销售转化率暴涨250%，全靠一个AI智能体包办了研究
本文由 AI 自动整理生成，可能存在错漏，请以原文链接为准。
今天有两个做法最值得对号入座：LangChain团队把销售线索研究交给AI，转化率蹿升250%，每人每月省出40小时；Cursor新出的自动化功能，可以让代码智能体按流程自动跑任务。另外，一家银行把ChatGPT铺给了10万员工，落地思路也能参考。
灵感百宝袋
有人用一句话让AI生成了“拼多多版”《纪元1602》游戏。
红迪上一位玩家做了个实验：只用一条提示词，让AI弄出了一个简化版的城市建造游戏。虽然画面肯定粗糙，但AI能理解“海岸线、殖民地、贸易路线”这些规则，并且搭出一个能点的网页版，这件事本身挺说明问题的。你可以现在就试：打开你常用的AI助手，用一句话描述一个你一直想自己搞的小工具或小游戏——比如“帮我做一个记账工具，能记录每天的支出并分类”。先别管细节，看AI几秒钟能给到什么程度，然后再决定要不要让它在那个基础上加功能。
原文：https://www.reddit.com/r/ClaudeAI/comments/1tuopn2/my_attempt_at_a_1_prompt_temud_game_temu_version
BBVA直接把ChatGPT Enterprise铺给了10万名员工，不是试点，是全公司一起用。
这家西班牙大银行没有走“先让IT部门试试”的老路，而是直接跟OpenAI合作，把AI聊天助手开放给所有员工，从柜员到高管都能用。背后的逻辑是：与其花时间培训，不如让人在日常工作里自己发现怎么用更顺手。回到你自己的团队：如果你们还没开始用AI，可以找一个天天在重复的手工流程——比如整理会议纪要、汇总周报数据——试着用现有工具把它自动化一次，然后拿结果去跟同事说“我昨天省了二十分钟”。小规模先跑通，比写一堆方案有用得多。
原文：https://openai.com/index/bbva
LangChain自己用GTM智能体，线索转化率提了250%，每人每月省出40个小时。
以前他们销售代表每次联系新线索，都得在Salesforce、电话录音、LinkedIn和公司网站之间来回切，光研究就用掉15分钟，还不清楚同事是不是已经联系过。LangChain团队搞了个GTM智能体，新线索一进来，它自动查背景、翻阅会议记录，然后生成一份带推理过程和引用来源的草稿，销售只需要点一下“发送”。结果很实在：从去年12月到今年3月，线索变成合格商机的比率翻了两倍半，总管道金额也涨了三倍，而且销售代表们接低意向线索的跟进量涨了97%，高意向的也涨了18%。
原文：https://blog.langchain.com/how-we-built-langchains-gtm-agent
江湖快报
OpenAI宣布计划收购Ona，Codex将拥有安全持久的云环境。
Ona是一家做安全云环境的公司，这次收购的目的很明确：让Codex能支撑那些需要跑很久、数据不能泄漏的企业级智能体任务。以后智能体写代码时，可以在一个隔离的、持久的环境里持续运行，而不仅仅是“改一下文件就结束”。对正在用Codex的企业开发者来说，这件事值得跟踪，但对普通用户暂时还没有直接影响。可以先标记一下，等具体功能上线再看。
原文：https://openai.com/index/openai-to-acquire-ona
OpenAI模型和Codex现在可以直接在Oracle云上用，企业走现有合同就行。
之前企业如果想合规地用OpenAI，大多得走微软Azure。现在Oracle也打通了，如果你所在的公司已经在Oracle云上有采购承诺，那直接用OpenAI就省去了重新签约的麻烦，安全治理框架也能沿用。说白了这就是多了个选项。如果你公司是Oracle阵营的，可以跟IT部门提一句；如果不是，这个变化对你没啥影响。
原文：https://openai.com/index/openai-on-oracle-cloud
天津投产全球首条百万片级体全息光波导产线，消费级AR眼镜可能真的要便宜了。
