(v) This author is a registered US equity research analyst who is subject to US FINRA Rule 2241 and who may write debt research under FINRA Rule 2242. Please see analyst certifications and important disclosures beginning on page 22. Completed: 24-Sep-25, 22:15 GMT Released: 25-Sep-25, 04:00 GMT Restricted - External SIGNATURE Equity Research 25 September 2025 Equity Strategy Lost My Chain-of-Thought: Could the AI narrative stumble? We remain constructive on AI as an investment theme, but explore some 'what- ...

以下文章来源于算法爱好者 ，作者小蒜 算法爱好者 . 算法是程序员的内功！「算法爱好者」专注分享算法相关文章、工具资源和算法题，帮程序员修炼内 功。 前段时间，Reddit Claude 频道的一个热帖，贴主是个程序员，分享了他对 AI 编程工具的看法。 开发类工作即将迎来大洗牌，但所有人都还没准备好 跟 Claude Code（Max 模式下的 Opus 4）深入接触后，我得说些大实话： △ 它已经能 100% 独立写代码了。不是辅助，不是帮忙，就是纯自己搞定。今年这才刚到年中。 △ "Python 开发""React 开发"这种说法早就过时了。往后我招人，不会看你会什么语言，只看能不能解决问 题：管它用什么技术栈。语言壁垒已经彻底没了。 △ 现在问"我该学哪种编程语言"基本是白问。真正重要的技能是系统设计、架构搭建、DevOps、云计算这些 能区分初级和资深工程师的东西。这些才是核心。 贴主还在末尾号召来其他同行来分享的想法。 网友留言 原贴留言也挺热闹的，摘译几条： brahlame： 作为一名架构师级别的工程师，我听过最精辟的观点是这样的： "我 90% 的技能如今分文不值，而剩下 10% 的价值却翻 ...

昨天刷到了新的 Figma 远程 MCP 服务，进行了一大堆升级，然后又看到 GPT-5 Codex 有 API 了。 GPT-5 Codex 的话因为有了 API 所以常见的 AI IDE 比如 Cursor 等都加上了，选择后直接用就 行。 Figam MCP 这次升级最大的一个更新就是不再需要原来复杂的添加流程和本地 Figma 客户端了。 你不需要管之前咋装，我们直接看现在就行，这里我先按 Cursor 的操作路径介绍一下。 首先我们需要找到 Cursor 的设置，在设置里面找到 MCP 这个 TAB，然后点击"New MCP Serve r"将下面的 Json 代码复制进去保存就行不需要做任何改动。 { "mcpServers": { "figmaRemoteMcp": { "url": "https://mcp.figma.com/mcp" } } } 然后回到设置页面你就会看到多了一个 Figam 的 MCP，右边还有个"Connect"按钮，我们点击， 系统会询问是不是要打开外部网站，你选择打开就行。 于是就都研究了一下，没想到这么顶啊，这个美学表现直接拉满了，下面这是直接给 GPT-5 Co ...

以下文章来源于腾讯云开发者 ，作者余志臻 腾讯云开发者 . 腾讯云官方社区公众号，汇聚技术开发者群体，分享技术干货，打造技术影响力交流社区。 目录 1 引言：一个看似倒退的选择 2 理解状态的本质 3 无状态思想的历史脉络 4 无状态设计的优势 5 现实的权衡 6 AI时代的新思考 当AI编程助手都在比拼谁的索引更智能时，Claude Code选择了每次都实时搜索、不保留任何状态。这个反直觉的设计背后，是对Unix哲学的现代传 承，也是对"什么才是好工具 " 的重新定义。 01 引言：一个看似倒退的选择 最近，Claude Code的技术选择引发了不少讨论。 有观点认为，Claude Code与Gemini放弃代码索引是"一步烂棋 " 。Milvus的技术博客更是直言不讳："Claude Code的grep-only方式会烧掉太多tokens " 。 在HackerNews的讨论中，有开发者质疑："Claude用grep，Cursor用向量搜索——我们是在技术倒退吗？ " 当主流AI编程助手纷纷采用向量索引实现语义搜索时，Claude Code却选择了grep——这个诞生于1973年的命令行工具。它不建立持久 ...

