反馈回来。这件事我觉得非常酷。

主持人： 那这是不是也意味着：现在大家都在往 CLI 走，但未来很可能会重新回到 GUI，只不过这次 GUI 里有 agent 跑在旁边？

Dan： 我会更直接一点：CLI 已经过了。当然，我不是说 CLI 会消失。它已经存在几十年了，未来也还会在。但如果有人觉得"未来所有人工作的主界面都会变成命令行"，我觉得那是误读。Claude Code 爆火之后，很多人以为真正有效的是 CLI 这个壳。我不这么看。真正起作用的是：agent 在你电脑上、有权限、能执行、能接触你的环境、能持续工作。而不是"终端"本身有魔法。一旦你把这套能力放进一个更完整的图形界面，你很快就会意识到：我们当年发明 GUI 是有原因的。尤其是对于非程序员工作，GUI 显然更自然、也更适合大规模 adoption。在 Every 里面，我甚至敢说：技术同事里大多数人现在都不再把 CLI 当作主要工作界面。他们偶尔还是会进 terminal，但主要工作已经转移到 Codex、Claude Code、Cursor 这些界面里了。

主持人： 也就是说，你这组预测放在一起，其实非常激进：一边是公司里会有一个大家都在对话的超级代理，通常在 Slack 里；另一边是你自己的电脑上，大量工作会转移到 Codex / Claude Code 这样的 AI 工作台里；而你原来开的各种 SaaS，会在这些工作台的内置浏览器中继续被使用。这么一说，其实工作方式会发生非常大的变化。

Dan： 我也是这么觉得。

4.两层 agent 协作，会比一个 agent 更强

Dan： 有一个我很想强调，我不是"单一 agent 万能论者"。我完全相信，未来我们会同时使用很多不同的 agent。而且很多时候，两个 agent 配合，效果比一个 agent 更好。举个例子，当我让 Codex 去和另一个 agent 交互时，它其实比我自己更能表达我想要什么。因为它手里已经有大量关于我的上下文：我在做什么项目、我偏好的工作方式、我前面试过什么、我真正关心什么。这些东西，如果让我亲手打给另一个工具，会很慢，也不完整。但让一个 agent 去跟另一个 agent 说，它们能高密度交换很多上下文，速度会快得多。我们自己有一个托管版的 OpenClaw 产品，之前开过 waiting list，后来甚至暂停了，因为这套 agent harness 变化太快了，作为平台去稳定服务它非常难。

但在那段过程里，我们学到一件事：如果你今天在做一个 agent 产品，很多人会觉得 onboarding 应该是一个 web 表单，或者 Slack 工作流，问用户：你是谁、你想做什么、你理想中的目标是什么、你的偏好是什么。但如果你反过来，假设用户本身已经在用 Codex 或 Cowork，那流程会简单很多。你只要让用户把一段说明贴给自己的 agent，让 agent 去和你的产品对接。它会自动把更多关于用户的背景带过去，形成一个更个性化的配置。甚至当产品出错时，用户也不需要自己去研究。他只要对 Codex 说一句"去看看怎么回事"，Codex 就会去和那个产品沟通、排查。所以一旦你假设"每个用户本来就带着一个 agent"，整个产品范式都会变。

主持人： 你前面那个关于 token 的点，我觉得还可以多讲讲。它不只是产品变化，也可能会影响 SaaS 的商业模式。

Dan： 对，我甚至觉得，这反而可能会救 SaaS 的利润率。现在很多公司看到 AI 来了，第一反应是：我得赶紧在产品里塞一个 agent，作为用户跟产品交互的主要入口。这当然会带来 token 成本。但如果未来用户本来就已经在 Codex、Cowork 这类环境里工作，那么他们仍然会继续使用 SaaS。只是交互方式变了。所以我有个很反常识的判断：我会买 SaaS 股票。不是投资建议，但我确实很看多。我觉得"AI 会把 SaaS 打死"这个说法很愚蠢。因为你真正要做的，不是让产品变成一个 AI，而是做一个让人和 AI 都愿意在里面协作的软件。这件事当然不简单，但一旦做成，反而可能比"自己承担大量 token 成本"更健康。而且我之所以这么看多，也不是纸上谈兵。因为在 Every，我们已经是高度 AI 化的团队了，大家都有 agent，也都在用 Codex 这类工具。但我们的 SaaS 支出并没有减少，反而在增加。我们并没有用 vibe coding 去替掉所有软件。相反，agent 会让 SaaS 的"用户数"变多：因为未来不只是人类用户在用你的产品，人的 agent 也在用。所以我预期 SaaS 的需求会迎来一波很大的增长。当然，这也会带来基础设施和定价上的新挑战，但整体上，这让我非常看多。

