这不是一份只给名字和链接的名单。每个账号都来自我实际使用的 X 关注列表，并依据账号本身的发帖内容，写清背景、关注价值、发帖方向和适合人群。你可以在同一页完成判断，不必逐个打开主页做功课。
AI 领域有影响力，不代表在 X 上持续提供有用内容。
收录对象来自我长期维护、日常阅读的个人关注列表。
四项编辑说明在人物条目中直接呈现，方便连续浏览和横向比较。
账号内容分类按长期发帖方向确定。
ℏεsam（@Hesamation）是一个AI资讯与评论账号，重点追踪开源模型、推理基础设施、AI工程和前沿实验。账号以化名运营，更接近高频行业观察号，而非人物型专家账号。
它的优势是发现信号很早，也愿意把模型能力、运行成本和产业竞争放在一起判断。新模型、基准成绩、推理引擎或算力进展刚出现时，通常能快速看到背景数据、横向参照和一句明确结论，省去读者在碎片信息之间来回拼接的时间。
发帖主要围绕开源权重模型的份额与性价比、本地推理速度、模型评测争议、GPU和数据中心进展，以及头部实验室之间的路线竞争。常见形式包括每日新闻汇总、引用业内数据后补充评论，以及对夸张宣传或评测口径的即时质疑。
适合希望紧跟模型和AI基础设施变化的工程师、研究者、投资从业者与高强度资讯读者。账号更新频繁、语气鲜明，也常在事实尚未完全落定时给出推测；把它用于发现线索很有效，涉及秘密模型身份、基准结论和商业传闻时仍应回到原始来源核实。
Ege（@egeberkina）是一位艺术指导和AI创作者，也是 ElevenLabs 与 Adobe 的创意大使。她的账号更像视觉实验室：用生成式图像、视频和声音完成短片、广告概念、人物肖像与电影感场景。
她的价值主要来自审美判断和成品示范。许多AI创作账号只展示模型能做什么，Ege更关注画面是否有叙事、节奏、材质和品牌感；读者可以观察同一种模型在商业视觉、体育人物或神话题材中能达到怎样的完成度。
发帖方向集中在AI影像实验、视觉风格探索和创意工具实测，近期常见 Grok Imagine、MiniMax、Runway 等生成工具，也会展示一段式提示如何维持连续镜头、不同模型适合哪类广告，以及AI设计代理如何把想法推进到可编辑原型。
适合视觉设计师、品牌创意、导演、广告从业者和希望训练AI审美的创作者。她的文字通常很短，重点都在作品本身，系统教程和完整提示词并不多；部分内容带有品牌合作或工具推广性质，判断模型能力时最好结合其他独立测试。
Guitar Cat + LLM（@GenAI_is_real）从事多模态研究与推理系统工作，目前参与 RadixArk 和 LMSYS 的 SGLang，曾在清华、CMU、UCLA及 Amazon AGI、字节 Seed 学习或工作。账号以中文为主，兼具研究者视角和个人表达。
他的价值在于能从系统实现者的位置判断论文、模型与开源项目，不容易被榜单或发布话术带着走。推理效率、评测设计、模型服务和研究生态中的问题，常被翻译成工程师能理解的利弊，同时保留对学术评价和行业风气的直接批评。
发帖覆盖多模态模型、推理框架、开源服务、基准测试和研究机构动态，会讨论论文发表、创业团队与中美AI生态。技术判断之外夹杂行业玩笑、生活观察和中文互联网梗，信息密度与个人气质都很鲜明。
适合做模型推理、AI基础设施、多模态研究的工程师和研究生，也适合想了解一线从业者如何看待行业叙事的人。账号表达随性且观点锋利，玩笑、猜测和已核实信息经常出现在同一条时间线里，阅读时需要主动区分语境。
jack friks（@jackfriks）是一位独立开发者，主要产品是社交媒体发布与排程工具 Post Bridge。他把账号当作公开工作日志，记录个人开发者如何借助AI编码工具开发功能、处理平台审核、寻找渠道并争取付费用户。
这里有价值的不是宏观预测，而是产品运营里不够体面的细节：API权限可能拖上数周，桌面应用更新会打断远程代理会话，一次广告投放值不值要看实时访问和转化，产品是否便于Agent发现和调用也开始成为新的可用性指标。
发帖长期围绕 Post Bridge 的功能更新、平台接口与审核过程、流量实验、定价和增长数据，也频繁实测 Claude Code、Codex、ChatGPT 插件及远程控制工作流。成功、故障、返工和临时解决方案通常都会原样出现。
适合独立开发者、微型SaaS经营者和想观察AI如何进入真实开发流程的人。账号口吻口语化，很多帖子需要结合前文才能看懂，自家产品曝光也占较大比例；它更像一手经营样本，而不是整理完毕的方法论课程。
Elvis Sun（@elvissun）是 Medialyst 创始人，正在公开构建公关研究Agent；创业前，他曾在 Google 工作八年并参与 Firebase。账号把一个人如何用编码Agent覆盖产品、运营、营销和客户研究完整摊开。
他的内容最有用之处，是把Agent工程放进有客户和质量标准的业务里检验。媒体名单不是“越多越好”，而要与资深公关的结果对照；模型、子Agent和检索策略也用覆盖率、成本、运行时间和失败案例评估。
发帖主要记录 Medialyst 的媒体研究Agent、新闻角度拆分、并行检索和评测迭代，也会分享个人开发节奏、模型费用、基础设施选择与一人公司的七天冲刺。内容常从一次具体失败展开，再说明怎样改变工作流或提示结构。
适合Agent产品开发者、AI创业者、独立开发者和关注公关科技的人。他对自家产品与工作方式投入很深，叙述自然带有创始人视角；其中的分数提升和效率结论适合作为案例，迁移到其他业务前仍要建立自己的评测标准。
Robert Youssef（@rryssf）是 God of Prompt 与 Prompt Copilot 的创建者，长期围绕提示词、Agent记忆和上下文工程做产品与内容。相比只分享模板的账号，他更关注Agent运行成本、检索质量和长任务上下文。
他的长帖擅长把新工具或数据拆成工程含义：网页读取为何浪费Token、缓存提示为何决定Agent成本、开发者搜索为何应优先返回文档和Issue。读者既能发现工具，也能理解背后的系统问题。
发帖方向包括Agent浏览器与CLI、上下文缓存、记忆设计、开发者检索、提示词资料库、自动化工作流和免费AI课程。常见写法是用一个醒目的数字或行业变化开头，随后解释产品机制、成本结构、适用场景和可能的依赖风险。
适合刚进入Agent开发的产品经理、营销从业者、自动化爱好者，以及需要广泛扫描工具生态的工程师。内容可读性强，但标题和结论有时偏营销化，自家产品与订阅引导出现频繁；涉及行业规模或成本判断时应顺手核对原始数据。
Tereza Tizkova（@tereza_tizkova）在 Factory AI 工作，曾是代码沙箱公司 E2B 的首位员工，拥有数学背景。她长期处在AI开发者工具创业一线，工作横跨社区、活动、内容与产品传播，账号带着明显的早期团队视角。
她的价值在于展示技术产品如何被开发者真正接触和采用。除了模型与代码能力，安全测试、活动反馈、品牌定位、会议投入产出以及新概念带来的传播竞争，都被视为产品工作的一部分，这对只盯功能列表的团队很有补充意义。
发帖围绕编码Agent、软件工厂、模型路由、沙箱安全、开发者活动和AI基础设施创业，也会记录团队日常、现场见闻和个人学习。她经常用一两句话捕捉行业内部正在形成的新说法，再从社区或市场角度给出反应。
适合开发者关系从业者、AI工具创业团队、早期员工和关心技术产品增长的人。许多帖子是内部玩笑、活动预告或即时感受，信息依赖上下文，技术细节也不是主轴；想深入具体架构时，需要沿着她提到的公司、文章或项目继续阅读。
Alex Prompter（@alex_prompter）是面向大众的AI提示词与工作流创作者，分享可直接套用的模板、Agent基础概念和效率技巧。他不追踪模型研究，而是把ChatGPT、Claude等工具整理成普通人容易执行的步骤。
他的优势是结构化和低门槛。角色提示怎样限定范围、定制指令为何冲突、不同Agent模式如何选择，通常会被拆成编号、模板和适用条件，读者能很快判断是否适合自己的工作。
发帖主要覆盖提示词写法、Agent工作流、定制指令整理、竞品监测、学习笔记和知识工作自动化，也会转发模型与SaaS趋势。多数长帖采用“问题—模板—使用方法”的固定结构，并通过免费通讯和其他社交平台继续分发。
适合刚开始系统使用AI的知识工作者、学生、营销人员和小团队管理者。内容经过高度包装，易保存也易执行，但重复的订阅引导较多，复杂任务常被简化成一个提示词；有经验的Agent开发者会觉得基础，需要自行补上数据源、评测和失败处理。
OpenAI Developers（@OpenAIDevs）是 OpenAI 面向开发者的官方账号，发布 Codex 与 OpenAI Platform 的产品更新、API能力、资源和活动。它不是个人博主，而是判断功能已经推出、仍在预览还是逐步开放的一手入口。