网络与网络效应的力量 图片来源： a16z Z Highlights Chris Dixon 是知名风险投资公司 a16z 的合伙人，他曾是一位成功的企业家（曾创办两家消费者公司），也是早期基金 Founder Collective 的联合创始人，以 其在消费互联网、 Web3 、加密货币和网络效应领域的深刻见解和早期投资（如 Coinbase, Skype, Stack Overflow, Pinterest, Instagram 等）而闻名。本篇文章 由 a16z 团队发表于 2025 年 9 月 10 日，对话 Chris Dixon ，探讨创业者应如何驾驭指数力量，用工具切入并构建网络效应以创造持久价值。 Anish:： 欢迎来到A16Z消费者播客。我非常兴奋和荣幸今天能请到我的合伙人Chris Dixon。Chris，你可能最近因在Web3和网络经济方面的工作而最为人 所知，但大家可能不知道的是，你在Andreessen Horowitz领导了许多最重要的消费者投资，在此之前你还创立过两家消费者公司。我认为从网络开始会是 一个有趣的话题，这似乎是你最初真正崭露头角的地方。也许可以谈谈你对Stack ...

港股科技行情驱动因素 - 2025年一季度港股科技首波行情由DeepSeek技术突破驱动 恒生科技指数涨幅领跑全球主要指数 核心因素包括估值性价比（市盈率TTM处于全球主要科技指数低位及自身历史低位）、估值重构效应（DeepSeek R2模型以低成本实现高性能 推动中国科技资产重新定价）及资金流入加速（外资参与度高 南向资金一季度大幅净买入并转向成长板块）[1][2] - 第二波行情发生于2025年四月中下旬至六月初 主因流动性宽裕 香港金管局5月向银行间同业市场注资近1300亿港元 港元隔夜利率下行 利差走阔 同时南向资金4月净流入超1600亿港元（历史月度第二高） 叠加内地企业集中赴港上市及外围环境边际改善[3] AI产业竞争格局与发展优势 - DeepSeek成功因算法工程创新大幅降低训练成本 实现高性能 其低成本模型推动算力平权 重塑全球AI格局[4] - 国内AI产业竞争优势集中于应用端 包括超大规模市场需求（14亿人口及4亿中等收入群体）、数据优势（2024年底AI企业超4700家 核心产业规模近6000亿元 4年近翻倍）、完整产业链（具身智能及低空经济等领域）及制造业数字化场景优势（电商与移动支付等基础设施全球领先）[5][6] - AI芯片领域相对弱势 但国产替代趋势下涌现优秀企业 如阿里巴巴开发新款AI芯片并建立多元化供应链 确保3800亿元投资计划推进 DeepSeek-V3.1模型适配国产芯片 国内AI大厂加大国产算力支持[7] AI应用商业化进展 - 国务院提出"人工智能+"行动目标 2027年AI与6大领域融合普及率超70% 2030年超90% 2035年步入智能经济阶段[8] - AI应用进入商业化加速阶段 快手及美图等公司AI产品收入快速增长 AI编程成为核心落地场景 如Anysphere的Cursor软件年度经常性收入突破5亿美元[9] - 互联网巨头AI业务表现亮眼 阿里巴巴云收入同比增长26% AI产品收入连续八季度三位数增长 资本支出同比激增220%至386亿元 腾讯季度营收1845亿元（同比增15%） 研发投入200多亿元（同比增17%） 资本开支190多亿元（同比增近120%） 快手可灵AI收入环比增67%至2.5亿元[16][17] 港股与A股AI产业链覆盖差异 - 港股恒生科技指数覆盖AI全产业链（基础层、技术层、应用层） 侧重应用领域 互联网龙头（如阿里、腾讯、百度）具备先发优势 云服务市占率近80% 大模型研发为主力军（通义千问下载量超4亿次）[10][12] - A股侧重AI基础层算力领域（芯片设计、光模块、数据中心） 如寒武纪及中际旭创等标的 但模型层缺失领军企业[10][11] - 港股独有互联网龙头因上市规则（同股不同权）吸引中概股回归 其云服务及大模型环节在A股无对应标的[11][12] 互联网巨头AI角色与增长潜力 - 互联网企业在AI领域为技术引领者 基于资金、数据、场景及工程师优势构建护城河 现金储备充足支持资本开支[14] - AI打开第二增长曲线 通过降本增效（智能推荐系统及AI创作）及新业务机会（云服务与AI驱动产品）提升估值 港股互联网龙头估值显著低于美股七巨头（恒生科技PE-TTM约22倍 纳斯达克指数41.1倍）[15][24] 流动性及资金面对港股科技影响 - 美联储9月降息概率上升（7月职位空缺718.1万个不及预期） 若降息启动将改善全球流动性 港股分母端受益 科技板块因高弹性及利率敏感性有望率先获资金回流[19][20] - 南向资金持续流入 2024年净流入超8000亿港元（年度历史新高） 2025年前7个月净流入超8200亿港元（超2024年总额） 截至9月2日突破万亿港元 6月港股通日均成交额占比大市52.5% 资金偏好低估值高股息资产及科技资产（如阿里巴巴及腾讯）[21][22][23] 港股科技估值与行情展望 - 恒生科技指数估值处于历史低位（PE-TTM约22倍 位于22.05%分位点） 横向对比纳斯达克指数（41.1倍）具备性价比 催化出现时具备向上动能[24] - 行情展望基于三重逻辑：美联储降息缓解流动性压力、"反内卷"政策推动AI叙事回归、AI应用扩散至模型及下游端利好互联网平台[25][26] 投资者配置建议 - 普通投资者可借指数产品参与港股科技 无需港股通账户（资金门槛50万元）[27][28] - 指数选择差异：中证及国证港股通科技指数含医药生物权重（10%以上） 恒生科技为纯科技指数（覆盖互联网、消费电子及芯片龙头） 投资者可根据行业偏好选择[29]