主持人： 太好了。这期节目如果只留下一个梗，大概就是：Dan Shipper：SaaS 是 AI 的未来。

Dan： 可以发。

主持人： 你们公司过去一年人数翻倍，这和很多人想象的"AI 公司应该更少人"完全相反。你怎么看这件事？

Dan： 因为我越来越相信一句话：Automation is a lie. 自动化是个幻觉。我不是说自动化没用，而是说：每一套自动化背后，都需要一个人站在它上面，确认它真的在正常工作。你把任务自动化了，不代表人可以离场。多数时候，人只是换了一个角色：从执行者，变成了监督者、分配者、调整者。我前几年写过一篇文章，叫《The Allocation Economy》。我当时的观点是：未来人类和 AI 协作，很像管理者和下属的关系。而真实的管理者，哪有谁天天在海边躺着？绝大多数管理者都在不停花时间：看团队状态、盯结果、协调、反馈、判断、纠偏。模型管理也一样。它和管理人有差别，但都很耗精力。而很多 benchmark 会让人误以为，AI 的"自治程度"已经高得离谱。我觉得那是因为 benchmark 本身在定义问题时，已经替模型做了很多框定。我之所以感受这么深，是因为我自己专门做了一个 benchmark。我内部叫它 senior engineer benchmark。

事情的背景是：我们有个产品 Proof，最开始是我自己 vibe coded 出来的。上线之后，服务开始不停挂。我根本修不动，非常狼狈。我就让 Codex 去修。Codex 的典型表现是：它觉得自己知道问题，修了一处，然后引发另外 4 个错误。你就这样在循环里打转，越来越崩溃。我那阵子甚至因为疯狂 vibe coding，把手肘都搞出了类似腱鞘炎的问题。后来我请了两位真正的高级工程师，各自独立重写了一版代码。于是我就有了一个很好的 benchmark：每次新模型出来，我就给它同样的任务——"这是一个 vibe coded 出来的烂系统，如果从第一性原理重写，你会怎么做？"结果很有意思：在 GPT 5.5 之前，几乎所有模型都只能拿到 30 分上下；真正的人类高级工程师，是 80 多分、90 分左右。GPT 5.5 一下跳到了 62 分。注意，这已经是很大提升了，而且还是 GPT 5.5 配合 Opus 4.7 计划去跑的。但即便如此，离"你可以放心把高级工程师工作完全交给它"依然还有距离。而且 GPT 5.5 之所以能一下提高这么多，我觉得很大原因是：它终于有一点"把旧东西撕掉、从头重做"的胆量了。

别的 coding model 很容易陷入一种保守模式：明明你已经告诉它"请从头重写"，它还是想在原系统外围打补丁、修边角。只有 GPT 5.5 更愿意真的重来。但就算如此，这个 benchmark 也只能测它在我定义好的问题里的表现。而现实里的高级工程师，厉害的地方恰恰在于：他们会先重新定义问题。我一开始给模型的任务，其实只是让它根据线上报错去修问题。所有模型都会认真按这条路走。但真正的高级工程师会看一眼代码库，然后跟你说："这不是修 bug 的问题。这个系统本身就是烂的，你得大改甚至重写。你可能不想听，但这是事实。"这个"换框架思考"的能力，现在依然主要是人类在做。所以我一直在说：不要被 benchmark 饱和吓到。即便 benchmark 分数不断上涨，也不等于"高级工程师被完全替代"。这也是为什么模型越来越强，我还是继续招工程师。

主持人： 我前阵子还听说一件事：一些做数据标注的公司，现在会去高价收购 2021、2022 年之前写的代码，因为那是"AI 前时代的手工代码"，很有价值。

Dan： 是，这很有意思。不过我也想澄清一下：我 benchmark 里的"人类高级工程师写的代码"，并不是要求他们完全不用 AI。我并不觉得"纯手写代码"本身有什么神圣性。如果一个工程师现在还完全不用 AI，我反而不会太想跟他合作。这就像你不会让一个人徒步去跟开车的人比赛。真正有意义的比较应该是：一个会用 AI 的人 vs 另一个会用 AI 的人。在我的 benchmark 里，这两位高级工程师当然也用了 AI。但他们用 AI 的方式，跟我不一样：他们知道该怎么引导、怎么判断、怎么识别结构性问题，而我当时既没这个理解，也没这个时间，更没那个心情去钻透那个代码库。所以很多人说"AI 和人谁更强"，这个问法本身就不对。现实里比较的从来都不是"纯 AI vs 纯人类"，而是：一个人怎么借助 AI，把自己原本的能力放大。

