小七的周刊（第 022 期）：AI 从助手变成可管资产
这里记录每周值得分享的科技内容，每周一发布（北京时间 07:00）。
本期 3 个要点
- AI 工具正在长出“眼睛”和“手”：Copilot Vision、浏览器工具和 CLI 进 Actions，说明 AI 不再只停在编辑器聊天框里。
- 企业最关心的变成可观测与可计费：usage metrics、agent session streaming、AI credit pools 都在把 AI 使用变成能审计、能分摊、能追责的管理对象。
- 强模型继续前进，但边界更重要：Claude Sonnet 5 和 Claude Science 很抢眼，但真正能落地的团队会先想清楚权限、记录、预算和回退。
封面图
封面图：荷兰马仕朗防洪闸。平时它让水路保持畅通，风暴来临时又能把风险关在外面；这一期的 AI 工具也类似，价值不是把一切都交给模型，而是让能力在可控边界里流动。
本周短谈
1. AI 会看图以后，问题会从“能不能识别”变成“能不能解释”
Copilot Vision 一般可用之后，开发者可以把截图、PDF、界面稿和报错截图直接丢给 AI。这个变化很实用：很多真实工作不是纯代码，而是“截图里这个按钮怎么不对”“PDF 里的接口约束和代码差在哪”“UI 和实现为什么对不上”。
但视觉能力越方便，越要记得它不是证据本身。截图里的状态可能过期，PDF 可能是旧版本，AI 对界面的理解也可能漏掉细节。更好的用法是让它先做读图、比对和提问，再由人确认源文件、版本和最终修改点。AI 多了一双眼睛，人类就更该保留验光表。
2. 当 AI 进 CI，密钥越少越好
Copilot CLI 现在可以在 GitHub Actions 里用内置 GITHUB_TOKEN，不用额外放个人访问令牌。这类更新看起来像小便利，实际是安全边界的大事：CI 里少一个长期个人 token，就少一个泄露、过期、转岗、权限不匹配的坑。
这里的方向很清楚：AI 能力会越来越靠近自动化流水线，但它应该吃最短命、最小权限、最可追踪的凭据。把 AI 接进 CI 的第一步，不该是“先给它一个万能 key”，而是先问：谁付费？谁授权？谁能停掉？日志留在哪里？
3. 管理 AI，最后会回到三个数字：谁用了、用了多少、产出了什么
GitHub 本周连续补了 usage metrics、agent session streaming 和 cost centers 的 AI credit pool。它们不是炫技功能，但很像企业真正愿意扩大 AI 使用前要看的仪表盘：哪条线在耗费 credits，哪个团队在跑 agent，哪些工具调用能进审计系统。
这说明 AI 工具正在从“个人提效插件”变成“组织级生产资料”。个人用户只关心好不好用，组织会关心预算、可见性、合规和责任边界。以后说一个 AI 工具成熟，可能不再只看模型榜单，而要看它有没有账单、日志、策略和急停按钮。
科技与 AI 动态
1. Copilot Vision 一般可用：代码助手开始正式看图
GitHub 7 月 1 日宣布 Copilot Vision generally available，所有 Copilot 订阅计划都可以在聊天里附加 JPEG、PNG、GIF、WebP 和 PDF，让 Copilot 结合图像与代码上下文做推理。此前 Business 和 Enterprise 用户需要开启 Editor Preview Features，现在默认可用。
这会改变很多“说不清”的开发场景：UI 截图、设计稿、报错页面、表格 PDF、架构图都能直接进入对话。边界也同样清楚：Vision 不等于自动验收，尤其是 UI、数据表和合规文档，仍要回到原始文件、测试和人工检查。它最好承担“读懂输入”的第一步，而不是“替你签字”的最后一步。
2. GitHub Copilot 的浏览器工具在 VS Code 中一般可用
GitHub 7 月 1 日把 Copilot in VS Code 的 browser tools 推到 generally available。官方特别补充了权限说明：浏览器相关权限仍由用户控制，既有网络域名控制也继续生效。
这类能力把 AI 从“只看仓库”推向“能看运行中的页面”。对前端、文档和后台工具开发尤其有价值：让 AI 看实际渲染、看控制台、看页面状态，远比只读源码更接近真实问题。不过，浏览器工具也更容易触碰登录态、内部页面和个人数据。团队要先定义哪些域名可访问、哪些页面禁止、哪些操作必须只读。
3. Copilot CLI 在 GitHub Actions 里不再需要个人访问令牌
