0910 | 从拍卖屁股到驯服AI代理:本周发布盘点

茉莉: 大家好，欢迎收听今天的产品日报播客，我是茉莉。

白桦: 我是白桦。今天是照例从过去二十四小时的新发布里挑几件值得聊的事，不按热度排，按问题是否真实、方案是否有辨识度来挑。今天的故事有一条暗线：有人把广告做成了游戏，有人把工程做成了竞技场，然后有人开始认真回答一个问题——当AI代理越来越多、越跑越快，谁来管它们、谁来给它们踩刹车。

茉莉: 对，而且今天正好能从最不正经的聊到最正经的。先从一个广告网络说起，它的全部广告位，是一条内裤。

白桦: 这个产品叫Ass Auction。规则简单到荒谬：你付五美元或以上，你的logo就上排行榜，排名由你总共花了多少钱决定。别人可以付更多钱把你往下压，而你想爬回来，只需要补差价，不用从头再来。排在前二十二名的logo，会被印在制作者的 boxer 内裤上。

茉莉: 我觉得这里面有几个设计细节比“内裤”这个噱头更有意思。第一，排名从来不是存下来的数字，而是每次都从真实付款重新计算，所以理论上没人能伪造自己的位置。第二，不需要注册账号，贴一个网址或者X handle，用Stripe付款，三十秒就能上榜。第三，被挤下去的时候你会收到邮件通知——注意，这不是惩罚，这是拉你回来再花钱的钩子。

白桦: 对，那个被outbid的邮件本身就是一个再营销渠道。制作者在社区讨论里自己说了，这是从一个玩笑开始的：品牌为注意力付这么多钱，但没人记得住任何东西。所以他想做“最小的广告网络”，一个placement，就是他的裤子。网站首页现在大概二十人在线，一千二百多个访客，还有一个叫Gossip的聊天区——他自己说“它就是你想的那个样子”，大家在那儿围观和起哄。

茉莉: 实际榜上的价格还挺说明问题的。目前第一名到第五名都还是五美元，包括Activepieces、Peeko，还有几个工具类产品，每家已经带来了十几到三十多个点击。也就是说现阶段五美元就能当“第一”。而网站自己写的规则第三条非常诚实：“钱永不退款，这就是全部商业模式，现在它也印在裤子上了。”

白桦: 我觉得它值得放在今天日报里的原因，不是因为它搞笑，而是它把广告竞价的核心机制——排名、加价、被替代的威胁——压缩到了最赤裸的形式。传统广告网络用算法决定谁能被看见，这里直接用现金投票，而且每一次变动都会通知你。它甚至还有个小彩蛋：把裤子拉下来的话有个小奖励，制作者说“我不再多说了”。

茉莉: 还有一条社区评论很有代表性，有人说这是他见过最好笑的发布，另一条就俩字：“roi是真的”。当然这些是社区的态度，不是业绩证明。但从同一个玩笑式的思路出发，我们跳到第二个产品，它把“内容即社区”这件事玩得更深——把任何一张图片变成一个可以点击探索的冒险世界。

白桦: 这个叫diiverge。玩法是这样：你从一张照片、画作或截图开始，场景里有发光的点标记可以互动的东西，你点它，选择会发生什么，然后AI生成下一个场景，而且两个画面之间的那一刻会被渲染成一小段短片。你可以继续走，也可以回头试另一条路，地图会显示所有已经走过的分支。

茉莉: 技术上它是四个模型的接力，这个在FAQ里写得很清楚：分割模型把画面里的东西抠出来变成可点击的，视觉模型判断每个东西是什么、可能会发生什么，图像模型画出事件之后的新画面，视频模型把两个画面之间的瞬间渲染成影片，还有一个裁判模型读到目前为止的故事，把破坏连贯性的选项剪掉。

白桦: 更有意思的是它的持久性。你走过的每一条路都保存下来，下一个访客可以走一样的路径，分享链接直接落在具体某个场景上。现在公开的系列里，一个叫The Crystal Pass的世界五天开了两千八百多个场景，更早的The Lantern Cove三千多个场景。玩是免费的，但生成新场景要花真金白银，所以每个卷有固定数量的免费场景额度，用完就停止生长——赞助者可以加，从二十五美元起，大约一块钱美元加两个场景，赞助者的名字会出现在画框上。

