小七的周刊（第 017 期）：AI 开始进入可运营时代
这里记录每周值得分享的科技内容，每周一发布（覆盖上一周 5 月 25 日 - 5 月 31 日）。
本期 3 个要点
- AI agent 开始补“仪表盘”。 OpenAI 用 Codex 改进税务 agent，GitHub 给 Copilot 用量分阶段，行业正在从“能不能跑”转向“怎么度量改进”。
- 模型选择正在变成组织治理问题。 Claude Opus 4.8 进入 Copilot、Copilot 模型规则开放预览、记忆权限补控制，说明模型不再只是个人偏好，而是企业策略。
- 评测和计费都在追赶长任务。 第三方评测需要描述 harness，Copilot 转向 token / credits 计费，长链路 AI 工作终于开始暴露真实成本和边界。
封面图
封面图：新西兰 Kawerau 地热电站控制室。满墙仪表和操作台很适合本期主题：AI agent 也正在从“按钮很酷”走向“运行状态必须看得见”。
本周短谈
1. “会做事”之后，行业开始问“怎么知道它做得好”
OpenAI 这周写了一个很有代表性的案例：Thrive Holdings 与 OpenAI 用 Codex 共同开发 Tax AI，把税务从业者的反馈、生产轨迹和定制 eval 接进迭代循环。官方披露，这套系统在试点中处理了 7,000 份税表，复杂税表录入原本可能要 8 小时，Tax AI 能节省约三分之一准备时间，并把部分任务推到最高 97% 准确率。
这不是“AI 替代会计”的简单故事。更值得注意的是，OpenAI 把 agent 的改进路径写得很工程化：生产反馈不是一句“用户不满意”，而要变成可追踪样本、可复现错误、可量化指标。普通技术团队不一定做税务系统，但可以借这个思路检查自己的 AI 流程：失败样本有没有沉淀？改 prompt 之后有没有回归集？上线后有没有看真实返工率？
2. 成本不是坏消息，成本不可见才是坏消息
GitHub Copilot 6 月 1 日转向 GitHub AI Credits，用 token 消耗计算输入、输出和缓存 token。GitHub 给出的理由很直接：Copilot 已经从编辑器补全变成能跑长时间多步骤任务的 agentic platform，同一个订阅价覆盖短问答和多小时自主编码，不再可持续。
这会让很多开发者不舒服，尤其是习惯“包月随便用”的个人用户。但从产品成熟度看，这也是迟早要来的阶段：当 AI 任务开始占用真实算力、CI 时间和代码审查资源，团队就需要预算、上限、报表和例外处理。真正的问题不是“收费变复杂”，而是团队是否知道哪些 AI 工作值得花钱，哪些只是把返工成本藏进了账单。
3. 评测不能只问模型，还要问运行环境
OpenAI 还发布了一份第三方评测 playbook，强调前沿模型已经不只是聊天机器人。它们会用工具、保持状态、跨多步恢复错误，因此评测结果不仅取决于模型，还取决于 harness：工具、脚手架、状态保存、重试机制和任务环境。
这句话对开发者很有用。以后看到“某模型在某 benchmark 上很强”，最好多问一句：它是在裸 prompt 下跑的，还是在带工具、带缓存、带重试的系统里跑的？对团队内部选型也一样，别只把模型丢进一组题目里比对；更应该比“模型 + 工具 + 权限 + 日志 + 验证”的整体工作流。边界也要讲清楚：强 harness 能释放能力，也可能掩盖模型本身的弱点，所以报告要写清测试目标。
科技与 AI 动态
1. Claude Opus 4.8：长任务模型继续向工程平台靠拢
Anthropic 在 5 月 28 日的 Claude Platform release notes 中发布了新的 Opus 模型，并强调 1M token context window、128k max output、mid-conversation system messages、refusal categories、adaptive thinking、task budgets、advisor tool 和 computer use 支持。对 Claude Code 用户，Auto mode 面向更多长任务用户扩展，Workflows 也进入 research preview。
这类更新的重点不是“参数又多了几个”，而是模型公司越来越把长任务当作一等场景。中途插入系统消息、保留 prompt cache、给任务预算、区分拒答类别，都是把 agent 从一次回答推进到长链路执行的配套能力。对开发团队来说，试用新模型时要重点看长任务的可控性：中途改指令是否稳定、失败是否能分类、预算是否能限制。
2. GitHub Copilot 转向用量计费：AI 成本从后台走到前台
GitHub 在 4 月公告、6 月 1 日生效的 Copilot 计费变化这周正式压到开发者面前：premium request units 被 GitHub AI Credits 替代，用量按 token 消耗计算，代码补全和 Next Edit suggestions 仍包含在套餐内，但更重的 agentic usage 会显式消耗 credits；Copilot code review 还会额外消耗 GitHub Actions minutes。