主持人： 我想先帮大家做一个中场总结，也看看我有没有理解对。如果按你的判断，未来一年大家现在就该做的事，大概包括：1. 开始更多地用 Codex、Claude Code 这类工具工作，尤其是用它们的浏览器能力；2. 如果你做 SaaS，就开始思考怎么让 agent 成为你的用户；3. 开始在公司里认真考虑某种"Slack 里的 AI 代理"；4. 当然，顺便去买点 SaaS 股票——开玩笑的，不构成投资建议。

Dan： 总结得挺对，但我会再补一个细微但重要的点。现在很多人一说"给 agent 用的软件"，脑子里还是 CLI 范式：我把任务委托给 agent，它独立去 CLI 里跑。但我觉得未来更关键的，是：你和 agent 同时在一个应用里工作。agent 也许仍然在底层用 CLI，但你在前端用 web 界面，你们两边要保持同步。这会是非常不一样的产品挑战。

主持人： 明白。还有别的吗？

Dan： 有啊——买 SaaS。

5.AI重塑工作的形态、岗位和技能需求

主持人： 好，进入第二组。你前面讲的是"工作的方式怎么变"。现在说第二组：工作本身的形态会怎么变？

Dan： 最明显的变化之一，是 pull request 的数量会暴增。我们内部已经看到了。你会发现，一些原本在咨询、运营、编辑岗位的人，也开始直接提 PR。这很酷。因为它意味着：过去只有技术用户能做的事，现在公司里更多人都能做了。但这会反过来给另一端带来新的压力。因为当"生产能力"突然放大，问题就不再是"能不能做出来"，而变成：这些东西该不该被合进来？会不会破坏已有系统？怎样保证整体的一致性？哪些应该删，而不是加？这其实很像你在生产流程中的一个约束被突然拿掉了，那么别的地方就会爆。以前构建很难，现在构建很容易。所以真正稀缺的，不再是"会不会做"，而是"做出来之后是不是应该进系统"。Anthropic 在这点上做得很好。他们会主动删掉 Claude Code 里的很多东西，以避免产品 bloated。我觉得这会是未来非常重要的能力：不仅知道怎么做，还知道什么该删。所以一方面，我们会看到大量非技术人员开始做技术工作；另一方面，技术人员、产品人员的价值会越来越体现在：把这些东西组织成一个有内在秩序的整体。

主持人： 我最近经常听到一种困惑：既然现在大家都能做一点别人的活，那"我的岗位到底是什么"变得很模糊了。工程师会设计，PM 会写代码，市场的人也能直接做点功能。很多人会困惑：那我现在到底还算什么角色？

Dan： 我觉得这种困惑是真实存在的。Every 之所以适应得比较快，一个原因是我们内部很多人本来就偏 generalist，喜欢把手伸进很多事情里。但我也觉得，这种混合状态最后会逐渐稳定下来。比如市场的人可能依然主要做市场，只不过"偶尔碰网站、调页面、做简单功能"会变成市场工作的一部分。这不会让市场岗位消失，而是让它的边界更宽。对小公司来说，这种 generalist 化尤其有优势。因为你现在可以用少量人做出更大的事情。

Dan： 还有一个我觉得非常明确的新岗位趋势，就是 forward deployed engineer。我现在越来越觉得，这个角色会变得非常重要。它的底层逻辑还是那句话：每个 agent 背后都需要一个人在乎它。你去大模型公司内部看，他们也有各种 agent 在跑；而这些 agent 背后，同样有团队在维护。模型会更强，agent 会更多，但并不代表这些团队会消失。相反，你需要更多这样的人：理解业务、懂一点工程、懂 agent 的运行方式、知道怎么把它接进组织、也愿意天天去和 agent 打交道。我们内部就有这类人。比如 Nateesh，他就是一个典型的 AI engineer / forward deployed 工程师。他花大量时间在 Slack 里和我们内部的 agent 对话，研究它为什么会做出某些蠢事，再把它改好。我们有个内部 agent 叫 Claudi，基本跑整个咨询业务。而像 Nateesh 这样的人，很多工作并不是传统意义上的写代码，而是在一个真实业务工作流里，和 agent 高频互动，像在"调一个新型同事"。我觉得有一类工程师会特别喜欢这种工作：他们喜欢新东西，喜欢把技术直接放进业务现场，也喜欢那种"系统在活着"的感觉。而且我认为，这种角色不会很快被自动化替掉。因为维护 agent 本身，就是接下来很长一段时间里的重要工作。