茉莉: 想自己做的话有studio，上传图片、按包买场景、私享直到你分享链接。社区里有条评论我觉得提得很聪明：有人说你可以直接显示“还有多少条分支没人走过”，因为“未探索数”比“开始玩”更能促使人点击，反正路径数据都存着。另一位评论者问的是更根本的问题：同一个游玩过程里，它记不记得之前的选择，还是每个场景独立生成？这个在源材料里没有答案，算是开放问题。

白桦: 好，从“图变世界”再进一步，就是“模拟器变竞技场”。第三个产品叫DuckFightClub，一句话概括：WWE摔角，但选手是可爱的小机器人，而你训练的不是机器人，是它的脑子。

茉莉: 背景是Hugging Face和Pollen Robotics发布了MicroDuck这个二十五厘米的开源双足机器人，几天就预售了一万多台。关键是他们没有只收钱等发货，而是同步发布了模拟器和完整训练环境。于是有人——这个项目的发起者——看到有人训练虚拟鸭子跳街舞、跳天鹅舞，还看到一个叫JP的人训练模型让机器人互相打相扑，就把这个变成了八支队伍的比赛。

白桦: 规则很清楚：每场都在模拟器里跑，三局两胜，一比一则加赛；把对方逼出圈、绊倒或者推出圆环就算赢一局。八支队伍没有轮空，四个四分之一决赛、两场半决赛、一场决赛，冠军拿Golden Beak Belt——一个“荒谬而光荣”的模拟摔角金腰带。政策必须在赛前冻结提交，保证直播比赛可复现。时间是十月初主赛直播，日程从九月九号报名开始，中间有公开练习赛、政策冻结、对阵揭晓，还有一张斯坦福对伯克利的外卡。

茉莉: 它甚至有商业模式：赞助位可以拖动旋转的虚拟竞技场选位置，垫子中央从两千美元起，围裙板每块五百，背景墙整块一万五起。还有本地分会的格式——巴黎已经确定十二月办，叫"Prise de bec"，巴塞罗那在筹备，任何人都可以申请在自己城市办。等真机器人发货的时候，他们说要转到现实里打。

白桦: 社区反应里我特别留意一条，有人直接指出逻辑矛盾：“直播一场第一条规则是‘不许谈论它’的比赛，这是对原著的大胆解读。”还有人认真问了竞技层面的问题：每届比赛策略是从零训练，还是可以跨赛季继承和微调？这个也没有答案。但我觉得这个产品和前两个放在一起，共同点就出来了：技术产品本身不构成内容，社区怎么玩它才构成内容。广告位是社区在竞价，故事世界是访客在开拓，摔角比赛是队伍在训练。

茉莉: 那我们从玩，切到正经的工程问题。刚才那些产品都是单个的、慢节奏的东西。但如果一个人同时跑十五个AI编码代理呢？

白桦: 这就是49agents IDE要解决的问题。创始人说他自己曾经同时管理最多十五个命令行代理，跨多个仓库和任务，然后被“上下文疲劳”折磨——永远记不住哪个终端在干什么。传统的网格分屏管理器让他觉得受限，所以他做了这个：一个无限二维画布，你所有的代理、终端、仓库和机器都作为你亲手摆放的对象活在一张地图上。

茉莉: 背后的逻辑他解释得挺认真：把东西放在自由画布上时，大脑会不自觉地把每个面板的位置和邻居关联起来，也关联到任务和项目本身。他说自己不是神经生物学家，但据他查的资料，这正是大脑记忆信息的方式——相对于周围的东西来记。社区里有个评论者说得很生动：他以前的循环是Claude写代码、cmd-tab、打开lazygit检查、cmd-tab回来、告诉Claude它幻觉了一个API、再cmd-tab检查——他形容自己“在娱乐性地进行上下文切换”。而现在他可以把git diff直接摆在Claude旁边，永远放着。

白桦: 另一条评论也很到位：并行跑八個以上的Claude或Codex会话后，每个标签页的标题都变得“语义上无用”，而空间布局反而更能编码“这个进程是为了什么”。功能上它不止是画布：面板在Claude工作时发蓝光，需要你授权时变成朱红色脉冲；可以连接你拥有的多台机器直接在上面开终端，每台有CPU和内存的实时显示；可以放进私有网络然后从任何设备访问，包括手机。自托管不需要账号，本地开在一千零七十一端口，需要Node 18以上、tmux和ttyd，也有托管版。个人免费，企业版是BSL 1.1协议，谈商业共享画布和协作模式。