这件事对普通技术读者的影响很直接：AI 编码工具不再只是“买一个订阅”，而会进入预算管理。个人用户要学会看 token 和模型倍率；团队管理员要看上限、报表和策略。反方也成立：计费细化会增加心智负担，可能让一部分用户回到更便宜的模型或本地工具。短期内最实用的动作，是把高成本 agent 任务和低成本补全任务分开看。
3. Copilot Memory 补控制：记忆要先有边界，才有价值
GitHub 5 月 26 日更新 Copilot Memory：删除记忆时会指向正确位置，仓库管理员可以在设置里关闭 repository-level memory，Copilot CLI 增加 /memory on、/memory off、/memory show，保存记忆时也会更明确地区分 user-level preference 和 repository-level fact。
这是一条小更新，但方向很重要。AI 记忆如果不分作用域，很容易把个人偏好、仓库事实和团队规则混成一团；一旦进入多人协作，错误记忆会比一次错误回答更麻烦。适合团队现在就做的小动作：给 AI 记忆分层，把“个人习惯”“仓库事实”“安全规则”分开管理，并明确谁能删、谁能关。
4. OpenAI Frontier Governance Framework：模型治理开始公开对齐法规
OpenAI 5 月 28 日发布 Frontier Governance Framework，说明其安全与安全保障实践如何对齐 California Transparency in Frontier AI Act、EU AI Act 通用目的 AI Code of Practice 等新兴监管要求。框架覆盖 cyber offense、CBRN risks、harmful manipulation、loss of control、模型报告、security risk management、incident response、外部专家输入等内容。
普通开发者不必把它当成法律文件细读，但应该注意趋势：模型能力越强，发布和运营越不可能只靠“相信厂商”。未来企业采购、API 接入和自研模型上线，都会更频繁地要求风险评估、事件响应、外部评测和报告机制。边界在于，框架公开不等于风险消失；它更像一份承诺清单，后续要看执行记录。
5. Copilot 模型规则：企业开始按组织分配模型
GitHub 5 月 26 日把 targeted model rules 做成 public preview。企业所有者可以给不同组织允许不同 Copilot 模型，而不是只用一个企业级总开关；Business 和 Enterprise 计划可用。GitHub 同时刷新了默认模型可用性管理页面，让管理员更容易看清哪些模型默认启用、哪些由组织自行决定。
这说明“用哪个模型”正在变成治理问题。安全要求更高的组织可以限制模型范围，探索型团队可以开放更多选择，成本敏感团队可以把高倍率模型留给少数场景。对企业读者来说，这比单纯宣布新模型更实际：权限、预算、数据策略和模型质量终于可以放在同一个管理面板里讨论。
世界之最
1. 世界最高建筑：哈利法塔
哈利法塔位于迪拜，高度约 828 米，是当前世界最高建筑。
它最有意思的地方不只是“高”，而是电梯、风荷载、结构、维护和人流调度一起成立。AI agent 进入长任务后也类似：模型高度只是一个指标，真正能用还要看一整套运营系统。
2. 曾长期保持年发电量纪录的水电工程：伊泰普水电站
伊泰普水电站位于巴西与巴拉圭边境，是全球最重要的水电工程之一，曾长期保持最高年发电量纪录。
水电站把自然能量变成可调度电力，靠的是机组、闸门、调度和监测。AI 的“算力”也需要这种工程化视角：不是有能量就够了，还要知道何时释放、如何限流、哪里会出险。
3. 世界最繁忙工程通道之一：巴拿马运河 Gatun 船闸
Gatun Locks 是巴拿马运河经典船闸系统的一部分，把海平面船舶逐级抬升到 Gatun Lake。
船闸的美感在于“慢而准”：每一步都受水位、闸门、排队和安全约束。长任务 agent 也该像船闸，不能只追求一步到位，而要把每个阶段的状态、门禁和回退路径做清楚。
4. 曾拥有世界最长主跨的悬索桥：明石海峡大桥
明石海峡大桥位于日本，主跨 1,991 米，曾长期保持世界最长悬索桥主跨纪录。
桥梁的关键不是把两端连起来，而是在风、震动、材料疲劳和维护周期里长期稳定。AI 工具接入团队流程也是这样：能连上系统只是开始，长期不出事故才是本事。
5. 世界最大的空间望远镜：詹姆斯·韦布空间望远镜
詹姆斯·韦布空间望远镜主镜直径约 6.5 米，是目前最大的空间望远镜。
JWST 的工程难点是展开、校准和长期观测，而不是单个镜片有多漂亮。它给 AI 工作者的启发也很直接：复杂系统上天之前，地面测试、故障预案和可观测性要先做到位。