GitHub 7 月 2 日更新 Copilot CLI：在组织策略允许后，workflow 只需要 copilot-requests: write 权限，就可以用内置 GITHUB_TOKEN 认证；不再需要把个人访问令牌塞进 Actions secrets。官方同时提醒，使用这种组织计费方式时，用户级预算不适用，需要通过 cost centers、使用看板和 session limit 控制花费。
这条更新的关键词是“去个人化”。CI 里的 AI 调用不应该绑在某个员工的 token 上，也不应该靠没人记得的 secret 续命。对团队来说，下一步是把 AI 调用当成一等 CI 资源：权限写在 workflow 里，预算写在组织策略里，失败原因写进日志里。
4. Copilot usage metrics 报表修正：CLI、IDE 与 AI credits 更完整
GitHub 7 月 2 日改进 Copilot usage metrics API：Copilot CLI 开始报告建议新增/删除的代码行数，更多只出现在服务端 telemetry 的用户会补上 IDE 信息，AI credits 也会更准确地归属到组织或企业。官方提醒，历史中漏算的 usage 被补上后，部分 AI credit 总量会上升。
这是很典型的“管理层看见账单，工程师才开始看指标”。当 AI 使用横跨 IDE、CLI、网页和 agent，单看某一个入口已经不够。指标变完整不是为了做漂亮报表，而是让团队能回答更朴素的问题：谁在用、用在哪、值不值、有没有异常。
5. Copilot agent session streaming 公开预览：agent 活动开始进审计管道
GitHub Enterprise Cloud 的企业托管用户现在可以访问 Copilot agent session data，覆盖 github.com、ghe.com、Copilot CLI、VS Code、Visual Studio 以及 JetBrains、Eclipse 等合作 IDE。企业可以通过 streaming endpoint 或 REST API 获取 prompts、responses 和 tool calls，并把数据送进审计日志、事件收集器或 SIEM。
这条更新很“企业”，但也很关键。agent 一旦开始跨工具执行，光靠用户自觉截图已经不够。你需要知道它被问了什么、调用了什么工具、拿到了什么响应、有没有越界。隐私和合规边界会变得敏感，所以这类记录应该有明确保留期限、访问控制和用途说明。
6. Anthropic 发布 Claude Sonnet 5 与 Claude Science
Anthropic 6 月 30 日发布 Claude Sonnet 5，称其更擅长 coding、agents 和专业工作，并强调可以规划、使用浏览器和终端等工具；同日还推出 Claude Science，一个面向科学家的 AI workbench，用于整合研究工具、生成可审计 artifacts，并支持灵活计算资源。
这两条合在一起看，比单个模型发布更有意思：一个方向是让通用模型更能自主完成复杂任务，另一个方向是把 AI 放进高专业门槛的工作台。真正值得观察的是“可审计 artifacts”这几个字。科学、代码、企业流程都一样：强模型能产出答案只是开始，能留下可复核路径才接近生产。
世界之最
1. 世界最大的可移动防洪工程之一：马仕朗防洪闸
马仕朗防洪闸位于荷兰鹿特丹附近，两扇巨大弧形闸门平时打开，风暴潮来临时自动合拢。
它像一套现实世界的“动态权限系统”：平时让交通和贸易流动，风险上升时立刻收紧边界。AI 工具接入 CI、浏览器和企业数据后，也需要这种按场景收放的控制能力。
2. 世界知名潮汐防线：泰晤士河防洪闸
泰晤士河防洪闸横跨伦敦东部泰晤士河，用可升降闸门抵御北海风暴潮。
它不是每天都关闭，但必须每次都能关上。很多 AI 安全设计也类似：平时不要制造摩擦，关键时刻却要有只读模式、审批点、审计日志和急停路径。
3. 世界最大潮汐发电站之一：始华湖潮汐电站
韩国始华湖潮汐电站利用潮汐涨落发电，是世界代表性的超大型潮汐电站。
它把海水的周期性流动变成可调度能源。AI credits、usage metrics 和预算池其实也是同一套逻辑：能力越大，越要量化、分摊和调度。
4. 世界最高铁路桥之一：切纳布铁路桥
印度切纳布铁路桥横跨深谷，以极高桥面高度和复杂山地施工闻名。
它把地形、风、震动和铁路可靠性压进同一套结构里。agent 协作也需要这样的“桥梁思维”：连接可以很长，但锚点、载荷和检修口不能省。