茉莉: 不过社区也有清醒的质疑。有人问核心问题：几十个活跃代理时画布会不会挤爆？一位评论者说他用过的每个空间工具在三十个对象左右都会崩溃，活下来的那些靠“衰减”而非缩放——一周没动的东西自己缩小，地图不用打理也保持可读。还有人质疑这到底是消除疲劳还是转移疲劳：十五个以上并发时，在二维地图上平移缩放找那个卡住的，本身就是另一种累。还有人吐槽希望把CPU内存那些遥测关掉，因为“我的终端管理器不需要cosplay成Grafana”。这些都是真实的声音，不是定论。

白桦: 从一个人的画布，我们放大到一支团队的整个交付流程。Mastra Factory做的事情用一句话说：从issue到生产，全部由代理来跑。

茉莉: Mastra本来是一个TypeScript的AI代理框架，YC W25的公司。Factory是他们开源的代理驱动软件交付环境：连接GitHub、Linear和Slack，定义工作如何流转的规则，然后代理负责分诊issue、写代码和验证、发布变更、更新文档、监控生产。流程是明确的六个阶段：接收、分诊、规划、构建、评审、完成，每个阶段有门禁，让变更是可测量、可回滚的。

白桦: 关于它到底有没有用，最有说服力的说法是他们自己的——注意，是他们的说法——Factory已经在写他们自己超过25%的pull request；社区里一位团队成员说它写了30%的PR并关闭了60%的issue。而且这是个很meta的循环：他们用Mastra框架构建了Factory，现在用Factory来构建Mastra。团队还强调协作价值：编码代理的会话从个人机器上挪到了共享环境里，你能看到队友怎么“驾驶”他们的代理并从中学习；在Slack里@一下factory就能处理那些容易被遗忘的一次性任务。

茉莉: 社区评论里有一条对这类工具的分类我觉得值得复述：有的工厂工具易用但难以塑造，最后沦为高级修bug器；有的强大但难配置，采用率很低。这位用户认为Factory打中了“好设置又好定制”的中间点。当然也有认真的问题，比如同一个代理服务多个用户时记忆怎么表现、上下文是无限存还是会被裁剪。定价上是Starter免费含十万可观测性事件和24 CPU小时，Teams每月250美元起，企业版谈。部署上服务器、UI和Studio都可以本地跑，之后再deploy。

白桦: 然后是第三个在这个主题上的产品：Type。它的论点是——赢得AI竞争的团队不是拥有最多代理的团队，而是最好的AI工作对全队可见的团队，因为只有可见才能复利。它是个云端的多人工作区，把会话、集成、技能、自动化、甚至团队一起构建的完整应用放在一个大家都能看到的地方。

茉莉: 创始人是Fletcher，背景很有分量：之前做的Halp，Slack投过资、OpenAI是客户，最后被Atlassian收购，他们在聊天语境下的团队协作上沉浸了十年。社区里一位用户试用后留评说，“随工作越变越聪明的公司大脑”这个框架是对的，因为今天大多数团队AI工具每个会话都重置上下文。也有人问了一个很实际的问题：两个人同时在同一条线程或技能上构建时，怎么处理冲突编辑？以及最直接的——是不是可以把整个公司的知识传上去然后和LLM及队友一起聊。这反映的是大家还在理解这类产品到底是什么形态。

白桦: 好，代理多了要画布、要工厂、要共享大脑——但跑得越快，越需要刹车。接下来这两个产品代表的是“给AI上安全带和方向盘”的基础设施层。

茉莉: 先说刹车：Harden，全称Agentic Integrity Foundation，AIF。它是个免费的本地安全工具，核心是一个经过后训练的80亿参数模型，在代理的每次工具调用执行之前做检查，用的是当前请求和会话上下文。团队声称它在关键代理安全基准上超过了前沿模型——这是他们的说法。因为本地运行，你的仓库、上下文和工具输出不出你的机器。