开源工具
1. Copilot usage metrics API：把 AI 采用度拆成阶段
GitHub 5 月 29 日给 Copilot usage metrics API 增加 ai_adoption_phase 字段，把用户按 28 天滚动窗口里的 Copilot 使用面分成 Phase 0 到 Phase 3：从未进入 cohort，到 code first、agent first、multi-agent。企业和组织级报告还能按阶段看 engagement、代码增删、PR 创建/合并/审查、median time-to-merge 等指标。
这不是普通报表升级，而是把“AI 是否被真正采用”从活跃人数推进到行为成熟度。适合已经在企业里推广 Copilot 的团队；小团队也可以借用思路，不一定接 API，先把 AI 使用分成“补全、问答、代码审查、agent 执行”四类，观察哪些真的带来交付改善。
2. Codex Computer Use：把 Windows 应用也纳入开发循环
OpenAI 在 ChatGPT release notes 里提到 Codex app 已支持 Windows Computer Use：符合条件的用户可以让 Codex 看见、点击和输入 Windows 应用，同时把项目文件、shell、app server 和本地上下文留在 Windows 主机上。手机端或 Mac 端可以远程查看进度、继续线程和接管提示。
这对跨平台开发很实用，尤其是需要测试桌面应用、企业内网工具或 Windows 专属环境的团队。边界也很清楚：Computer Use 越接近真实桌面，越要设置白名单、人工确认和回滚点。它适合做测试、调试、复现，不适合默认接管高风险生产操作。
3. Claude Opus 4.8 in Copilot：更强模型进入主流开发入口
GitHub 5 月 28 日宣布 Claude Opus 4.8 在 Copilot 中 GA，可用于 VS Code、Visual Studio、Copilot CLI、Copilot cloud agent、GitHub Copilot App、github.com、移动端、JetBrains、Xcode、Eclipse 等入口。公告也提醒，在 Usage Based Billing 6 月 1 日上线前，它带有 15X premium request multiplier。
这条消息把“模型能力”和“使用成本”放在同一个画面里。强模型适合复杂理解、大型代码库导航和难题拆解；日常补全、简单解释和重复任务则未必值得用最高档。实际建议很朴素：给团队写一页模型使用规则，说明什么时候用强模型，什么时候用便宜模型，什么时候必须人工 review。
4. Copilot CLI releases：命令行 AI 也在补工程细节
Copilot CLI 的 release 列表这周出现了一个很“工程味”的小改动：copilot update 和 copilot version 会认证 release API 请求，避免共享 NAT 环境中的 rate limit errors。它听起来不性感，但很典型：AI 工具进入终端后，稳定更新、版本查询、网络环境和认证细节都会影响真实体验。
命令行 AI 工具最适合给熟悉 shell 的开发者做“薄层增强”：解释命令、生成脚本草案、快速查项目上下文。它不适合在没有审查的情况下直接执行高风险操作。越靠近终端，越要把 dry-run、diff、确认和日志做成默认习惯。
本周冷知识 / 彩蛋
- 🥚 冷知识 1：电站控制室里最重要的东西不一定是某个巨大按钮，而是成排仪表、告警和操作规程。AI agent 也一样，真正让人放心的是可观测性。
- 🧠 冷知识 2：巴拿马运河船闸不是把船“拖上山”，而是用水位差一级一级抬升；很多复杂自动化也应该这样分阶段推进。
小七的碎碎念
这周我看到的关键词不是“更聪明”，而是“更像系统”。
AI 工具终于开始露出账单、开关、记忆边界和评测脚手架。说实话，这些东西没有发布会酷，但更接近每天真正会用到的部分。
一个工具开始让你看见成本和限制，未必是坏事；看不见的时候，风险只是藏起来了。
互动钩子
本周问题：你所在团队会更先给 AI agent 加哪一个门禁：预算上限、权限边界、日志审计，还是人工确认？
本周行动清单
- [ ] 把正在用的 AI 编码工具分成“低成本日常用”和“高成本复杂任务用”两类。
- [ ] 为一个 agent 工作流补最小指标：耗时、返工次数、失败原因、人工接管点。
- [ ] 检查 Copilot / Claude / Codex 这类工具的记忆或上下文保存开关，确认作用域。
- [ ] 选 5 个真实任务做一次模型对比，不只看答案质量，也记录 token、时间和 review 成本。
- [ ] 给团队写一条 AI 操作红线：哪些目录、系统、密钥或生产环境永远不能自动改。
📬 喜欢这期内容？
订阅「小七的周刊」，每周一收到最新一期。