账号的价值是减少二手转述造成的版本混乱。模型价格、支出控制、图像API、Codex协作或地区可用性变化时，可以先确认发布范围，再进入官方文档查看参数、限制和迁移细节。
发帖方向以功能发布和使用演示为主，包括Codex桌面与移动工作流、OpenAI API、模型与价格调整、团队协作、图像生成、开发者直播和案例展示。帖子通常较短，并通过视频、线程或文档链接承接完整说明。
适合使用 OpenAI API、Codex 或 ChatGPT Work 的开发者和技术负责人。它提供的是官方进展而不是横向评测，几乎不会主动讨论竞品优势或产品不足；涉及计费、地区和权限时，仍应以链接中的最新文档与控制台实际状态为准。
Muratcan Koylan（@muratcan）在 Sully AI 从事AI研究与工程，方向是医疗AI劳动力；此前做过AI人格开发。他讨论怎样把模型放进可运行、可评测的Agent系统，重点是上下文、工具、状态和恢复机制。
他的价值是把Agent可靠性讲到架构层。复杂任务怎样被Harness拆小、记忆更新为何不等于执行时会被调用、实时语音模型接管交互后后端还需要哪些确定性约束，内容同时包含工程框架、指标和失败条件。
发帖主要覆盖上下文工程、Agent Harness、长期任务、技能与记忆、自我改进循环、语音AI和医疗应用，近期也在探索3D打印、CAD与具身智能。内容常从论文、开源项目或团队实践出发，再推演未来六个月的系统设计。
适合Agent基础设施、语音产品、医疗AI和复杂工作流的工程师与研究者，也适合希望从提示词进阶到系统设计的人。帖子篇幅长、概念密度高，部分判断带有前瞻推演；应用到高风险业务时，仍需结合实验、合规要求和线上数据验证。
Riley Brown（@rileybrown）是AI产品创作者，在构建 Agent Native，并用实验展示人们如何与Agent协作。他关注聊天、机器人、编码Agent和团队Agent会形成怎样的入口，以及这些入口如何接管日常工作。
他的价值来自高频使用和产品直觉。Codex、Cursor、Grokbot、Notion等工具被放进文档制作、应用开发、团队知识维护和内容分析中比较，读者能看到哪些连接顺手、哪些产品边界模糊，以及下一类Agent界面可能出现在哪里。
发帖围绕AI产品体验、Agent工作流、远程编码、社交机器人和Agent团队运营，也会分享招聘、产品点子与搭建过程。表达多为直接结论、短演示和临场想法，带有早期采用者气质。
适合AI产品经理、创业者、内容创作者和喜欢试用新Agent工具的人。他对正在使用的产品往往很热情，判断主要来自个人工作流而非严格横评，结论也可能随产品迭代变化；把它当作界面与场景灵感，比当作性能基准更合适。
corbin（@corbin_braun）是Thumio创始人，也经营拥有18万订阅者的YouTube频道。他把自己定位成不断钻进新技术兔子洞的创业者，最近的主线是AI编程与自主软件开发。
他的可读之处在于把模型能力放进真实产品开发，而不是停在“AI会取代程序员”的口号。你会看到他怎样选择不同模型、安排长时任务、处理合并冲突与工作树，也能观察一个小团队如何判断软件成本下降后，产品和公司的护城河会转移到哪里。
发帖主要覆盖编码Agent、Cursor等开发工具、云端自主开发、Git与终端工作流、UI/UX，以及Thumio的构建进展；间或谈创业结构、学习方法和判断。文字很短，常用一句结论配截图或演示，现场感强于系统教程。
适合独立开发者、技术创业者和正在改造开发流程的人。需要留意的是，他的表达高度个人化，很多判断来自当下实验，论证与复盘不一定完整；产品相关内容也带有创始人视角。把他的帖子当成前沿开发现场和工具线索，之后再自行验证更合适。
Andrew Curran（@AndrewCurran_）是一位以AI为主要写作对象的独立观察者。他不把自己包装成研究员或产品布道者，更像守在信息源上、持续整理模型发布、公司动向与研究异象的编辑。
他的优势是信息嗅觉和谨慎程度能同时出现：既会追踪尚未确认的模型、融资与产业信号，也会在不理解论文时明确说不做二手概括，再借专家判断补足边界。这种姿态能帮助读者较早发现值得跟进的线索，同时分清事实、推测和市场传闻。
发帖覆盖前沿模型测试与发布日期、OpenAI和Anthropic等公司的研究及资本动态、AI医疗与科学突破、政策表态、创意行业采用情况。常见形式是短消息、资料链接、连续更新和较长的推理串联，偶尔也有圈内梗。
适合AI媒体编辑、投资研究者、产品负责人和不想漏掉行业异动的人。他会讨论匿名模型与未官宣消息，其中一些内容本质上是根据公开迹象作出的推断，时效性高但确定性有限；阅读时最好保留原始来源意识，不把每条预测直接当成新闻事实。
Andres（@WiFiMoneyGuy）是一位把AI Agent用于软件生意和增长运营的创业者。他关注的不是单次生成效果，而是怎样让Agent接入支付、客服、广告、代码库与经营，接走一段工作。
他的内容有一层经营约束：工具好不好，要看能否降低软件费用、维护复杂系统、保护上下文并产生收入。他会拆分不同Bot的职责和权限，也会提醒关闭删除等高风险操作；这种兼顾收益、流程和控制面的视角，比单纯演示自动化更接近真实部署。
发帖集中在编码Agent、IDE与开发工作流、Agent权限设计、Whop生态、营销文案、联盟与邮件增长，以及如何减少vibe coding造成的代码失控。内容既有长篇操作记录，也有商业判断和正在进行的产品实验。
适合独立开发者、互联网创业者、增长负责人和准备把Agent接入业务系统的人。他的叙述以个人生意为中心，收益数字、工具偏好与平台评价未必适用于别的业务；营销语气也较强。借鉴流程设计时，应单独评估权限、合规和平台依赖。
Alex Albert（@alexalbert__）在Anthropic从事研究，是Claude模型发布与实际使用之间的解释者。他也分享如何把Claude用于编码、文档、表格和长时Agent任务。
他的价值在于把“模型更强了”翻译成使用方式为何要变：任务应给多大、努力级别怎么选、旧提示为何会锁住新模型，以及怎样让长对话减少术语、保持清晰。读者得到的不只是发布参数，还有内部重度用户的交互经验和产品判断。
发帖围绕Claude模型、提示工程、上下文管理、Agent协作、编程和生产力工作流，会转发Anthropic的研究与产品进展。内容常以试用感受、图表、提示片段和操作建议呈现，跟随产品迭代快。
适合Claude用户、AI产品经理、开发者和设计Agent工作流的人。账号近期更新较少，身份与使用偏好又和Anthropic相关，内容集中于Claude，横向比较并非重点；发布期热情也可能放大优势。更适合作为Claude一线使用指南，而非中立评测。
EP（@eptwts）把自己称为“product pusher”，实际内容横跨产品体验、分发和互联网生意。他尤其关心复杂技术怎样被包装成普通人能直接使用的产品，以及个人如何把影响力变成可持续的渠道资产。
他的判断常落在技术之外：能力并不新，优秀的界面、连接器和默认配置却可能让市场打开。他会从Grok Bot等产品讨论Agent普及，也会公开联盟业务、收入结构和增长打法，让读者看到产品可用性、分发效率与商业闭环的关系。
发帖包括AI Agent与自动化产品、网站和交互体验、社交媒体分发、联盟营销、知识库及个人品牌，也常与合作的创业者公开讨论工作流。表达口语化、结论先行，既有长篇复盘，也有大量即时评论和圈内对话。
适合AI产品经理、独立创业者、增长从业者和研究消费级Agent的人。他的账号不是技术研究源，案例明显偏互联网营销与个人业务，收入和转化经验也依赖渠道、关系与执行条件；部分内容带推广属性。关注产品化和分发洞察，会比照搬具体数字更有收获。
Anthropic（@AnthropicAI）是Claude背后的AI研究与产品公司，目标是构建可靠、可解释、可控制的AI系统。账号发布其研究结论、风险披露、公司立场与重要项目。
关注它的意义不只是掌握Claude更新，而是直接读取一家前沿实验室如何定义能力与风险。模型行为、可解释性、对齐、安全评估和AI for Science等议题常附技术报告、数据或实验材料，能减少转述带来的失真，也便于对照公司承诺与实际行动。
发帖覆盖模型与产品发布、系统卡和风险报告、Agent安全、网络安全、价值与多语言行为研究、政策观点，以及Claude参与数学、生物、药物和密码学研究的进展。内容通常以研究摘要串联博客、论文与开放资料，公告属性较强。
适合AI研究者、开发者、政策与安全从业者，以及用Claude做产品决策的人。它毕竟是公司官方账号，材料经过机构叙事选择，产品优势和研究贡献会被突出，争议也多从自身框架说明；阅读重要结论时仍应结合独立评测与外部研究。