主持人： 所以你的意思是，离"agent 完全不需要人维护"还很远？

Dan： 非常远。我是一个非常 AI 乐观的人，但同时我也非常看多人类。模型会更强，可人类在"确保系统真能工作"这件事上，作用依然很大。

主持人： 你前面提到：产能暴增以后，很多岗位会变成"审核别人的输出"。我前阵子正好听一个做数据科学的朋友说，他们团队以前的主要工作是做分析、回答业务问题、判断实验有没有效果；现在变成了全公司都在自己做分析，然后把结论丢给他们看，他们的大部分时间反而是在说"这个分析不对"。

Dan： 对，这个现象我也看到很多。本来数据科学家的工作是做深分析。现在因为人人都能问模型、跑 SQL、做报表，于是会冒出来一大堆质量一般甚至明显错误的分析。结果数据科学家要花很多时间去审核"错误的分析"。工程团队也会遇到类似问题。于是你就会发现，看似 AI 让大家都更能干了，但反而更需要有经验的人来兜底。更进一步说，这说明组织里还缺一层东西：你应该先把"基础问题"交给一个搭得很好的 agent 系统，而不是全都甩给专业团队人工收拾。比如有些大模型公司内部，已经有那种连接数据仓库的数据科学 bot。全公司任何人都能去问它问题，但这个 bot 背后有团队在维护：它知道谁有什么权限、它知道哪些表能看、它知道哪些问题容易答错、它不断被校正。这样一来，很多基础查询都被过滤掉了。数据科学家就不用每天被各种低价值问题淹没，而可以把精力放到真正更深、更难的问题上。所以这不是说"工作变烂了"，而是组织需要补一层新的系统设计。

主持人： 我突然想到一个问题。工程、产品、设计、数据、客服、营销，几乎都在被明显改变。那你觉得，今天哪类产品/技术岗位变化最小？

Dan： 一个有点反直觉的答案是：CEO，或者投资人。不是说他们真的不该变，而是现在他们"可以暂时不变"。也就是很多公司高层到今天还可以不用这些工具，表面上工作方式似乎没太多变化。但我的实际经验正好相反：一家公司能在 AI 上走多远，基本上取决于 CEO 自己走多远。这件事不能完全委派。如果 CEO 自己没有把手伸进去，他就不会形成直觉，也不可能真正推动组织变革。所以我不是说 CEO 不会变，而是说：今天很多 CEO 还侥幸维持着旧工作方式，但这个窗口不会一直存在。如果说现在哪类职能变化相对没那么大，我反而可能会投销售一票。因为销售最核心的那部分——理解客户、推进关系、谈成单子——短期内并没有被根本改写。当然，销售的 top of funnel 已经在被 AI 帮很多了，比如找线索、做资格判断、做研究。我自己就有过很典型的体验：我们当时在招一个学习与发展方向的人，我脑子里闪过一个判断：以前 General Assembly 这种做技术教育的地方，可能会有很适合我们的人。我就把这个想法扔给 Codex，然后去干别的事。它过会儿回来，真的找到一个几乎完美匹配的人——在 General Assembly 做过讲师、非常接受 AI、还关注我。我就直接给他发私信，后来还一起吃了饭。这种事以前会花非常长时间，现在变得特别快。所以销售、招聘这些工作确实已经被 AI 辅助很多，但岗位的核心形态暂时还没完全重写。

主持人： 对，这也是我脑海里最先冒出来的答案。销售前端的筛选、找人、调研被增强了，但销售本身的主工作流还没完全变样。

Dan： 没错。倒是客服已经被改得很厉害了。

主持人： 那我再试着总结一下这一组的预测，就是关于工作形态会怎么变。我目前听到的是：第一，工作中会有大量时间花在审核别人的产出上。第二，会有很多类似于'babysitting AI agent'的工作——部署时盯着它做对的事，然后持续gardening，确保它们继续正常工作。在进入第三组之前，还有什么要补充的吗？

Dan： 我会稍微修正一下。我不太喜欢把它说成"babysitting"。因为那听起来像是你只是在等它犯错，然后擦屁股。更准确地说，未来很多 forward deployed 团队做的是：给组织搭一个系统，让原本没那么多专业知识的人，也能安全地完成原来偏技术的工作。这其实是一个非常有意思的工程问题。不是单纯守着 agent，而是在设计一个"能力分发系统"。这样一来，那些真正的专业人，比如高级数据科学家、高级工程师，就可以腾出手来去处理更深的问题，而不是每天被浅层请求和低质量输出拖住。