产品发布与技术特性 - OpenAI于9月15日正式推出专为AI辅助编程工具设计的微调模型GPT-5-Codex [2] - 新模型具备动态"思考"时间特性 完成编码任务时间范围从几秒至7小时 在代理编码基准测试中表现更优 [2] - 增强代码审查功能 可在产品发布前识别潜在关键错误 [5] - 通过匹配PR声明意图与实际差异 对代码库及依赖项进行推理并执行代码测试验证行为 替代人工审查空白 [6] - 支持在GitHub代码库自动审核PR 用户可通过"@codex审核"指令请求针对性审查（如安全漏洞或过时依赖项） [6] - 成为Codex云任务和代码审查的默认设置 同时支持通过CLI和IDE扩展应用于本地开发环境 [6] - 在OpenAI内部负责绝大多数PR审核 每日发现数百个问题 且通常早于人工审核启动 [7] - 技术突破包括动态调整思考时间能力 结合敏捷配对与长期独立执行双重技能 [9] - 在内部测试中连续独立工作超7小时 完成大型重构并迭代修复测试错误 [9] - 整合至基于ChatGPT账号的统一产品体验 实现本地与云端任务无缝迁移及完整上下文衔接 [9] - 可在终端、IDE、网页、GitHub及ChatGPT iOS应用运行 并纳入ChatGPT Plus/Pro/Business/Edu/Enterprise套餐 [10] - 计划未来向API客户提供该模型 [11] 性能表现与基准测试 - 在SWE-bench Verified基准测试中表现优于GPT-5 该基准用于衡量代理编码能力及大型成熟存储库代码重构性能 [13] - 测试任务数量从477个调整至500个 [13] - 对于后10%低负载任务 生成token数量比GPT-5减少93.7% [15] - 对于前10%高复杂度任务 推理、编辑、测试和迭代时间为GPT-5的两倍 [15] - 在人类偏好评估中创建移动网站时表现显著进步 支持通过图像或屏幕截图直观检查进度 [18] - 动态思考能力实现实时调整任务处理时长 无需内置路由器 可自主决策延长计算时间（案例如5分钟后追加1小时） [18] 用户反馈与市场影响 - 知名博主Dan Shipper测试反馈显示：模型可自主运行长达35分钟 支持本地与网页开发环境无缝切换 且通过实际运行代码发现更多bug [21] - 用户需合理提示才能达到最佳效果（如运行时间从5分钟至优化后延长） 但存在偶尔思考不足或拒绝过大任务的情况 [22] - Reddit用户反馈称新模型解决此前Codex无法处理的Electron渲染和JSON生成问题 且一次性完成指令 [22] - 用户预测Codex将编写其75%代码 Claude编写10% 自行编写15% [23] - 部分用户认为持续7小时高效工作能力可能替代初级开发人员 成本仅为雇佣人工的1/500至1/1000（服务费20-200美元 vs 月薪5000-10000美元） [24] - 行业观点转向编程重心从原始代码编写转为架构设计 但职业完全消亡需待AGI实现 [25] 市场竞争与资本动态 - AI编码工具市场竞争加剧 主要竞品包括Claude Code、Anysphere的Cursor及微软GitHub Copilot [26] - Anysphere于6月完成9亿美元融资 估值达99亿美元 Thrive Capital领投 Andreessen Horowitz/Accel/DST Global参投 [27] - Anysphere年化收入约每两个月翻一番 当前ARR超5亿美元（较4月中旬3亿美元增长60%） [27] - Anthropic完成130亿美元融资 估值达1830亿美元（较原50亿美元计划超额） 经常性收入1-8月增长五倍 [27][28] - Replit完成2.5亿美元融资 估值30亿美元（较2023年增长近三倍） ARR从280万美元增长至1.5亿美元（增幅超50倍） 用户社区超4000万 [28] - 代码编辑器Windsurf遭遇混乱收购 团队被谷歌和Cognition瓜分 [29] - 行业面临共同考题：需将AI工具真正融入开发流程提升生产力 而非仅聚焦估值游戏 [30]