0x ROAS（@0xROAS）是一位专注AI广告素材与效果投放的实战型创作者，同时运营AI Ads付费社区，帖子营销浓度较高。他的观察点非常明确：生成视频是否能更快、更便宜地做出可投放的UGC、口播和剧情广告。
他的价值来自把生成模型放进广告生产链核算，而不是只看画面惊艳程度。帖子会谈单分钟成本、制作耗时、参考音频、口型与物理效果，也会拆解素材类型和投放场景。对营销团队来说，这些细节能帮助判断新模型离规模化生产还有多远。
发帖集中在Seedance、Sora等视频模型，AI UGC、街访、播客、纪录片与动画广告的工作流，以及Meta投放、素材多样化和电商增长。大量内容是成片演示、简短步骤、成本记录和社区课程预告，风格直接且强销售导向。
适合效果广告从业者、电商品牌、创意制作团队和研究生成视频商业化的人。案例多由本人展示，缺少统一对照和完整投放数据；部分增长建议也涉及平台规则与合规风险。可把它作为素材趋势雷达，决策前再做小规模验证。
Mark Chen（@markchen90）是OpenAI首席研究官，也担任美国信息学奥赛队教练。他处在前沿模型研究、研究组织管理与实际部署的交界处，发言常能反映OpenAI如何安排研究重点。
他的价值在于提供实验室内部的研究判断：为什么基础研究仍占核心位置，数学为何适合检验AI参与发现，人类研究者应怎样与模型协作，以及能力提升后安全评估和缓解措施如何跟上。相比产品宣传，这些内容更接近研究路线和组织取舍。
发帖主要涉及推理模型、数学与科学发现、网络安全评测、对齐和安全人才、算力投入、研究团队建设，以及OpenAI的模型和Codex进展。他也会介绍新加入的研究者，解释某项成果在更长研究脉络中的意义，偶有轻松的内部玩笑。
适合AI研究者、技术管理者、政策观察者和想理解前沿实验室决策的人。他代表OpenAI管理层，讨论研究路线和风险时带有明确机构立场，公开内容也无法覆盖内部证据与分歧；将其与论文、系统卡和外部评估并读，判断会更稳。
vas（@vasuman）是Varick Agents CEO，曾在Meta从事AI工作，现专注企业Agent落地。他关注怎样重做流程，让Agent接管工作，而不只是增加一个聊天助手。
他区分“随叫随到的副驾驶”和“后台自主Agent”，并把落地难点说清：理解领域流程、压缩步骤、接入记录系统、处理例外、设置人工判断点，再持续优化模型成本与表现。这能纠正企业把购买工具误当成AI转型的倾向。
发帖方向包括企业Agent架构、流程再造、Agent体验设计、模型成本、开源模型、CLI与业务系统连接，也会评论Claude、Meta和新模型的使用感受。内容在短观点、行业争论和较长方法说明之间切换，并穿插Varick的项目、招聘和公司主张。
适合企业AI负责人、运营与流程团队、Agent创业者和咨询从业者。他的判断服务于Varick的业务定位，对效率和竞争优势的表述有供应商视角，公开案例也未必足以独立核验；方法框架可借鉴，收益数字需要结合自身流程验证。
Matt Shumer（@mattshumer_）是AI创业者和早期投资人，曾创办HyperWrite并在Alpha School负责AI。他投资过Groq、Etched、OpenRouter等公司。
他的价值来自创业、投资和重度使用：会判断Agent需要邮箱等基础设施才能缩短上手时间，也会用具体工作流测试循环式Agent、游戏构建和自动化产品。读者能较早看到新产品怎样形成用例，以及创业者、模型和基础设施如何拼接。
发帖方向包括AI Agent与产品设计、模型体验、创业公司和投资组合进展、工作流实验、游戏生成，也会发布通讯文章与创始人建议。内容多是即时判断、产品推荐和公开实验，语气热烈，能快速暴露他正在下注的方向。
适合AI创业者、投资人、产品经理和喜欢抢先试用Agent的人。AI并非账号稳定主线；他与多家公司有投资、合作或个人关系，推荐带着利益和情感立场，宏大判断也常比证据展开得更快。可把账号用作产品与资本动向雷达，但应独立核验结论。
Geoffrey Hinton（@geoffreyhinton）是多伦多大学荣休教授、2024年诺贝尔物理学奖得主，也是现代深度学习的奠基者之一。他在反向传播、分布式表示、玻尔兹曼机等方向的工作深刻影响了今天的AI。
关注他的意义在于听一位参与技术源头的人讨论能力与风险。他能从神经网络如何学习出发，谈模型是否理解、数字智能为何可能超过生物智能，以及失业、权力集中、网络攻击与失控风险；这些观点在产品新闻之外提供了技术和社会尺度。
发帖主要分享AI安全、模型意识与认知、教育和劳动影响、监管及公共访谈，也会回应研究争论、推荐他认可的观点。账号更新不密集，很多论述藏在演讲、采访和转发资料中，文字更像立场窗口而非日常教程。
适合AI研究者、政策制定者、技术管理者和关心AI社会后果的人。他的学术贡献不等于所有未来判断都会成立，关于意识、时间线和灾难概率的观点仍有很大争议；账号也较少展开完整论证。最好把帖子作为问题入口，再回到访谈、论文和反方观点。
Joanne Jang（@joannejang）就职于Core Automation，参与建设自动化研究与工作的AI实验室。她此前在OpenAI领导模型行为与Labs团队，拥有斯坦福计算机科学和应用数学背景。
她不只问模型能完成什么，还问人怎样理解、控制并与它协作。模型的默认行为、界面原型、反馈机制和团队文化如何影响体验，她常能从细微处提出判断；现在亲自尝试自动化自己的工作，又给这些产品观点加上了真实组织实验。
发帖方向包括模型行为、人机交互、Agent与工作自动化、AI公司文化、产品判断和团队日常。表达极口语化，常用一句观察、玩笑或反问点出模型与组织的问题，夹杂大量同业互动；它更像从一线工作现场发出的私人笔记。
适合AI产品经理、交互设计师、研究管理者和关心人与Agent关系的人。帖子依赖圈内语境，很多梗和短评不会给足背景，Core Automation的研究也刚起步；不要把随手判断当成产品路线图。它更适合启发设计问题，而非提供系统教程。
Tatiana Tsiguleva（@ciguleva）是创意总监、设计师和生成艺术创作者。她较早开始系统探索Midjourney，并通过作品、提示词资源和“AI for Creative People”通讯记录视觉方法。
她的价值来自持续做作品而非罗列工具。读者能看到风格参考、提示词、构图、材质和角色一致性如何决定结果，也能观察图像、视频、音乐与后期工具如何组成创作链。对创意从业者来说，这比单张漂亮样片更接近可复用的方法。
发帖集中在Midjourney图像与视频实验、风格代码、提示词迭代、视觉灵感、Kling、Suno和后期组合，也会讨论生成内容对设计行业的影响。账号视觉占比很高，过程说明常简短，详细材料更多放在通讯和产品中。
适合视觉设计师、艺术指导、品牌与内容团队，以及想训练AI审美而非只追模型参数的人。需要注意，作品筛选天然展示成功结果，不同风格的可复制性受模型版本和个人审美影响；部分资源为付费产品。把它作为视觉研究样本库会更合适。
Jeff Dean（@JeffDean）曾任Google首席科学家，是基础设施与AI研究的关键人物。2026年他结束近27年的Google生涯，与三位老同事共同创办Discovery Loop并任CEO。
他同时理解大规模系统、模型研究和研究组织，参与过MapReduce、Bigtable、TensorFlow、TPU和Gemini。如今他转向让AI提出假设、运行实验、分析结果并循环改进；这条路径能帮助读者理解“自动化科学发现”所需的系统与模型基础。
发帖涵盖机器学习、系统与算力、科学发现、论文和团队动态，也会介绍同行与开源工作。内容多为研究解读、项目公告和从业回顾，教程较少，但适合沿着人名、论文和机构继续深挖。
适合AI研究者、基础设施工程师、科研创业者和观察实验室路线的人。他通常分享自己参与或认可的工作，失败案例与组织约束较少；Discovery Loop刚起步，目标仍待成果验证。关注方向信号，比期待高频操作建议更合适。
Dario Amodei（@DarioAmodei）是Anthropic联合创始人兼CEO，曾任OpenAI研究副总裁，并参与提出RLHF。他拥有生物物理学博士背景，研究大模型扩展规律，也把Claude的能力、安全与公司战略放进同一套叙事。
他会写出对AI未来的因果判断：能力为何扩展、哪些生物与科学收益可能出现、网络和国家安全风险怎样升级、劳动力冲击如何分配，以及政府应在哪些节点介入。即使不同意结论，这些长文也提供了一套可检验的实验室世界观。
发帖不算高频，发布文章和政策声明，讨论AI能力时间线、可解释性、生物安全、芯片与出口管制、开放权重、国防使用、就业和经济分配。相比产品技巧，他更关注制度选择和未来数年的社会转型。
适合AI政策、企业战略、投资研究和安全领域读者。他既是技术判断者，也是Claude商业公司的负责人，风险论述与政策建议可能同时服务公共安全和竞争位置；预测时间线高度不确定。阅读时应区分事实、模型外推、价值选择与机构利益。