6.Dan 预测：我们会读越来越多 AI 写的文字，而且会很喜欢

Dan： 还有一个我很确定会发生的变化：我们会读越来越多 AI 生成的文档、邮件、说明，而且我们会喜欢。其实 coding 场景里大家已经习惯了。没有人会认真要求工程师手写每一份 plan document。那样反而很荒谬。我觉得这个逻辑会扩展到别的文本场景。比如 2025 年底，我们做 Every 的季度规划时，基本上就是用 Notion 的 agent 跑完的。当时有一个公司层战略，再让公司里每个人和一个 agent 交谈。agent 会问：去年发生了什么、目标完成得如何、今年想做什么、核心指标是什么、这些目标怎么和公司大方向对齐。它还会追问、会 push back。最后我拿到的是一批质量很高的、AI 生成的团队计划文档。接下来我可以做的就不是"帮大家润色句子"，而是看：哪些团队其实需要互相协同，但他们自己还没意识到、哪些计划质量高、哪些计划思路有问题。也就是说，AI 帮我把"材料"整理好了，我就能把精力放在真正需要判断的地方。我现在经常收到 AI 生成的文档。而我觉得判断它是不是"slop"，标准很简单：写它的人，花的时间有没有至少配得上我读它的时间？他是不是对每一句话都真正负责？如果你发给我一份 AI 生成的文档，但你自己根本不清楚里面写了什么，那当然不行。但如果你是认真用 AI 把它打磨出来，并且真的站得住，那我完全不反感。同样的情况也发生在邮件里。

我现在很多邮件都是 GPT 5.5 或 Codex 帮我写的。说实话，我甚至希望未来它能更明确地标出来"这封邮件是 GPT 5.5 协助写的"，因为我并不觉得这是什么值得藏着的事。我前几天就碰到过一个例子：我让 Codex 给一个投资人发邮件，本来它通常会先让我过目一下，但那次没有，直接发了。我立刻吓了一跳，赶紧去已发送里看。结果看完之后我发现："这封邮件完全就是我自己会发出去的版本。"它当然偶尔还是会有点过于正式，但大多数邮件其实本来就很程式化。我仍然希望自己决定"要说什么"，但很多时候，具体怎么把句子写出来，并不是最重要的。这话从我嘴里说出来也许有点奇怪，因为我本来就是写作者，我非常在乎写作，也认为人类写作极其重要。Every 发表的内容里，也确实有人类独立写作的内容；也有一部分是人类和 AI 共写的，我们都会标注。我不是在说"人类写作不重要"，我是在说：人们对 AI 写作天然排斥，这种排斥很大程度上是情绪性的，而且会逐渐减弱。因为如果你导得好，GPT 5.5 写出来的一份策略文档，常常比很多人自己慢慢敲出来的版本更好。不是因为 AI 超神，而是因为——老实说，很多人本来就不擅长写文档。

主持人： 这个角度很有意思。很多人一提 AI 写作，想到的是社交媒体内容、视频脚本、公开内容；但你说的更多是内部文档、规划、邮件、说明，这种场景的接受门槛确实低得多，而且其实大家已经在用了。

Dan： 对，而且公开内容也不是完全不行。比如我们做很多 guide，本身就是给人和 agent 一起读的。因为如果你写了一个非常长的信息型内容，让 agent 把它 ingest 进去，下次你做相关决策时，agent 就能提醒你、带着你一起调用这些信息。agent 的阅读能力非常强，几千几万页它都能很快扫掉。所以你可以把"故事、判断、核心观点"写给人，把大量细节交给 agent 去记忆和调用。

7.谁会在这个 AI 时代里混得最好？

主持人： 好，进入最后一组：未来一两年，哪些人会最吃到红利？普通人该培养什么，才更容易留在这轮变化里？

Dan： 我对两个角色非常非常乐观。第一类：PM；第二类：full-stack designer（全栈设计师）。先说 PM。我们内部有个特别典型的例子。有位同事叫 Marcus，负责 Spiral——我们做的写作产品。他本来就是 PM 出身，之前在 Axios 负责过写作产品，有过很成熟的产品经历，做到了几千万美元 ARR 级别。后来他离开那份工作，花了一年时间把自己彻底"AI 化"，学会非常熟练地用 Cursor。现在他可能更多用 Claude Code，但在很长一段时间里，他几乎就是 Cursor 的超级用户。如果按传统标准看，他不算"工程师"。他是那种"轻度技术型 PM"——知道数据库迁移是什么，必要时能看懂代码，但你以前绝不可能把他招来做今天这类工作。但现在模型强到一个程度以后，他把自己本来就很尖锐的产品判断、写作感觉、用户理解，和一点点技术理解结合起来，形成的威力非常惊人。他做东西的速度比团队里很多人都快。而且他对用户极度敏感：每一次用户对话、每一个信号，他都能抓住，然后把它们整合成一个关于"接下来该做什么"的故事。关键是，他现在不再需要先组织一整个团队来落地这些想法。他可以先自己做出来。所以我对 PM 很乐观。尤其是那些愿意真的"AI 化"的 PM，我觉得会非常强。