今天由尼卡光学建的这条产线正式跑起来了，年产能100万片，核心技术是完全自主的。体全息光波导的好处是镜片薄、不漏光、看着跟普通眼镜差不多，以前成本高、产量低，现在规模化之后，未来AR眼镜的价格和重量都有望被打下来。对普通人的意义是：AI眼镜这类产品，距离“能接受的价格和外形”又近了一步。虽然眼下还没法立刻买到，但方向是明确的。
原文：https://www.ithome.com/0/963/988.htm
Cursor新增Automations功能，现在可以按定时或事件触发让智能体干活。
这个功能支持基于日程、Slack消息、GitHub事件或网络请求来触发一个代码智能体，智能体在云沙箱里用你配置好的工具和模型跑任务，而且还能记住前几次执行的情况，越跑越顺。比如你可以设置每天早上自动检查代码库并生成改动报告，或者当有人提交bug issue时自动搭建复现环境。已经在用Cursor的开发者值得进去看一眼，先从模板里挑一个用起来，感受一下“放手让AI自己跑”是不是能融入你的日常工作流。
原文：https://cursor.com/changelog/03-05-26
贤者视角
Jeremy Howard提出一个AI治理悖论：最强模型持有者应该限制自己使用它。
知名数据科学家和fast.ai联合创始人Jeremy Howard几天前在推特上抛出个说法：如果某个实验室拥有排名第一的模型，那它就不该用这个模型搞前沿AI研究，但所有其他人都应该能自由使用它。按他的逻辑，前沿就不会被自动推进，而且能避免危险的权力失衡。不过他自己也补充了一句：他其实并不主张减缓AI自我改进的节奏，而是觉得应该把它民主化。这段话更像是在点那些呼吁“慢下来”的人——如果你手里有最强工具，自己应该先做表率。
原文：https://simonwillison.net/2026/Jun/10/jeremy-howard
一则讽刺寓言暗指AI行业投资泡沫：钱转了一圈就成了AI收入。
Simon Willison在博客里转引了一段来自Andrew Singleton的黑色幽默文本，讲的是Jenny开火葬场，John的丙烷公司投了她200亿，她把100亿扔进焚化炉，再用另100亿买丙烷来烧掉烧剩下的灰。结果John对外报告说，他的AI投资当季产生了100亿营收，还持有了一家估值千亿公司5%的股份。虽然是个虚构的故事，但它指出了一个让人不安的现象：有些AI基建和投资，可能确实在用左手倒右手的方式把账面数字做大。对我们来说，这条最大的作用是提醒，在听到“某公司AI收入暴涨”的时候，多问一句：这钱是不是来回倒出来的。
原文：https://simonwillison.net/2026/Jun/12/andrew-singleton
Ladybird浏览器不再接受公开代码贡献，因为AI让“提交一大串代码”变得太容易，却没法判断诚意。
这个决定来自Ladybird项目的创始人Andreas Kling。他说以前一个人提交大量代码，意味着背后下了很多苦功，可以等同于有价值的付出。但现在随便用AI就能生成一堆改动，完全看不出提交者是不是真的理解了项目、愿不愿意为引入的问题负责。所以他的态度很明确：以后只有项目内部的人才能引入改动，因为只有他们才能为这些代码进入浏览器后可能出的问题兜底。这个转向虽然极端，但确实反映出开源社区面对AI生成贡献时的一个深层困境——代码可以来得快，但责任没法复制粘贴。
原文：https://simonwillison.net/2026/Jun/5/andreas-kling
开发者补给站
AWS开源Agent-EvalKit，可以系统评估AI智能体的执行路径，而不仅是看最终输出。
很多团队测智能体还是在用老办法：看最终返回的答案对不对。但中间它到底调了什么工具、拿到了什么数据、有没有在数据空白时瞎编，这些都属于水下冰山，输出里看不见。Agent-EvalKit拿到Apache 2.0协议开源，它集成Claude Code等编辑器，让你用自然语言描述评估目标，然后它会跑完六个阶段，包括捕获工具调用和中间态、对比真实答案、评估忠实度和流程合理性。对于正在搭建复杂智能体系统的团队，这个工具能补上“光看表面分”的坑。使用时可以拿一个小场景先跑通评估流程，感受一下中间步骤的透明度，再决定是否要纳入日常开发循环。