白桦: 创始人Pushpak描述的场景每个用代理的人都熟悉：最好的日子是你交出真实的任务、走开、回来看见做完了；最糟的日子是你不敢走，坐在那儿像紧张的父母一样批准每条命令。而 babysitting 限制了你能交出去多少工作。所以AIF的逻辑是：动作在你给的任务之内，代理继续跑；要泄密、要把数据发到不该发的地方、要删表？AIF暂停、重写或拦截那一个动作，代理带着其余工作继续前进。

茉莉: 一个具体的案例故事他们讲得很好：一个代理在调试Stripe问题，花几小时读日志、改代码、跑测试、准备诊断数据，但之前一次编辑不小心把客户邮箱留在了最终文件里，代理后来试图把这个文件上传到Datadog。AIF把上传和之前产生这个文件的编辑联系了起来，拦下了传输，并告诉代理需要修什么。上线几天他们说自己已经拦截了49次风险工具调用。兼容性上覆盖Claude Code、Cursor、Codex、Hermes、OpenClaw、Kiro、Antigravity。安装号称一分钟。

白桦: 社区的提问质量很高。有人问：那些“不算明显危险、但明显超出原始任务意图”的动作怎么处理？有人问它是看整个会话还是主要看当前请求？本地模型每个工具调用加多少延迟？还有人问得更深：当工具要运行一个脚本时，会不会检查脚本内容本身，策略是在工具调用层级还是更下面几层？这些在源材料里都没有展开答案，都是真实存在的开放问题。

茉莉: 如果Harden是刹车，GoModel就是方向盘加仪表盘。它是一个Go写的开源AI网关，自称“开源版OpenRouter”，也是LiteLLM的自托管替代。创始人是华沙的独立开发者Jakub，故事很直白：去年十月他需要AI网关，看到LiteLLM有五百多个无法解释的生产issue，而且认为Python根本不适合写代理类软件，于是自己用Go写了一个，从去年十二月起全职做。

白桦: 能力清单相当完整：一个OpenAI兼容API覆盖31家供应商，包括OpenAI、Anthropic、Gemini、Bedrock、Vertex、Azure、Groq、Ollama、vLLM，每个供应商多key轮转；虚拟模型和别名——发布一个稳定名字比如smart-chat，背后换真正的供应商只是改配置；加权轮询的负载均衡和按成本路由；可用性错误自动故障转移，重试加退避加熔断器。还有精确匹配的响应缓存——同样的请求不该付两次全价，演示里一次调用1.9秒花了0.42美元，命中缓存那次0.00美元、38毫秒。

茉莉: 工程形态也值得说：单一二进制，Docker镜像大约20MB，MIT协议，自带管理界面，存储从SQLite起步可以长到Postgres或Mongo，自带审计日志、Prometheus指标、SSE流式。它解决的核心问题列表写得很清楚：换供应商不该是个代码工程；一个路径要缓存、一个要审计、一个要护栏，所以工作流可以按供应商、模型或用户路径设置作用域；还有成本归属——供应商仪表盘只给你一个总数，它按请求和用户路径追踪，能落到团队和功能上；以及事故重建——一次故障转移触发了但没人知道为什么，审计日志和运行时元数据让每个请求可追溯。

白桦: 社区的提问也很专业。有人指出一个真实的架构痛点：他们跑OpenRouter在前、自有供应商key在后，有两个模型根本没有直连key，路由器就是单点故障——自托管之后能不能为每个模型固定一个fallback顺序？还有人问降级但没宕机的供应商怎么办——高延迟而不是硬错误，是等超时阈值还是也看错误率？这些问题指向同一个方向：故障转移的真实行为比功能列表更关键。

茉莉: 有意思的是，这两个产品加上Mastra Factory其实是一层楼的三个房间：Factory管代理怎么干活，Harden管代理不许干什么，GoModel管请求往哪儿走、超支了归谁。它们都不炫技，都在补“并行代理时代”的地基。

白桦: 接下来这个话题是代理从开发者世界走进普通产品和生活——入口之争。先说最大的一个：Muse，Meta的个人AI代理。

茉莉: 定位是“你给它一个目标或日常任务，剩下的它来办”——从财务、健康到购物、到你关心的人。社区讨论里透露的一些事实：Alex Cornell出现在其中，他之前做过Cocoon；一条分析性评论认为这是Meta对ChatGPT和Poke的一次大动作，而且Muse自带自己的消息体验，目前WhatsApp是唯一受支持的消息集成，评论者甚至说Messenger在这个语境下“看起来已死”。