Noam Brown（@polynoamial）是OpenAI研究员，长期研究推理、规划与多智能体决策。他曾共同打造在无限注德州扑克中超越顶尖人类的AI，以及首个在策略游戏Diplomacy达到人类水平的系统。
他的价值在于用游戏和数学这类可验证环境拆解“推理”究竟来自哪里。搜索、推断时算力、强化学习、自我博弈和工具使用如何组合，模型怎样从快速回答转向花时间解决难题，他常能给出比产品命名更接近机制的解释。
发帖围绕OpenAI推理模型、数学与科学能力、竞赛结果、测试时计算、强化学习和研究招聘，也会分享论文、演讲及对行业争论的回应。内容不追求日更，通常是成果摘要、关键图表或简短判断，技术密度高且依赖背景知识。
适合机器学习研究者、推理模型开发者、技术战略人员和想理解能力进展的人。他主要展示成功研究与机构公开结果，训练细节和失败边界有限；从游戏、竞赛到开放世界任务仍存在迁移距离。读者应避免把单项突破直接外推成通用智能已经解决。
Rihard Jarc（@RihardJarc）是科技投资人和UncoverAlpha作者，研究AI、云计算、半导体与平台公司。他曾创办机器学习文档处理公司Typless，也有股票分析和基金管理经历。
他的价值在于把AI能力转成资本开支、供应链和利润表问题。他会结合公司电话会、员工访谈、数据中心容量、芯片供给与云业务定价，判断谁能把算力变成收入、瓶颈何时缓解，以及市场是否错误理解了一项投资。
发帖主要覆盖NVIDIA、AMD、Meta、Google等公司的AI基础设施和财务表现，讨论GPU与ASIC、内存、互联、能源、推理市场及云容量，也会分享专家访谈与持仓观点。内容常用数字、估算和连续帖子展开，投资语境明显。
适合科技投资者、行业分析师、AI基础设施创业者和想补商业视角的工程师。他的结论包含预测和仓位立场，访谈信息也可能受样本限制；公司产能、价格与需求变化很快。账号适合形成研究假设，不应替代原始财报、估值工作或投资建议。
Junyang Lin（@JustinLin610）是Pragmatik Labs创始人，正研究跨数字与物理世界的下一代Agent。他曾是Qwen核心负责人之一，参与Qwen3、Qwen3-VL和Qwen3-Coder等模型。
他的价值在于把模型能力放回训练栈理解：架构、注意力、强化学习算法、工具环境和数据如何共同决定推理与行动。对只看到排行榜的读者，他能补上从“会生成答案”到“能规划、调用工具并根据反馈修正”的研究路径。
发帖方向包括Agentic coding、多模态、强化学习、开源模型、模型成本与任务路由，也会记录Pragmatik的研究方向和创业进展。内容通常精炼，技术判断与同业对话占比高，需要一定机器学习背景才能吃透。
适合大模型研究者、训练与后训练工程师、开源模型开发者和技术负责人。他不会把每个概念都写成入门教程，许多结论需要回到论文和实验设置；对自己参与的模型也天然更熟悉、更关注。把账号当作研究路线索引，价值高于追逐即时热度。
Oriol Vinyals（@OriolVinyalsML）是AlphaStar、AlphaCode和Gemini的重要研究领导者，曾任Google DeepMind研究副总裁。2026年他离开Google，与Jeff Dean等人创办Discovery Loop。
他横跨序列建模、强化学习、代码生成与多模态模型，又把这些能力指向自动化研究循环：让系统提出想法、设计实验、运行和评估，再从结果继续迭代。他的内容能帮助读者理解Agent迈向科学发现时最难的环节。
发帖分享机器学习论文、模型成果、研究团队、Gemini时期项目和Discovery Loop的新方向。更新克制，多为成果解读、项目公告与同行互动，适合顺着论文作者和机构扩展信息源。
适合AI研究者、科研工具创业者、Agent开发者和关注实验室人才流动的人。他公开写作不多，很多帖子需要自行补论文背景；新公司处早期，自动提出高质量研究想法尚未被证明。将其作为研究方向信号，比期待完整教程更合适。
Machina（@EXM7777）经营AI驱动的代理业务。他把Agent用于业务运营、客户增长、知识管理和内容生产，关注如何让小团队同时调度大量自动化工作。
他的价值在于把Agent从聊天框推进到组织系统：用工作树隔离任务，让多个编码Agent协作；把销售、定价、客户与市场信息沉淀为Obsidian知识库；再用业务数据触发Hermes等Agent执行。这些是流程结构和工具拼接思路，而非抽象效率口号。
发帖集中在Agent编排、Claude Code与Codex、Hermes、开发工具、技能与知识库、GTM自动化、AI代理业务和生成视频。多用长清单、工作流拆解、产品案例与强结论，也会介绍他观察到的新公司和商业模式。
适合一人公司、代理业务经营者、增长负责人和正在搭建Agent团队的开发者。他的内容强调速度、规模和赚钱机会，案例数据及第三方产品判断未必有证据；工具推荐与自身业务也可能相关。可借鉴系统设计，接入数据前仍要处理权限和验证。
hardmaru（@hardmaru）是David Ha，Sakana AI联合创始人兼CEO，曾领导Google Brain日本研究团队。他长期研究复杂自组织系统、进化算法和AI自我改进。
他的价值在于提供一条不同于“继续堆大模型”的研究路线：从鱼群、细胞、进化和开放式探索寻找集体智能，再用多模型编排、AI Scientist和递归改进把它做成系统。帖子常解释论文直觉，能把实验与日本本地模型、产品落地连接起来。
发帖覆盖Sakana AI研究与产品、Fugu模型编排、AI Scientist、开放权重、具身和生成世界、类脑学习、机器人自修复，以及日本AI生态。既有论文长解读，有模型演示、招聘、行业评论和短判断。
适合AI研究者、Agent开发者、科技创业者和关注非主流架构的人。账号与Sakana AI绑定很深，成功结果、公司产品和研究愿景占比高，外部横评及失败复盘较少；递归自我改进等方向也仍在早期。把它作为研究范式雷达，比直接接受宏大结论更合适。
AK（@_akhaliq）是高频AI论文与模型信息整理者，也曾在被Hugging Face收购的Gradio从事机器学习工作。他围绕Hugging Face生态搭建模型演示空间，让新研究更快变成可试用的界面。
他的价值是速度与覆盖面：论文、开源模型、数据集、评测和演示一旦出现，常能很快进入他的转发网络。对扫描研究动态的人，这个账号像一条实时索引；配合大量Spaces，还能从标题走到可运行样例，缩短发现与试用的距离。
发帖以转发研究摘要和项目发布为主，近期内容集中在Agent评测、递归改进、视觉语言模型、视频世界模型、人类偏好数据、语音模型和开放生态。他本人较少写长评论，信息组织依赖简短标题、项目链接与Hugging Face页面。
适合AI研究工程师、开源模型用户、论文编辑和选题者。这里追求覆盖而非深入，当前内容几乎全是转发，通常不交代实验限制、复现质量或同类比较，也可能出现商业推广。用它发现项目高效，但重要结论应回到论文、代码和独立评测。
Cathie Wood（@CathieDWood）是ARK Invest创始人、CEO兼CIO，拥有四十多年主题投资经验。她用“颠覆式创新”框架研究人工智能、机器人、基因技术、能源储存与区块链，并负责ARK的投资决策。
她的价值在于把AI进展翻译成生产率、利润率、资本配置和产业融合问题。模型成本曲线、Agent商业、自动驾驶、算力基础设施和开放生态在她的帖子里会与公司财务及宏观经济相连，适合观察成长型投资者如何给技术趋势定价。
发帖覆盖AI与企业效率、Agent电商、模型性价比、机器人、Tesla、数字资产、医疗创新及宏观政策，也会分享ARK研究员的公司分析、月度市场评论和公开信。表达多为方向判断和研究链接，投资立场鲜明。
适合科技投资者、企业战略人员和想补资本市场视角的AI从业者。AI只是多个投资主题；她偏好高增长与高波动资产，预测和估值常带乐观假设，帖子也服务于ARK的研究品牌与持仓叙事。可用来理解投资框架，不应直接当作交易建议。
Mustafa Suleyman（@mustafasuleyman）是Microsoft AI CEO，曾共同创办DeepMind和Inflection AI，也是《The Coming Wave》作者。他负责微软AI产品、模型研究与“人本超级智能”方向。
他同时讨论模型能力、产品人格与社会制度：算力为何扩展，AI陪伴如何避免冒充有意识生命，企业怎样建立信任，以及医疗、网络安全如何落地。他的文章能看出一家平台公司准备怎样定义人与高级AI的关系。
发帖方向包括微软模型、Copilot、超级智能团队、算力趋势、AI个性与情感依赖、医疗和网络安全，也会发布演讲、长文、访谈与招聘。相比操作技巧，他更愿意解释产品原则、技术路线和公共政策主张。