模型升级 - 推出GPT-5-Codex特化版模型 支持独立连续编程7小时[1][5] - 新模型具备真动态思考能力 可在执行任务过程中实时调整算力分配[4] - 针对复杂工程任务训练 包括完整项目构建、功能测试、调试和大规模重构[8] 性能表现 - 在SWE-bench Verified上表现略优于原版GPT-5 代码重构任务成功率提升近20%[9] - 简单任务输出token数比GPT-5减少93.7% 响应速度提升10倍[11] - 复杂任务推理时间增加 输出token量提升102.2%[12] - 代码审查错误率从13.7%降至4.4% 高影响力评论比例从39.4%提升至52.4%[15] 产品生态 - 推出IDE插件版 支持VS Code和Cursor编辑器[2] - CLI支持图像输入 可处理截图和设计稿[18] - 集成网络搜索和MCP工具 用待办列表追踪复杂任务进度[19] - 终端界面升级 工具调用和diff展示更清晰[20] - 支持云端本地无缝切换 可在IDE创建云任务并跟踪进展[23] 基础设施 - 通过容器缓存技术 新任务中位完成时间缩短90%[24] - 自动扫描设置脚本并执行 运行时可通过pip install获取依赖[24] - 前端任务可启动自有浏览器查看构建结果 迭代改进并附加截图至PR[24] 市场时机 - 升级正值Claude Code因模型质量下降出现用户退订潮[25] - 公司借机抢占AI编程市场份额[26]