主持人： 这真是我们这档节目听众最爱听的内容了。我其实也一直在说，未来真正关键的，不是"会不会建"，而是：你知不知道该建什么、你能不能判断它好不好、你能不能识别真正值得解决的问题。如果构建的门槛被压低了，那这些能力就会被进一步放大。

Dan： 对，我完全同意。第二类我非常看好的是全栈设计师。因为设计师天生就会不断遇到一种挫败感："我知道这个交互应该更好，我知道这个细节应该怎么做，但工程师不愿意做，或者最后做出来和我想的不一样。"而现在，如果设计师天天泡在这些工具里，他会突然感觉：我终于能自己把很多东西做出来了。我们内部、以及我们合作的外部团队里，都已经看到很多这样的设计师。他们本来就有一堆关于体验、交互、美感的想法，而 AI 正好让他们具备了落地能力。更重要的是：恰恰是设计这件事，最难被"默认 AI 风格"做好。因为现在很多 vibe coded 出来的东西，全都长得很像。你一眼就能看出来那股"AI 味"，很平，很同质。但真正厉害的设计师能让东西看起来完全不一样。而当他们不仅能设计，还能自己推动实现时，他们就会变成非常强的生产者，甚至很有机会直接出来创业。因为他们终于不只是"提设计稿的人"，而是能直接把体验做成产品的人。

主持人： 我太同意了。虽然现在也有很多 AI 设计工具，但你一看就知道哪些是"套模板"的产物。未来越多人用同样的模型，真正的创意和审美反而越值钱。有意思的是，我自己会看招聘市场的数据，设计岗位最近几年其实没有明显增长。所以我很好奇，接下来会不会真的出现你说的这波反弹。

Dan： 这点很有意思，我们可以继续观察。

8.AI 就业末日不会发生，但岗位一定会重组

主持人： 所以你整体上并不相信"AI 就业末日"？

Dan： 对，我不相信。当然，组织重组一定会发生，而且已经在发生。有些公司会裁员，也会把原因归到 AI 上。但很多时候，更真实的背景可能是：之前招人太多、业务没达到预期、AI 只是顺手给了一个说法。所以我对那种"马上会大规模失业"的叙事，并不买账。我看到的更像是：每次新模型出来，它会把"昨天的人类能力"变便宜。什么意思？模型是吃已有数据长大的。它把人类已经做过的、已经积累出来的能力，变成一种可以廉价调度的资源。于是突然之间，人人都能做 landing page、人人都能写点内容、人人都能出方案。结果就是，那些能力迅速商品化。因为大家都在用差不多的模型，默认输出也都越来越像。于是它们就不值钱了。

但人类接下来会做什么？人类会说："既然这些旧能力已经被压到很便宜，那我现在怎么拿它去做新的东西、做更具体的东西、做只有我这个场景才需要的东西？"而模型公司又会继续把这些新东西吸收进去，变成下一轮"冻结的人类能力"。然后人类再往前走一步。所以在结构上，我觉得人类总会继续往前顶出一层新的价值。这也是为什么，我不相信 jobs 会一下子消失。比如工程师。现在看起来"人人都能写点代码"，但这并不意味着工程师会被裁没。恰恰相反，很多公司反而更需要工程师来判断：哪些代码是真有价值的、哪些只是 slop、怎样把这些新产能纳入整体系统。这类价值，benchmark 上升本身并不能完全体现。

9.别怕被替代，去把模型"骑起来"

主持人： 不过你这个判断也可能让人太安心。听上去好像"工作不会消失，所以没事了"。但实际上，人还是得改变工作方式，才能留下来。如果让你给大家一句最直接的建议：想不被淘汰，应该做什么？