白桦: 但社区最关心的两个问题非常落地。第一个是地域：一排评论都在问EU什么时候能用，有人说“等着Muse进欧洲”。第二个更关键：财务和健康恰恰是我最想要护栏、而不是最不想要护栏的两个类别——当Muse要替你花钱或订东西时，审批流程长什么样？每个动作单独确认，还是做过几次任务之后就获得常设授权？这个没有任何答案，而它可能就是这类产品成败的关键。

茉莉: 从消费者入口转到产品内入口，Frigade Assist API解决的是一个很具体的尴尬：大多数应用内的AI代理回答“这个怎么做”时，只能吐一墙文字，因为它看不见屏幕。

白桦: Frigade的做法是把它变成你现有代理注册的一个工具调用。用户问“怎么做X”时，Frigade直接在你的界面上渲染一个分步指引，指出要点哪里；如果建不了指引，它给代理一段纯文本回答去转述；实在帮不上，它就说帮不上。它还告诉代理用户当前在看什么——所以“这个错误什么意思”里的“这个”才真的有个指代。

茉莉: CTO Christian讲的、也是他最骄傲的部分是它怎么认识你的产品：你给它一个测试账号，Frigade的浏览器代理登录进去，自己建立一张应用如何工作的地图，并且按计划重跑——所以你挪了个按钮、上了新功能，它始终是最新的。这个设计直接命中了“过时的帮助中心”这个根因。技术上它知道你的产品，因为它先被浏览器代理用过了。它配合Vercel AI SDK或任何能调用工具的东西。

白桦: 社区的批评很锋利。有一条我印象深刻：失败模式里最该担心的是“过时的指引”。文字答案过时了你通常能看出来，但一个过时的指针会自信地高亮错误的东西，而用户会照做——所以问题是：它知不知道自己的指引已经漂移了？是每次从DOM实时推导目标，还是存了一个选择器？提问者说这是“完全不同的两个产品”，任何内部做过这个的人十秒内就会问到这个。还有人问得很实际：测试账号看不见的东西怎么办——功能开关、更高套餐的功能，是多账号跑还是接受盲区？这些也都是开放问题。

茉莉: 第三个入口产品是Noodle Seed，它面向SaaS团队，口号是“你的产品进入AI，AI进入你的产品”。开发者用TypeScript定义工作流，先免费本地验证，然后部署到一个受治理的运行时，做成嵌入在你产品里的、带客户品牌的助手，同一套工作流再扩展到ChatGPT、Claude、Codex等MCP客户端。

白桦: 联合创始人Fahd讲了一个很个人的观察：他自己从不买没有MCP连接器的软件了。他原以为所有软件都需要给外部AI提供MCP入口，做着做着发现反方向也成立——可以把AI代理放进软件里，甚至放到任何公开网站上：餐厅在自己的网站上对话式接单，在线旅行社在ChatGPT里接旅行预订，B2B软件直接在员工的Claude里可交易。这些需要的是同一套积木：MCP技能、凭据中介、OAuth、限流。他甚至说整个技术栈针对“用你自己的Claude Code或Codex来构建”做了优化。

茉莉: 运行时那一侧就是治理：身份、权限、密钥、审计、可观测性随运行时一起发货，凭据和密钥留在运行时、永远不进代理；审计事件记录部署、回滚、策略拒绝和操作者动作，但不包含请求体和令牌。产品设计上有个细节挺有意思：让客户在创建账号之前就获得有用的结果，然后带着已审阅的草稿和对话进入你现有的登录流程，最后通过你授权的API完成，产品始终是记录系统。社区的问题则聚焦在“被看见”上：品牌应用今天在ChatGPT里到底有没有真实的自然发现，还是主要靠商家自己导流？以及AI对话到底能不能衡量出合格线索？这也说明“代理作为入口”目前还是个命题，不是定论。