原文：https://aws.amazon.com/blogs/machine-learning/evaluate-ai-agents-systematically-with-agent-evalkit
Bugpilot：一键把浏览器报错、页面结构和截图打包成AI可读的Markdown。
如果你在跟Claude或ChatGPT配合写前端代码，最头疼的莫过于怎么把“这个按钮点了没反应”这件事说清楚。Bugpilot这个Chrome扩展就是干这个的：它一次抓取控制台错误、网络请求、DOM状态和截图，然后导出成干净的Markdown，直接塞给AI助手，它就能看懂上下文。这东西完全本地运行，不需要注册，数据不上传，免费版就够日常用。进阶版多了React组件状态和几种优化输出格式，一次性付费28美元。对于经常对着浏览器调试的开发者来说，等于省掉了手动复制大量报错和描述现象的时间。
原文：https://www.producthunt.com/products/bugpilot-browser-bugs-to-ai-markdown
Simon Willison发布asyncinject 0.7，一个异步依赖注入库，还有Claude帮忙修了bug。
这个库是几年前为配合Datasette项目写的，采用pytest夹具风格的异步依赖注入模式。有意思的是，新版里发现的几个bug是Claude Fable 5在帮忙调试Datasette时指出、然后由模型自己修复的——用Willison的话说，这模型“挺主动的”。如果你在用Python写异步工具链，而且厌倦了到处传参数或者手动组装依赖，可以看看这个库的设计思路。就算不用入库，那种“用夹具声明依赖、自动注入”的模式也值得在自家项目里参考。
原文：https://simonwillison.net/2026/Jun/11/asyncinject
好物挖掘机
Bond是一个号称“自己完成自己”的AI待办列表。
简单说就是你在上面记一条“订下周三的会议室”，它自己去找可用时间、发邀请、发确认，你不用再切出去操作。背后的思路是把待办从“备忘录”变成“执行助手”。目前看适合那些重复性高、步骤固定的日常琐事，比如安排会议、订东西、发提醒。如果任务太复杂或者需要你本人做判断，它肯定替不了，但日常那些小破碎时间很可能被省回来。可以试试装一个，先让它帮你安排下一次周会，看看体验如何。
原文：https://www.producthunt.com/products/bond-12
Qursor：指一下屏幕上的任何UI，就能把精准上下文发给AI。
平时跟AI描述一个网页上的问题时，最费劲的就是“你看左边那个蓝色的按钮”这种话说出来AI根本不知道你在讲啥。Qursor允许你直接指向界面上的某个元素，它会抓取元素信息和当前页面状态，原样传给AI助手，AI收到的就不是模糊描述，而是确切的对象。如果你经常需要让AI帮忙分析某个界面、解释某个报错或者指导你操作，这个小工具能把沟通成本砍掉大半。唯一的门槛是它只在你常用的AI工具支持接收这类上下文的场景才有用，装之前可以先确认下你的AI助手能不能消化这些结构化数据。
原文：https://www.producthunt.com/products/qursor
Onpilot提供一套可按你业务定制的“AI员工”。
它不像常见聊天机器人那样得靠你事先写好对话树，而是声称能学习你公司的流程、文档和产品信息，然后直接处理客户咨询、订单追踪、合同检查这类日常工作。听起来像是给中小企业配了个不用睡觉的虚拟专员。风险也很直接：如果业务数据敏感，你得先搞清楚它怎么处理隐私和合规，以及这些“AI员工”在边界不清的对话里会不会乱承诺。适合先拿内部不那么关键的场景试试水，比如新员工常见问答、测试流程，跑顺了再往客户接触面放。