软件工程方法论本土化 - 西方敏捷方法论在中国出现水土不服 因国内企业文化偏管控型 强调令行禁止的确定性 而西方崇尚试错和自组织[6][12] - 需将敏捷核心思想与本土实践结合 基于第一性原理重新设计适合中国土壤的农具 而非照搬最佳实践[7][14][15] - 华为在落地IPD时做了管理变革和创新 体现本土化必要性[13] - 推出Adapt方法论框架和《敏稳兼顾：数字化研发管理实战》著作 总结规模化敏捷本土落地经验[15] AI对软件工程的冲击 - AI工具存在悖论：对员工是摸魚神器 对老板却是提效神器 两者本质矛盾[9][35] - 生产力变革触及生产关系根基 需解决员工为何使用AI为公司创造价值而非提前下班的管理问题[9][35] - 私域知识质量差是AI应用短板 大多数软件开发项目有独特金融软件或电商系统实现方式等私域知识[18] - 上下文缺失是AI发挥作用的重要阻碍 老系统缺乏历史信息或历史上下文[18][20] - AI在代码补全场景高效 因已有明确修改点和意图上下文 但让AI纯粹处理任务则需大量上下文[19][20] - 短期困难包括AI幻觉和上下文不足 导致团队效率提升数据在10%-20%体感误差范围内[20] Agent专业化趋势 - 不会有通用Agent 最终会分化成专用Agent 如金融Agent 测试Agent 重构Agent[24] - 工程生产线需差异化 如特斯拉造车产线不会用于生产飞机 否则不经济[24] - 开发语言进一步专业化 自然语言编程提升抽象层次 但最终会出现领域特定语言(DSL)[25][26] - 描述和Agent都会分化 形成更专业化生产线[27] 组织管理变革 - 未来组织是1+N模式 即1位人类小队长带领N个AI特工协同工作[35][38] - 需把Agent当成员工管理 建立注册 KPI考核 任务冲突调解等管理机制[24][35] - 考核体系变化 人的效能不再是个人产出 而是带领多少Agent产出多少[38][42] - 兵种主建 战区主战 类似国家军事改革 在职能线上叠加交付型组织[30] - 科技团队不能孤立谈管理 需与PMO 财务等职能部门深度卷入 为整个公司治理服务[47] 技术债与质量管控 - AI可能加速技术债累积 如果过分强调效率或代码行数等指标 会导致低质代码更快产出[53] - 使用得当AI反而减少技术债 如AI生成单元测试能力非常强 形成自闭环[54] - 布设单元测试像铃铛 代码被不该改的地方触碰就会报警[54] - 需传统度量体系感知质量 如交付效率 缺陷修复时间 代码重复度等[53] 工具与平台演进 - 知微工具平台将Adapt方法论理念变为数字化工具 如分层需求体系 多维组织架构[49] - 知微是可配置零代码平台 像高级定制西装 根据客户情况量体裁衣 而非定制开发或盒装软件[52] - 知微会逐渐中台化 大模型也是其用户 通过API调用 成为组织流程资产中心[60] - 未来IDE和CLI是主入口 界面越来越少 因AI改善工具使用 根据工作上下文自动操作[60] 程序员能力重塑 - 未来重要能力是对AI的了解和沟通协同能力 需学会与AI有效沟通[66] - 程序员需放下对AI戒备和抵制 进行心理角色转换 从种地变为地主[77] - 与人沟通和团队协作能力变得非常重要 需补强[78] - 对业务理解至关重要 程序员现在创业更容易[78] - 有技术底色的程序员更具优势 因懂技术细节可不关心 但产品经理压根不懂则难做精准判断[74] - 马斯克 扎克伯格 比尔·盖茨等有编程能力者最终成为顶尖产品缔造者[75] 行业长远展望 - 软件工程终极图景是黑灯软件工厂 AI自主编码 人类负责指挥和规划[9][81] - 软件不会用后即弃 因承担产生数据使命 有长生命周期 形成领域知识[80][83] - 软件行业类比制造业 产能飞跃后可能解决更高阶问题 产生新需求 如星际旅行 可控核聚变 智能医药[82][83] - AI颠覆原有冯·诺依曼架构 LLM是全新概率引擎 从确定性输出变为合理可能结果 拓展软件能力边界[61][62] - 软件边界和形态发生变化 从服务顾问变为直接服务用户 从确定性软件变为能给出不确定结果的软件[63] - 测试和质量过程都需改变 因软件给出不确定结果[64]

创业公司战略定位 - 创业公司在Agent领域应避开大模型能力迭代主赛道 否则可能因大模型公司版本升级而被淘汰[1] - 需明确Agent所处领域或解决的具体任务 初期市场规模可能较小但可通过产品优化实现领域指数级扩张[3] - 在细分领域建立应用和认知壁垒可形成更高护城河[3] AI Coding领域竞争态势 - AI Coding属于大模型迭代主赛道核心能力 通用型Coding Agent易受主流大模型能力迭代冲击[3] - 该领域竞争持续白热化 去年下半年Cursor领先 后由Claude code成为增长最快产品 最近OpenAI context增速远超Claude code[4] - 领域内无绝对安全者 核心要求能力持续提升[4]