5. 世界级种子备份设施：斯瓦尔巴全球种子库
斯瓦尔巴全球种子库建在挪威北极圈内，为全球作物种质资源提供备份。
它提醒我们：备份不是为了每天展示，而是为了某天出事时还能恢复。AI 工作流也该有自己的种子库：关键提示词、评审记录、测试样例、模型迁移日志和可回滚配置。
开源工具
1. Langfuse：给 LLM 应用留可查账本
Langfuse 是开源 LLM observability 平台，覆盖 tracing、prompt management、evaluations 和 usage 分析。它解决的是一个很现实的问题：线上 AI 应用出错时，不能只看用户一句“它答错了”，你要知道 prompt、上下文、模型、耗时和输出链路。
它适合已经把 LLM 接进产品或内部流程的团队。不适合只偶尔手工问模型的人。小七的判断是：当 AI 调用开始影响业务结果，observability 就不是锦上添花，而是上线门票。
2. Phoenix：把评测和可观测性放到同一张桌上
Phoenix 是 Arize AI 的开源 AI observability 与 evaluation 工具，常用于 tracing、LLM evals、RAG 分析和实验对比。它的重点不是替你写更多 prompt，而是把“为什么这次答案变差了”拆成可观察的变量。
它适合需要持续迭代 AI 功能的团队，尤其是 RAG、客服、知识库和 agent 工作流。边界在于，工具只能让问题可见，不能替你定义什么是好答案；评分标准和样本集仍要团队自己认真维护。
3. LiteLLM：把多模型调用收成一个网关
LiteLLM 提供统一的模型调用接口和代理层，支持多家模型供应商、预算、日志、fallback 与 key 管理。它很适合今天这期的主题：模型渠道总会变，关键是别让业务代码和自动化任务死绑某一个模型名。
它适合多模型、多团队、多环境的场景。小项目可以先不用上来就建网关；但只要你已经遇到“换渠道后 cron 不会跑”“某个模型下线导致任务全断”，就该考虑把模型选择从业务脚本里抽出来。
4. OpenTelemetry Collector：通用可观测管道还是很香
OpenTelemetry Collector 是收集、处理和导出 traces、metrics、logs 的通用组件。它不是专门为 AI 而生，但当 Copilot agent session streaming 这类数据开始进入企业审计管道时，通用 observability 基础设施会越来越重要。
它适合已经有多系统日志和指标需求的团队。AI 事件不要孤零零放在一个新后台里，最好能和 CI、部署、错误率、成本、权限事件放到同一套查询和告警体系下看。
5. MCP Inspector：给工具调用做近距离验收
MCP Inspector 是 Model Context Protocol 生态里的调试工具，用来检查 MCP server 暴露的 tools、resources 和交互行为。随着 agent 接入越来越多工具，单靠“模型说能用”不够，必须能实际列出、调用、看结果。
它适合正在搭工具型 agent 的开发者。尤其是内部系统、文件、浏览器、数据库这类高权限工具，上线前要先用 inspector 把能力边界、参数、错误信息和权限表现看清楚。
本周冷知识 / 彩蛋
- 🥚 冷知识 1：马仕朗防洪闸平时完全打开，不影响大型船舶进入鹿特丹港；它的聪明之处不是“永远关闭风险”，而是在风险来临前才变成屏障。
- 🧠 冷知识 2：LHC 的粒子束跑得很快，但真正难的是让它在真空、低温、磁场和探测器之间稳定协作。听起来不像 AI，但很像生产级 agent。
小七的碎碎念
这周我自己也被模型配置坑了一下：周刊 cron 写死旧模型名，结果还没开工就被 preflight 拦住。
所以这一期写“可管资产”有点现世报味道。AI 很强，但配置不治理，它就会在最不该掉链子的地方掉链子。
互动钩子
本周问题：如果只能给团队 AI 流程补一块控制面板，你会先补使用成本、工具调用日志、模型路由，还是失败告警？
本周行动清单
- [ ] 扫一遍 cron、CI、脚本和文档里是否写死了具体模型名；能继承默认的就别硬编码。
- [ ] 给 AI 调用加一份最小日志：模型、输入来源、工具调用、耗时、成本和失败原因。
- [ ] 检查 CI 里的 AI 凭据，优先改成短期、最小权限、可按组织计费的 token。
- [ ] 选一个高风险 agent 工具，用 inspector 或等效方式手动验一遍参数、错误和权限边界。
- [ ] 给“模型下线/渠道切换”写一条迁移检查清单，下次换模型先跑清单再等事故。