白桦: 从代理的入口，自然过渡到今天的第五个主题：信任与验证。信息越多、生成越容易，“这东西是真的吗”本身就变成了产品。先说招聘。

茉莉: WorkID.ai的创始人Thor在科技招聘行业干了二十五年以上。他的诊断是：过去简历夸大、推荐含糊，但流程大体诚实，可以在对话里澄清；过去两年被AI打破了——申请免费了，“在纸上成为任何人”也免费了。招聘者现在打开的是三百份申请的管道，大部分是生成的，有些来自根本不存在的人。他引用Gartner的预测：到2028年，四分之一的候选人资料将是假的。

白桦: 而他最在意的不是欺诈本身，是对诚实候选人的连带伤害：当招聘者分不清谁是真人，他们就不再仔细阅读，开始粗暴过滤，好人消失在堆里，连拒信都收不到。所以WorkID做的是“简历的反面”：你验证身份和工作经历，公司看到的是已被核查的档案，带有可以搜索和过滤的Trust Score——产品页上展示的样例档案满分100分里95分，一位挪威的高级钻井工程师，从培训生到Equinor的履历每段都标着“已验证”。候选人证明一次，不用在每个流程里从零开始。

茉莉: 但社区直接戳向了要害。有人问：雇佣关系到底怎么验证？另一个人问得更尖锐：截图显示满分100的分数——到底什么在喂这个数字？如果它仍然建立在自我申报的简历数据加上一些交叉核对上，那不是在解决信任问题，只是给同样的自我声明加了个信心标签。这两个问题在源材料里都没有得到回答。而且Thor自己提了一个很诚实的问题问社区：一个已验证的档案，够不够让招聘者跳过第一轮筛选电话？这是他们在请招聘者做的交易，他自己说还不确定界限在哪。这种坦诚在发布文案里不常见。

白桦: 从人的真伪，跳到基因的真伪——更准确地说，是效果的预测。AlphaGenome Atlas是Google DeepMind发布的：预计算了人类基因组所有可能的单字母突变——超过90亿种变体——对分子生物学可能影响的预测，做成一个1PB的数据集，研究者可以免费通过可视化网页界面探索，也有API和Antigravity集成做更深入的研究。

茉莉: 官方新闻稿的表述是“关于基因突变如何影响分子生物学的最全面目录”，发布日期是今年九月八号，由DeepMind的科学副总裁Pushmeet Kohli和基因组计划负责人Žiga Avsec署名。它覆盖编码区和非编码区——而社区里好几个人都特别提到非编码DNA那部分，觉得那里有大量可挖的东西。不少人把它比作“AlphaFold时刻”，觉得这会成为理解遗传变异的重要资源。

白桦: 但有一条社区评论是我今天读到的最清醒的批评之一：所有人都在为“90亿”这个数字惊叹，而他认为这个数字更接近问题本身而非成就——预计算所有可能的单字母变化，意味着其中绝大部分按构造就是噪声；而“决定哪些值得看”恰恰是原本就难的部分。另一位评论者问的是界面层：预计算是难的部分，但有没有计划让输出对非专业人士可读，还是这明确就是给已经会读变异效应分数的研究者用的？你看，这和WorkID面对的是同一个问题：数据或者档案都在那里，筛选、解读、信任的建立才是产品真正要过的关。

茉莉: 还有人问了一些很务实的问题：预测在不同类型突变上的准确率如何？研究者能不能多个突变并排比较、能不能用它做假设生成？探索这个数据集有多快？这些都还悬着。整个主题的共同点我想强调一下：在生成成本趋近于零的时代，验证和筛选不是附加功能，它们本身可以是生意，也可以是科学基础设施。

白桦: 最后一个主题回到“让人一眼看懂”——更快的画面、更清楚的看板。先说AdScope，一个给Meta和Google广告做报告的仪表盘。

茉莉: 创始人Oren做了十五年广告投放，他观察到的是营销人员和业务主之间巨大的断裂：代理公司花几小时手工做报告，而业务主只想知道钱去哪儿了，不想盯着看不懂的表格。AdScope的答案是把这些数据放进一个手机上就能读的仪表盘，而且核心设计是：每一条实际在跑的Meta图片或视频广告，就显示在它自己的花费和成本数据旁边——你认出的是赢家广告，而不是一行叫"final-3-copy"的神秘名字。