Dan： 一句话：ride the models。骑着模型往前走。我的意思是：无论你做什么工作，都要学会把模型变成你的工作延伸。我们前面已经讲了，Codex、Cowork 这类环境会越来越像新的工作操作系统。如果你现在就开始真的在里面工作、用新模型处理真实任务，那你其实已经在"站上未来"了。相反，如果你的反应只是"我很怕""我先尽量不碰"，这当然很人性，也很合理，但它会让你逐渐落后。而且"骑模型"不是一个固定动作，不是说学会某个 prompt 就结束了。因为模型本身一直在变。我自己面对新模型时，最常做的一件事就是：turn over rocks——重新翻石头。很多事情之前做不到，我不会因此断定它永远做不到。新模型一出来，我就会重新试：这个现在能不能做了？那个现在是不是行了？比如我的高级工程师 benchmark，之前不行，现在一下到了 60 分。所以关键不是守着旧判断，而是不断重新测试边界。我给普通人的建议其实很简单：对新模型保持玩心和好奇、拿你自己的真实工作场景去试、别只为了 FOMO 去碰 AI、去找那个"哇，原来它还能这样帮我"的瞬间。只要你持续这样做，很难完全被甩下去。

主持人： 如果具体一点呢？比如一个在 Salesforce 做 PM 的人，怎样算是在"骑模型"？

Dan： 我觉得先决条件反而经常是：你所在公司得允许你碰最好的模型。很多大公司其实会把员工"保护"得太严，导致他们根本接触不到最前沿的能力。那种情况下，你可能得用业余时间自己试。但方法上，我最推荐的是：play。去玩。每次有新模型出来，我都会拿自己最关心的问题再试一遍。可能它上次不行，这次就突然行了。"骑模型"不是固定清单，而是一种使用习惯：不断把新模型应用到你真正在乎的事情上，然后观察它哪里开始可用了。我甚至觉得，AI 的前沿不一定在旧金山。很多人会以为最懂 AI 的地方一定是模型公司总部所在的城市。

但我越来越相信：AI 的前沿，发生在 AI 遇到一个真实人类问题的地方。旧金山的人当然在造模型，但他们不可能知道所有行业、所有工作、所有具体生活问题怎么和模型发生化学反应。真正的前沿，是每个具体的人把模型压进自己的工作流时，那些新用法第一次被发现的瞬间。所以每次新模型出来，其实你都有机会成为"世界上最早发现这个模型在某个场景里很有用的人"之一。我们在布鲁克林，不在旧金山。但我真的觉得，我们某些地方比很多旧金山的人走得更前，不是因为我们更会造模型，而是因为我们什么都拿它来试。只要你持续这么做，就很难输。

主持人： 这确实是 AI 最神奇的一点：不管你多有钱还是没多少钱，只要你付得起订阅，你就能立刻碰到世界上最强的一线模型。除了 OpenAI、Anthropic 内部的人可能能早几步之外，其他人得到它的时间几乎差不多。

Dan： 对。如果 AI 是 IBM 发明的，事情绝对不会是这样。它可能会贵得离谱，只给少数大公司用，而且用法还很无聊。而现在的 AI 诞生在一个很强调"把智能做到极致便宜"的硅谷文化里。这不是默认状态，所以我觉得这件事本身非常珍贵。

主持人： 如果我把今天的讨论拉高一点看，会觉得很有意思：一方面，好像很多基础秩序并没变——SaaS 还在，工作没消失，大家还在发邮件，还在 Slack 上沟通。但另一方面，每个岗位的实际工作方式又都在变——工程师不再只是写代码，PM 不再只是写 PRD，设计师也不再只是出稿。这是一种很奇怪的"既巨变又连续"的状态。

Dan： 对，这也是我现在最强烈的感受。一方面，我真的对 AI 非常兴奋，觉得很多东西都已经彻底不同了。另一方面，也确实有很多底层结构不会突然蒸发，这可能反而是好事。我有个比喻：我们对未来的直觉，很像中世纪的人站在世界边缘，猜地平线外面是什么。有人说那里有怪兽，有人说那里会掉下去，也有人说那边一定是乌托邦。但真正走过去之后，你会发现：有些地方很酷，有些地方没那么酷，然后地平线还在那里。未来不是突然坠入虚无，而是抵达下一个复杂的现实。所以我一直觉得，在你真的把手伸进去之前，不要太相信脑子里那些特别完整、特别极端的故事。真正进入以后，你会发现它往往同时包含：很激进的变化、很顽固的连续性、很多中间态、很多人类仍然在场的部分。一部分原因是 AI 公司非常擅长用"未来可能发生的危险"吓唬我们。我觉得这正在转变——他们开始意识到我们或许不应该把每个人都吓傻。那种 PR 策略我完全不理解。我觉得他们确实是真心的，但效果极差，而且我觉得也是错的。