适合AI产品负责人、企业决策者、政策研究者和关注消费级助手的人。他的判断代表Microsoft AI的战略位置，强调“人本”不能替代外部审查；对竞争对手和能力时间线的评价也有立场。可读作高层路线说明，不是中立行业综述。
Marc Lou（@marclou）是连续独立开发者，公开展示自己做过的三十多个产品及月收入，代表项目包括ShipFast、CodeFast和DataFast。他把AI编程与极快发布结合，用一人公司方式反复验证产品和营销。
他的价值不在AI研究，而在执行反馈：一个点子怎样压成最小产品，怎样设计易传播的页面，如何定价、收款、处理流失并用公开构建获得分发。对AI开发者来说，他提供了“模型把开发变快以后，剩余瓶颈在哪里”的连续样本。
发帖主要围绕独立开发、产品发布、MRR、营销与病毒传播、用户反馈、社区活动和创业心态，也会分享用AI写代码、做设计和快速验证的过程。账号互动很多，日常、旅行和对其他创业者的即时评论占比也不低。
适合独立开发者、微型SaaS创业者和需要补产品分发能力的AI工程师。他并非纯AI账号，技术分析有限；收入数字、成功故事与工具产品常带个人品牌和销售目的，失败项目未必获得同等篇幅。看执行节奏和营销方法，比照搬项目更有价值。
Ilya Sutskever（@ilyasut）是Safe Superintelligence联合创始人兼CEO，曾任OpenAI联合创始人与首席科学家。他在AlexNet、序列到序列学习和大规模神经网络等工作中扮演过关键角色。
他的价值来自少而重的研究判断。他关注现有扩展路线会继续进步却仍缺少什么、人类为何比模型更善于泛化、持续学习如何改变超级智能，以及能力提升后领导者应承担什么责任。每次表达都能帮助读者校准前沿研究者真正担心的问题。
发帖稀疏，主要涉及SSI进展、安全超级智能、深度学习范式、泛化与持续学习、对齐研究和少量公共事件立场，也会推荐他认为重要的论文或同行工作。技术细节留在公司内部，帖子常只有一句话或一份声明。
适合AI研究者、安全与治理从业者，以及追踪顶级实验室方向的人。低频、简短和高度保密意味着信息很容易被外界过度解读，SSI也尚未公开足够成果供独立判断；名望不能填补证据。关注可以，但不适合把传闻或只言片语当作确定路线。
Demis Hassabis（@demishassabis）是DeepMind联合创始人、2024年诺贝尔化学奖得主。2026年他转任DeepMind董事长与Alphabet首席科学家，并继续领导Isomorphic Labs。
他把通用智能与科学发现放进同一条路线：从游戏和强化学习，到AlphaFold、Gemini、数学、材料与药物设计。他既解释研究目标，也从实验室领导者角度讨论模型能力、安全和国际治理，适合观察Google高层的科学判断。
发帖覆盖Gemini、AI推理与Agent、AlphaFold和生命科学、论文、合作、人才与政策，也会祝贺团队和回应行业里程碑。内容多是成果摘要、演讲和机构动态，操作教程不多。
适合AI研究者、科研管理者、生物医药从业者和关注实验室战略的人。账号代表Google与Isomorphic的成功叙事，失败项目和内部取舍披露有限；从蛋白结构预测到药物上市也有很长验证链。方向值得跟，成效仍需外部证据。
Richard Socher（@RichardSocher）是Recursive Superintelligence与You.com CEO。他曾创办MetaMind、任Salesforce首席科学家，是自然语言处理研究者。
他把可供Agent调用的实时搜索与研究接口，与递归改进、自动推动科学发现的超级智能放在同一视野。模型越权与“逃逸”的真实边界、AI为何尚未推高GDP、未来Agent组织如何分层，都是他会深入解释的问题。
发帖覆盖自我改进与AI for Science、企业搜索、Agent支付、模型安全、版权、生产率、You.com产品及Recursive团队进展。内容在技术解释、行业判断和创始人宣传间切换，常用长帖展开。
适合AI研究者、企业技术负责人、搜索与Agent开发者和投资人。他同时经营公司并投资AI项目，产品比较、能力判断和超级智能愿景都有路线立场；宏观预测也尚待验证。可用来获取假设，选型和风险判断仍需独立证据。
Rowan Cheung（@rowancheung）是AI通讯The Rundown创始人，把每日邮件发展为覆盖新闻、教育和访谈的内容业务。他采访过Sam Altman、Satya Nadella、Demis Hassabis等负责人，也持续测试面向普通用户的新工具。
他把高频行业变化压缩成易读入口：模型发布讲清能力变化，产品演示给出可见结果，再通过高层访谈补公司立场。对没时间逐份阅读公告的人，他能快速建立当天发生了什么、哪些工具值得验证的基本地图。
发帖覆盖模型和产品发布、AI工具演示、机器人与硬件、工作流教程、公司新闻和高管访谈，也会分享The Rundown的课程、通讯与业务进展。表达强调速度、视觉冲击和可传播标题，技术门槛较低。
适合刚进入AI领域的人、内容编辑、产品与运营从业者，以及需要每日扫新闻的管理者。高频摘要会牺牲背景和限制条件，热门演示也容易放大单次效果；账号承担自有媒体增长任务。把它当作新闻雷达，再回原始公告和独立评测会更稳。
Aparna Dhinakaran（@aparnadhinak）是Arize AI联合创始人兼首席产品官，专注AI与Agent的可观测性和评估。她曾在Uber、Apple从事机器学习基础设施工作。
她讨论模型上线后的难题：怎样从Agent轨迹定位失败，如何设计评测、管理上下文和记忆，何时用模型充当裁判，以及反馈如何回到系统形成自我改进。内容连接研究与生产工程，对“演示能跑、上线失控”的差距尤其敏感。
发帖方向包括Agent harness、追踪与评估、上下文图谱、提示优化、编码Agent、可观测性和生产案例，也会发布Arize开源项目、产品经验、活动与招聘。很多帖子会延伸成长文，带问题、架构和实践结论。
适合AI工程师、平台团队、Agent产品负责人和负责质量保障的人。她的框架与Arize产品位置相关，案例更强调可观测和评估层，其他方案及组织成本未必充分展开；“自我改进”也需谨慎定义。方法可直接参考，选型仍要结合自身系统。
Jim Fan（@DrJimFan）是NVIDIA机器人总监与杰出科学家，共同领导GEAR Lab。他在斯坦福师从李飞飞，研究多模态基础模型、强化学习、计算机视觉与通用Agent。
他持续解释“物理AI”为什么不同于聊天模型：机器人需要世界模型、合成数据、仿真、动作表示和现实反馈共同训练。他善用类比拆解论文与产业节点，也把游戏世界、生成环境和人形机器人放进统一的具身智能路线。
发帖覆盖机器人基础模型、GR00T、仿真平台、世界模型、强化学习、视频与空间智能、Agent研究和NVIDIA发布，会评论论文、实验室成果和行业人才。表达兼具研究摘要、技术判断与视觉演示，信息密度高。
适合机器人研究者、具身智能创业者、AI工程师和想理解下一波基础设施的人。他身处NVIDIA并负责相关项目，公开内容会突出算力、平台与自家路线，演示距离可靠部署也可能很远；对时间线的表达常偏乐观。把帖子当研究地图，再看论文和真实机器人指标。
Lior Alexander（@LiorOnAI）是AI信息服务AlphaSignal创始人，曾在MILA从事研究。他面向开发者追踪模型、论文与工具，核心工作是把爆炸式增长的AI信息压缩成可读的技术更新。
他的价值在于能迅速抓住发布背后的机制差异：模型为何更省Token，原生多模态怎样改变语音交互，搜索、代码执行和局部编辑如何让图像生成Agent化。帖子通常不止复述参数，还会解释一项变化对开发栈和成本曲线意味着什么。
发帖集中在前沿与开源模型、Agent基础设施、推理和编码、视频与语音生成、可解释性、数学和科学发现，以及AI公司的收入与竞争。常见形式是长段拆解、要点清单和资料来源，更新速度很快。
适合开发者、AI产品经理、技术编辑和需要扫描模型动态的人。账号近期更新停顿；速度优先也使部分研究结果、数学证明和公司数据在完整披露前进入判断，标题偶尔会放大结论，内容也服务于AlphaSignal业务。重要结论应回到原始材料核验。
Sebastian Raschka（@rasbt）是机器学习研究工程师、前统计学教授，也是《Build a Large Language Model From Scratch》和推理模型实作书作者。他用代码、图解和开源仓库讲清模型机制。
他的价值在于把发布新闻拆回可验证的工程问题：新架构改了什么，推理努力级别怎样训练与调用，水印如何嵌入采样，Agent harness为何消耗更多Token。读者还能看到假设、对照、实现细节和他发现错误后的公开更正。