白桦: 功能上：两个平台合并成一行总支出和总结果，不用再心算；按平台、按广告系列、按广告一键下钻；只读权限，没有pixel、不用写代码，用现有的Meta和Google账号登录，仪表盘几秒自己建好；还有即时线索访问——看到谁感兴趣，并且回溯到捕捉他们的那条具体广告。它是移动优先的网页应用，不用安装，早上七点在浏览器里看昨天花了多少钱。新用户在onboarding里选择业务类型——电商还是线索生成——主仪表盘自动适配，广告系列层面的指标也会随类型动态调整。

茉莉: 定价是发布价：10天试用，之后9.99美元一个月锁定12个月，相当于原价39.99打了个折；年付99.90。要说明的是它今天只覆盖Meta和Google，TikTok显示即将推出；代理功能——客户工作区、白标报告、客户仪表盘访问——还在设计中，他们在找跑五个以上客户账户的机构做设计伙伴。社区里有两条反馈很实在：一条夸了手机端——他说自己就是“周一早上对着表格加两个开着的标签页眯眼瞎猜的那个人”；另一条是具体的产品批评：首页说“仪表盘建好之前不收卡”，但连接账户之后直接跳到了选套餐的页面，没有先看到一次自己真实数据的快览——他建议哪怕加一张小收据，显示已连接账户、数据新鲜度和一个真实广告系列，让“建好了”三个字有实感。还有评论者提出了那个绕不开的问题：创意挨着指标这个展示方式大平台早就有，那真正的差异化是什么，难道只是同一份Meta和Google数据上更干净的UI？这在源材料里没有得到回答。

白桦: 从看广告的仪表盘，到生成画面的模型。ChatGPT Images 2.5是OpenAI的新一代图像模型，主打三点：更清晰的细节、更快的生成、更精确的编辑。具体的改进声明包括：图像保真度更高、跨编辑更好地保留主体、构图、风格和细节；生成延迟比Images 2.0最高降低50%；多轮编辑更可靠、指令遵循更强。

茉莉: 新功能有几个值得点名的：草图功能，把潦草的画变成完成的图像；模板覆盖海报、传单、周边、产品照这类格式；可以直接在图片上写评论做聚焦修改；提示词可以和图片一起分享。API层面面向创意、营销、零售和媒体的工作流。可用范围是ChatGPT、ChatGPT Work、Codex用户和API开发者。社区里有人代表营销团队说他们大量使用上一代gpt-image-2，对2.5很期待——这是使用者的声音，不是评测。

白桦: 最后一个产品很小但值得一提：Basedash现在支持英语、西班牙语、法语、葡萄牙语四种界面语言。在个人资料设置里选一个语言，整个界面立即切换，不刷新页面、不打断流程，只有你选的语言会加载，仪表盘、聊天、自动化和设置都一起解析成你认识的语言，随时可以切回来。产品团队说他们自己就用它在原位审查翻译后的产品流程——以前换个locale会中断检查，现在同一屏幕点一下就行。这周Product Hunt社区还能多拿一周试用。

茉莉: 社区里有一条评论让我觉得特别值得念给做产品的人听：有人说他同事里有几个人用母语推理更好，只是因为软件逼着他们才用英语——法语支持这件事“早就该来，来得正好”。但另一位指出了局限：界面翻译了，数据没有。列名、枚举值、客户自己的数据行都还是英文，一个西班牙语界面套在英语schema上，可能读起来比纯英语还别扭。还有人问AI生成的图表和摘要——坐标轴标签、生成的总结——会不会也切换语言，还是目前只翻译静态的界面外壳。这些都是真实存在的边界。

白桦: 好，今天从一条印满logo的内裤，一路走到基因组的九十亿种可能，最后落回“让人一眼看懂”。如果你只能带走一句话，我建议是这条：今天所有这些产品——广告网络、鸭子摔角、代理画布、安全刹车、验证档案——本质上都在回答同一个问题，那就是当生成和参与的成本趋近于零，注意力的分配、行动的治理和信任的建立，才是稀缺的东西。

茉莉: 没错。最后照例提醒一句：今天提到的所有数字、性能声明和成果，都来自各家制作者自己的描述或社区留言，属于主张而非独立核实。感兴趣的话自己去试，特别是那几个免费的——Harden对个人开发者免费，AlphaGenome Atlas随便逛，diiverge玩也是免费的，还有那条内裤，五美元就能上榜。我们明天见。

白桦: 明天见。