主持人： 那我们收束一下吧。如果让你给听众几条接下来一年最重要的建议，你会说什么？

Dan： 首先还是那句：ride the models。其次，我会建议你把你现在的工作流，一条条拿去试 Codex、Cowork、Claude Code，看哪些已经能跑了。如果你公司不允许，就自己在下班后试。也可以去试试各种 agent 产品——更技术一点的像 OpenClaw、Hermes；更偏非技术用户的，也有像 Victor、OnePlusOne 这样的产品。你要做的其实不是"系统学习 AI"，而是：让自己对这两种新工作方式都变得舒服。一种是跟公司级 agent 对话；一种是在个人 AI 工作台里完成工作。还有一点我特别想说：别总是带着"我不学就会失业"的焦虑去接近 AI。这种心态当然真实，但它不是最容易带来好结果的方式。最好的方式其实是：找到一点乐趣。我记得我们之前请过 Naval，他说得特别好：你得先找到那个"AI 带来的快乐瞬间"。一旦你真的经历过一次："天哪，这件事它居然能帮我做成"，你就会自然想继续探索下去。所以如果你现在还没到那个状态，那就继续试，继续找。去找你生活里、工作里真正困扰你的一个问题，看 AI 能不能帮你解掉。去 Lovable、去 Replit、去 Claude Code、去 Codex，随便挑一个入口，把一件真实事情做起来。很多人第一次真正上瘾，就是在那个时刻——"我靠，这也行？"

主持人： 这点我也特别有感。你不是先学会了 AI，才开始喜欢它；而是你先在一个具体问题上感受到它有用，之后才会真正深入。

Dan： 对，就是这样。

主持人： 我们最后来个 lightning round。先问第一个：你最常推荐给别人的两三本书是什么？

Dan： 首先肯定是 Annie Dillard。Every 的每个新同事入职都会收到一本《The Writing Life》，尤其是最后一章，我觉得非常厉害。它写的是写作、技术、未来、时间之间的关系，几乎把 Every 的精神浓缩在了一章里。最近我还特别喜欢 Winston Churchill 写的二战史。他的写法很特别，因为它既是历史，也是回忆录。那种"边做事边写作"的状态，我觉得和我们在 Every 做的事情有某种相通。还有一本是《The Rigor of Angels》，最近我刚看完。它把海森堡、博尔赫斯和康德放在一条思想线上去写，非常迷人。最近我在看很多量子物理相关内容，我发现 AI 在这个领域特别好用。

主持人： 我最近沉迷的是《The Power Broker》，长得离谱，但非常上头。

主持人： 最近喜欢的电影或剧呢？如果你还有时间看这些的话。

Dan： 我最近看篮球比较多，今年突然成了 Knicks 球迷。如果说内容的话，我最近看了一个纪录片/迷你剧，叫《The Dark Wizard》，讲 Dean Potter——你可以把他理解成 Alex Honnold 之前的 Alex Honnold。他那种极限人格特别迷人，后来又去玩翼装飞行。这个片子在研究他的心理、他的命运，我很喜欢这种题材。还有一个类似的是《100 Foot Wave》，讲大浪冲浪者。我觉得这种内容总让我想到创业者。

主持人： 最近发现并特别喜欢的产品？

Dan： Codex。真的只能是 Codex。我们之前参加 Anthropic 的活动，我甚至在现场跟 Claude Code 团队的人说："你们得去试试 Codex。"因为它现在真的很好，尤其是配合内置浏览器去做邮件、查分析、处理各种真实工作时，已经完全改变了我的工作方式。当然，这是一场长期赛跑，Anthropic 当然能追上，我也相信他们会继续追。但至少此刻，OpenAI 有点拿回"天命"的感觉了。而且我也不是"站队"。之前 Claude Code 是我最爱用的，我也大声说了。现在是 Codex，我也照说。以后谁更好，我就继续换。

主持人： 你最常回想的一句人生信条？

Dan： 有几句。我大学时给自己写过一句：Do things worth writing about, and write things worth reading. 做值得写的事，写值得读的东西。还有一句来自 Ram Dass。他说，人面对困难时，最重要的是：从"spaciousness and strength"的位置去面对它。也就是一种"宽阔感和力量感"。我觉得这个很重要。因为很多关于困难的叙事，都太强调硬扛、咬牙、顶住。那当然有时候也有效，但很多时候，尤其当你面对的是像"AI 会不会改变我的工作"这种带有巨大不确定性的事时，如果你能先让自己站到一个更宽、更稳的位置上，反而更容易做出真正有效的应对。

主持人： 最后一个问题：如果让你再点名一个"目前仍然被低估的 AI 工具"，你会说什么？

Dan： 我知道这个答案听起来有点无聊，但我还是得说：Codex。如果我为了显得更有新意，故意不说它，反而是在误导大家。因为它现在真的已经非常好，尤其是你把它用在广义知识工作上，而不只是 coding 上的时候。