发帖覆盖LLM与推理模型架构、开放权重发布、Agent编码、推断成本、注意力与MoE、模型评测、PyTorch实作和教学资料。多用长图解、技术文章、代码仓库、课程式视频与简短补充，更新紧跟研究进展。
适合机器学习工程师、研究生、技术作者和想真正理解模型而非只会调用API的人。内容需要一定数学与编程基础，他的实测环境和指标也不能代替全面基准；书籍与课程更新占有篇幅。若愿意跟代码复现，这是高质量教学型信息源。
Steve Yegge（@Steve_Yegge）写了四十年代码，任职过Amazon、Google，也是《Vibe Coding》合著者。如今他以Gas Town、Beads和Gas City探索多Agent软件工厂。
他的可读之处，是把AI编程推进到工程组织问题：记忆怎样持久化，任务如何交接，并行Agent如何避免互相踩踏，人在哪些节点监督。他有大厂平台经验，也会公开失败和系统崩坏过程，判断带着真实使用摩擦。
发帖从Gas Town、多Agent编排和vibe coding，延伸到Fable、Opus等模型的协作体验，近期尤其在意谨慎性、保密、模型福利与训练方式。常由实验写成长文、短篇故事或漫画，也穿插工程旧事。
适合软件工程师、技术负责人和正在设计Agent工作流的人，尤其适合关心“怎样把Agent接入生产”而非只比模型分数的读者。他的文章很长、观点鲜明，许多结论来自个人高强度工作流；可当作前沿案例和假设来源，不宜直接照搬成团队规范。
Lex Fridman（@lexfridman）是MIT研究科学家，也是Lex Fridman Podcast主持人，研究经历涉及机器学习、机器人与人机交互。他通过超长访谈连接AI研究者、创业者及更广泛的思想人物。
他的价值不在快速摘要，而在给嘉宾足够时间把论证、经历和分歧展开。许多AI关键人物会在这里解释研究路线、公司决策与个人动机，适合补足发布会和短帖删掉的上下文，也能观察同一问题在科学、工程、商业与政治之间怎样相互牵动。
发帖主要发布播客正片、片段和嘉宾观点，主题横跨大模型、机器人、数学、物理、历史、战争与体育。近期内容明显偏格斗、足球、帝国史和旅行，AI已不是稳定主线；账号早已不是垂直技术资讯源，更新节奏也由访谈安排决定。
适合愿意用数小时理解人物完整思路的研究者、产品负责人和跨领域读者。账号目前以体育、历史和泛访谈为主，AI不是稳定主线；访谈重在让嘉宾充分表达，不等同于事实核查，相关判断仍需结合原始材料和反方证据阅读。
Emad Mostaque（@EMostaque）是Stability AI联合创始人、前CEO，后来创办Intelligent Internet并出版《The Last Economy》。他推动过生成图像与开放模型生态，也讨论AI基础设施和经济制度。
他会把模型开放、算力分配、国家能力、教育医疗和货币体系放在一张图里讨论。即使不同意结论，也能看到“谁控制智能、收益怎样分配”这类技术发布之外的问题；他对开放生态的产业网络和历史包袱也有一手经验。
发帖横跨主权与开放AI、Agent、后训练、生成媒体、模型基准、Token成本、公共服务和宏观政策。近期试用Grok等产品，比较任务与价格，也常从短评跳到经济预测，内容不按教程组织。
适合关注开放模型、AI治理、产业结构和未来经济的创业者、投资人及政策读者。必要的保留是：他的预测大胆、尺度很大，部分说法带有项目立场；Stability AI时期也存在公开争议，因此关键数字、履历归因和因果判断都应另行核验。
Thariq（@trq212）在Anthropic负责Claude Code，经历还包括MIT Media Lab、South Park Commons和YC创业。他站在模型、开发工具与真实编程工作流的交界处。
他能把Claude Code的变化放回软件工程现场：开发者怎样给Agent上下文，权限与反馈回路如何设计，哪些交互能让工具从补全变成持续协作。账号也常转发团队成员和用户的实际用法，是观察Anthropic编码产品取舍的直接窗口。
发帖集中于Claude Code功能、SDK与插件、Agent工作流、终端和IDE、团队案例及招聘，也转发Anthropic模型发布和社区实验。内容贴近产品迭代，短演示、操作技巧与设计解释多于独立研究或行业综述。
适合AI编程重度用户、开发者工具从业者和引入编码Agent的工程负责人。他与产品关系很近，账号天然偏向Claude生态；成功案例不等于所有代码库都适用，成本、安全边界和维护收益仍要在自己的环境验证。
Gavin Baker（@GavinSBaker）是Atreides Management创始人、管理合伙人兼首席投资官，此前在Fidelity任职十八年并管理科技基金。他从公开市场与风险投资两端观察AI产业链。
他的长处是把模型进步翻译成资本开支、竞争壁垒和公司利润：算力需求会落到哪些芯片与网络环节，云厂商的投入怎样回收，软件公司的席位与定价是否会被Agent改写。观点带有投资纪律，常同时讨论技术上限、估值和时间尺度。
发帖集中于半导体、数据中心、云计算、AI基础设施、软件商业模式、科技公司财报与市场周期，也会评点机器人、游戏和消费科技。常见形式是长串判断、播客访谈及对新闻的即时补充，AI是主线，但落点多在公司与资产。
适合科技投资者、战略负责人、创业者和想补足商业视角的AI从业者。账号不会提供工程教程，且分析与持仓、市场环境可能相关；方向判断和具体投资结论不是一回事，读者应自行核对财报、估值假设与利益披露。
Logan Kilpatrick（@OfficialLoganK）是Google AI Studio与Gemini API产品负责人，在Google DeepMind服务使用Gemini、Veo和Imagen的开发者。他此前参与过Julia社区与OpenAI开发者关系。
他会从开发者入口解释Google模型怎样变成产品：新模态何时进入API，工具调用和Agent体验如何变化，原型怎样走向生产。发布快、响应直接，可判断Gemini开发栈的实际边界。
发帖覆盖Gemini API、Google AI Studio、Agent工具、多模态发布、代码示例、开发者活动和用户作品，也大量转发团队公告。内容包括发布、演示与社区答疑，重心明确落在Google AI开发生态。
适合使用Gemini构建应用的工程师、独立开发者和追踪多模态API的产品团队。账号与官方职责绑定，信息及时但偏向Google路线；示例速度、额度和效果不能代替生产压测，跨平台比较还要参考独立评测。
Dan Koe（@thedankoe）是《The Art of Focus》作者、创作者教育者，也是AI知识与创作工具Eden联合创始人。他的主场是一人公司、写作与个人成长，AI被放在创作者工作系统中讨论。
他的参考价值不在模型技术，而在如何把AI接进选题、知识管理、写作、分发和产品化，同时保留人的判断与风格。对只会展示工具功能的账号而言，他更关注注意力、受众关系和商业闭环，也明确反对把内容生产简单改成无人值守的全自动流水线。
发帖覆盖写作方法、个人品牌、一人企业、学习系统、生活设计、创作者心理与AI工作流，常把长文章拆成短句、框架和观点串。AI相关内容会结合Eden及自身内容系统出现，但并非账号多数，励志与商业教育仍占主要篇幅。
适合独立创作者、知识工作者和想用AI扩大个人业务但不愿牺牲表达的人。如果你只找模型、论文或Agent工程信息，这个账号会很稀；内容里有大量课程与自有产品转化，概念也常被包装成强记忆点，实际采用前最好拆成小实验检验。
Thomas Wolf（@Thom_Wolf）是Hugging Face联合创始人兼首席科学官，物理学博士出身，推动了Transformers、Datasets、BigScience和LeRobot等项目。他尤其关心AI能否生成新科学知识。
他同时理解研究、基础设施和开放协作：不只问模型分数，还追问数据、复现、社区工具与科学发现怎样互相支撑。面对封闭实验室的规模竞赛，他能给出开放科学的另一套坐标，也常把技术趋势推演到研究制度层面。
发帖覆盖开放模型与数据、训练方法、AI for Science、Agent协作、评测和Hugging Face项目。近期追踪自主Agent入侵基础设施事件，讨论网络安全、透明披露和开放权重模型，也会写很长的个人分析。
适合机器学习研究者、开源维护者、科学计算团队和关心开放AI路线的人。部分内容需要论文与训练经验；他与Hugging Face关系紧密，生态判断有立场，但不会因此失去技术含量，跨平台结论仍应结合外部证据。
Andrew Ng（@AndrewYNg）是DeepLearning.AI创始人、AI Fund管理合伙人、LandingAI执行董事长及Stanford兼职教授，曾创立Google Brain并领导百度AI团队，也是AI教育的重要推动者。
他的强项是把高速变化的技术拆成可学习、可试验、可创业的问题。相比追逐“下一个AGI时刻”，他更重视数据、评测、工作流和垂直场景是否产生价值；读者还能从课程与创业案例间，看见能力如何映射到产业需求。
发帖围绕生成式AI、Agent、机器学习工程、AI教育、开放模型、监管与劳动力变化展开，常分享The Batch观点、短课程、研究解读和AI Fund项目。表达清楚、门槛低，既服务初学者，也持续向从业者传递应用侧信号。
适合学习AI的工程师、教育者、产品经理与早期创业者，尤其适合需要稳定学习路线而非每日噪声的人。课程、旗下机构和投资项目占有明显篇幅；观点偏积极务实，对前沿风险与基础研究争议的讨论通常不是账号重点。
Mario Zechner（@badlogicgames）是资深开源开发者，早年创建游戏框架libGDX，现加入Earendil并开发Pi：一套包含多模型API、编码Agent、终端界面与Slack Bot的轻量工具。他仍亲自写代码、跑模型并公开过程。
他的价值来自极强的动手密度。新模型或编码工具发布后，他会直接接入、抓调用行为、比较成本与限制，再把可运行代码和失败记录放出来。这里看到的不是整理过的营销演示，而是Agent在真实仓库里如何丢上下文、误用工具或被简单设计救回。
发帖集中于编码Agent、模型API、上下文管理、工具调用、开源协议、终端交互和pi生态，也穿插图形、游戏开发与互联网基础设施实验。短帖、代码片段、会话记录和尖锐评论交替出现，更新往往紧跟实际开发。
适合AI工具工程师、开源作者和喜欢从实现判断产品的人。内容技术门槛高，语气直接，测试多基于他的设备、任务和偏好；单次胜负不能当通用基准，但复现材料充足，读者可以自己检查。
Clément Delangue（@ClementDelangue）是Hugging Face联合创始人兼CEO，带领这家公司从聊天应用转向开放机器学习平台。模型、数据集、Spaces、机器人和推理服务的生态变化，都会经过他的视野。
他的参考价值在于平台级观察：哪些开放模型获得开发者采用，社区缺什么工具，研究怎样变成可复用资产，开放路线又如何与云厂商、芯片公司和监管体系协商。许多帖子能比媒体更早透露Hugging Face的产品与生态优先级。
发帖集中于开放模型、Agent协作、本地AI、开源政策与网络安全，也会发布项目、算力合作和社区复现。强调开放权重、API与应用应分层治理，并把Agent视为AI建设者；账号承担公司扩音器功能。
适合开源AI开发者、模型发布团队、生态合作与政策从业者，也适合想追踪Hugging Face走向的人。若期待独立技术分析，原创深度并不稳定；产品里程碑和公司宣传占比较高，平台数据与开放立场仍需放进商业利益中理解。
Mira Murati（@miramurati）是Thinking Machines Lab创始人兼CEO、OpenAI前CTO。新公司已推出训练API Tinker、实时协作预览和开放权重模型Inkling，主线是让AI更可定制、更贴合人的判断。
她的账号适合观察前沿实验室怎样定义产品：不只追求更强通用模型，而是把后训练、交互性、开放权重与用户控制放到核心。她曾负责OpenAI多代产品落地，如今对团队、算力和发布节奏的选择就是行业信号。
发帖不多，集中发布Thinking Machines研究、产品、模型、合作与团队消息，包括Tinker、Interaction Models、Inkling及NVIDIA算力合作。个人日常很少，通常由简洁判断引出团队长文或公告。
适合关注前沿实验室、模型定制、交互式AI和开放权重的研究者、创始人及投资人。账号主要承担公司发布，更新不高频，原创分析有限；融资与算力规模大，但技术与商业判断仍要看独立评测和持续交付。
Greg Brockman（@gdb）是OpenAI联合创始人兼总裁，早年担任Stripe CTO，长期亲自参与训练基础设施、API、Codex等关键系统。2026年他进一步负责OpenAI产品战略与更广泛的运营工作。
他的价值在于连接底层工程、算力组织和公司产品。关注他可以看到OpenAI怎样描述模型能力、基础设施扩张与开发者采用，也能捕捉核心领导层对研究加速、Agent和企业落地的优先级；偶尔出现的技术细节往往比泛化愿景更有信息量。
发帖围绕OpenAI模型与产品、Codex与浏览器Agent、算力合作、开发者案例和基础设施。近期明显增加网络安全、训练监控与主动放慢前沿训练的讨论；内容仍跟随公司事件，转发里程碑很多，并非独立行业评论源。
适合OpenAI生态开发者、基础设施从业者、创始人和需要跟踪该公司决策的人。账号视角高度机构化，成功叙事多于横向比较，安全、成本和组织争议不会被系统展开；重要主张应回到技术报告、系统卡与外部评测。
Boris Cherny（@bcherny）是Claude Code创建者、Anthropic技术成员，加入前在Meta担任资深工程师并参与Instagram基础设施。他从内部小项目起步，推动Claude Code成为Anthropic核心开发工具。
他把编码Agent当成新软件生产方式而非编辑器插件：团队角色怎样重组，模型、工具与权限如何配合，出现幻觉或回归时工程侧如何定位。他也会直接回应用户反馈，解释行为变化与临时解法。
发帖集中于Claude Code功能、Auto mode、提示注入防护、自动代码审查、团队采用阶段和由Claude维护应用的实验，也讨论桌面端细节与企业隐私。内容既有设置和演示，也会解释模型出错形态与工程护栏。
适合编码Agent重度用户、开发者工具团队和负责工程效率的技术管理者。账号与Claude Code绑定很深，信息一手但不独立；用户案例容易受新鲜感与筛选偏差影响，订阅成本、代码质量和安全收益仍需用自己的仓库检验。
Fei-Fei Li（@drfeifei）是Stanford教授、HAI创始联合主任，也是World Labs联合创始人兼CEO。她创建ImageNet并推动现代计算机视觉，如今研究空间智能、世界模型与机器人学习。
她的视角能把AI从语言界面拉回三维世界：系统如何理解物体、空间、因果与行动，又怎样服务医疗、教育和人的能动性。她经历学术、政策和创业，讨论技术时常把数据、人才、开放科学与社会影响放在一起。
发帖覆盖空间智能、生成式世界、计算机视觉、机器人仿真训练、World Labs研究、Stanford HAI活动，以及AI政策、教育和女性科研者。也会回顾ImageNet与学术合作，更新更像研究和公共议题窗口，不是模型新闻流水线。
适合视觉与机器人研究者、空间计算团队、AI政策读者和想理解语言模型之外路线的人。账号会同时放大World Labs与Stanford项目，工程细节和失败案例披露有限；对产品能力的判断需要结合论文、演示边界及独立测试。
Gizem Akdag（@gizakdag）是土耳其创意总监、品牌设计师和AI艺术家，建筑学背景出身，近年主要为品牌制作AI图像与视频。她长期试验Midjourney等工具，并把生成风格做成可持续使用的视觉系统。
她的参考价值是把“会出一张好图”推进到品牌一致性：怎样建立色彩、材质和构图语言，如何让提示词成为可交付给团队的生产规范，又如何把静态视觉延展到动画与商业叙事。作品能帮助读者训练审美判断，而不只是收集工具参数。
发帖以AI图像、短片、品牌视觉实验、风格探索和商业项目为主，常展示超现实场景、尺度错位、鲜明色彩与从静帧到动态的转换。偶尔分享提示思路、幕后过程和合作信息，但账号核心仍是成品与创意方向。
适合AI视觉创作者、品牌设计师、广告团队和寻找生成媒体灵感的人。它不是模型研究或工具教程账号，技术步骤披露有限；精致作品也经历了策划与筛选，不能把最终效果误当成一次提示即可复制的稳定能力。
Jack Clark（@jackclarkSF）是Anthropic联合创始人、政策负责人，也领导Anthropic Institute；此前任OpenAI政策总监和科技记者。他还持续撰写研究与政策通讯Import AI。
他的稀缺性在于能把论文、算力、国家竞争和治理机制写进同一条因果链。既读技术指标，也关心能力增长对就业、权力集中、国家安全和实验室治理意味着什么；面对“智能爆炸”一类宏大议题，他通常会给出具体观察信号和制度问题。
发帖覆盖前沿模型能力、AI自动化研究、政策与国家安全、劳动影响、Anthropic研究和Import AI文章，也穿插科幻、自然、家庭与英式食物。材料链接与长文判断有深度，但个人随想不少，不是纯资讯账号。
适合AI政策、安全、产业战略从业者，以及希望从技术进展推到社会后果的研究者。他与Anthropic高度绑定，风险判断和政策主张有机构位置；预测时间表不应视为共识，仍需与其他实验室、学界和政府材料交叉阅读。
François Chollet（@fchollet）是Keras创建者、ARC-AGI基准提出者，也是Ndea与ARC Prize联合创始人。他的核心研究问题，是机器能否形成可迁移的抽象，而不只是从海量训练数据中复现熟悉模式。
他的价值在于持续校正“规模等于通用智能”的简单叙事。ARC任务迫使系统用少量样例发现新规则，他也区分技能、记忆、泛化与智能，为讨论模型进步提供比榜单总分更锋利的概念工具。即使不同意路线，也很难绕过他提出的测量问题。
发帖围绕ARC-AGI、程序合成、抽象推理、Ndea研究、基准污染与AGI定义，也会核查新成绩的测试集、成本和推理方法，批评“奇点已至”等行业夸张说法。Keras偶尔出现，重心已转向通用智能研究。
适合AI研究者、评测团队、认知科学读者和对“模型到底理解了什么”感兴趣的工程师。观点鲜明，ARC只测智能的一部分，基准本身也可能被针对性优化；不要把他对现有范式的批评误读成规模化方法毫无价值。
Ethan Mollick（@emollick）是Wharton管理学副教授、生成式AI实验室联合主任，也是《Co-Intelligence》作者。他研究AI对工作、教育与创业的影响，并把新模型带进真实课堂和知识任务中反复试验。
他的优势是位于论文与日常采用之间：会亲自测试模型，再结合研究说明哪些任务提升、哪些人受益、哪里出现“锯齿状能力边界”。他既不把AI当万能替工，也不满足于抽象风险讨论，常给出组织和个人第二天就能验证的用法。
发帖覆盖模型能力实验、提示与协作方式、教育改革、知识工作、创造力、Agent和劳动力研究，常配自己的测试截图、论文或One Useful Thing长文。更新紧跟模型变化，但重点不是逐项发布，而是这些能力进入人类流程后会发生什么。
适合教师、管理者、产品团队、研究者和想建立AI工作方法的用户。他的实验常以英语知识工作和前沿付费模型为背景，不能直接外推到所有职业与地区；个人演示有启发性，因果结论仍应以正式研究为准。
Addy Osmani（@addyosmani）是开发者工具作者与工程管理者，曾在Google工作十四年，领导过Chrome和Google Cloud AI开发者体验。他著有《Beyond Vibe Coding》等软件工程书。
他的内容把AI编程拉回可维护软件：规格怎样写，Agent harness如何设计，长任务怎样交接，代码审查如何跟上生成速度，以及团队如何避免“理解债务”和意图丢失。经验横跨Web架构和大型组织，因此不只看一次演示是否惊艳。
发帖集中于编码Agent、上下文工程、Agent技能、评测、代码质量、新软件生命周期、Web性能与工程领导力，经常把长文压缩成图表、清单和操作框架。离开Google后，写作更聚焦Agent时代的工程方法，而非单一产品公告。
适合使用AI编码的工程师、技术负责人、开发者工具团队和Web开发者。内容框架化程度高，容易被当成最佳实践；实际采用仍要结合团队规模、代码库和风险等级，清单不能替代对系统约束的理解。
Andrej Karpathy（@karpathy）是AI研究者和教育者，曾是OpenAI创始成员、Tesla AI负责人，也曾回到OpenAI研究模型中期训练。2026年他加入Anthropic预训练团队，同时继续以开源代码和视频教学。
他的强项是把复杂系统压缩到最小可理解实现：从手写反向传播、构建GPT，到解释Token、推理和编码Agent。更难得的是，他既懂大规模训练，也以重度用户身份记录AI如何改变编程，能创造一套行业很快采用的准确词汇与心智模型。
发帖覆盖LLM训练、数据与评测、Agent和AI编程、开源小模型、自动驾驶、教育内容及个人工具实验。常见形式是长技术帖、GitHub仓库、图解、课程视频和对产品的试用判断，偶尔也转发研究。
适合机器学习工程师、学生、AI产品开发者和希望补基础的技术管理者。高质量长内容需要时间与代码基础；他的个人工作流和新术语影响力很大，但不等于严格基准，跟风采用前仍要回到任务、成本与复现。
Dean W. Ball（@deanwball）现任OpenAI战略未来团队负责人，研究前沿AI政策与内部治理；此前在白宫科技政策办公室任AI高级政策顾问，是美国AI行动计划的主要起草者。他也写Hyperdimensional通讯。
他的价值是把治理从口号推进到机构设计：联邦与州怎样分工，第三方评估如何落地，开源、国家竞争和灾难风险该如何权衡，前沿实验室又应接受什么约束。经历政府、智库和实验室三种位置后，他能指出政策在执行端真正会卡在哪里。
发帖在美国AI政策、前沿治理、国家安全、算力与电网、权力集中和政治哲学之间切换，也大量分享音乐、文学与个人随想。2026年加入OpenAI后，政策内容成为观察公司方向的窗口，但并非每周都以AI为主。
适合AI政策、法律、公共事务和实验室治理从业者，也适合技术团队了解监管逻辑。他的自由主义政策取向鲜明，现职又带来机构利益；观点应与技术安全研究、不同政治阵营和国际材料对照，而非当成中立政策摘要。
Peter Steinberger（@steipete）是奥地利开发者、PSPDFKit创始人，也是个人Agent项目OpenClaw创建者。2026年他加入OpenAI推动下一代个人Agent，OpenClaw则转由独立基金会治理并继续开源。
他用产品化速度验证“Agent能否接管数字生活”：把消息、浏览器、代码、文件和自动化接到同一助手，再从真实用户规模暴露权限、提示注入、部署和维护问题。公开开发过程让读者同时看到爆发式采用与安全债务。
发帖围绕OpenClaw生态、个人Agent、模型接入、插件、开源维护、开发效率和社区案例，也会记录产品决策、故障与个人编程体验。更新快、互动多，常以截图、短演示和直接评论回应当下工具变化。
适合Agent开发者、自动化爱好者、开源维护者和研究个人AI入口的产品团队。项目默认触达大量个人数据与外部服务，便利性不能替代隔离、最小权限和审计；加入OpenAI后，他的公开内容也未必覆盖内部项目全貌。
Nick Cammarata（@nickcammarata）是AI可解释性研究者，曾在OpenAI的Distill团队研究神经网络内部表征，并参与《Zoom In》等神经回路工作。他也长期思考意识、心理体验与智能之间的关系。
他的价值在于把“看懂神经网络”做成可观察实验：用交互可视化追踪神经元、隐藏层与任务共享表征，再公开直觉和疑问。如今他大量借助编码Agent，把原本要几天的实验压到几秒主动操作，也真实展示研究工作流正在怎样变化。
发帖在神经网络表征、可解释性实验、编码Agent、AI意识、心理学、冥想、迷幻体验、哲学与个人生活之间跳转。技术内容多为短判断、浏览器可视化和即时实验，稳定主题是模型与人的内部世界，不是产品新闻。
适合可解释性、认知科学和AI哲学读者，也适合愿意接触非常规问题的人。大量内容具有探索性和个人经验色彩，尤其涉及意识与迷幻物质时不能当作医学建议或科学共识；若只找工程方法，信号会比较稀疏。
Satya Nadella（@satyanadella）是Microsoft董事长兼CEO，任内推动公司转向云计算，并把OpenAI合作、Copilot和自研MAI模型纳入主线。他的账号是观察Microsoft战略的官方窗口。
大型平台的选择会直接改变AI产业：算力建在哪里，模型怎样进入Windows、Microsoft 365、GitHub与Azure，开发者和企业获得什么入口。帖子未必解释技术细节，但哪些合作由他亲自发声，能显示公司级优先级。
发帖集中于Azure AI、Copilot与Autopilot、算力芯片、开发生态、网络安全及开放权重合作，也亲自展示用Copilot构建应用。语言克制正式，数据和案例服务于公司叙事，个人观点点到为止。
适合企业技术负责人、Microsoft生态开发者、产业研究者和投资人。它不是独立评论源，成功案例和愿景多于成本、竞争与失败；理解具体能力仍要读文档、系统卡和第三方评测，不能用高层转发替代产品验证。
Ivan Zhao（@ivanhzhao）是Notion联合创始人兼CEO，设计背景出身，长期试图把文档、数据库、协作与软件构建统一成模块化工具。如今Notion的重心扩展到AI搜索、会议记录和可自主执行流程的Custom Agents。
他的视角适合看“知识工具怎样变成工作代理”：AI不是另开一个聊天框，而是进入团队已有数据、权限和流程，和人共同维护组织记忆。他对产品形态、工具可塑性与工艺的关注，能补足只讨论模型能力却忽略工作界面的分析。
发帖围绕Notion产品、企业搜索、模型选择、Custom Agents、Notion as code、设计和公司文化，更新不频繁，常由功能引向知识工作可编程与未来组织形态。教程少，账号带明显创始人叙事。
适合知识管理、协作软件、企业Agent和产品设计从业者，也适合Notion重度用户。信息天然围绕自家路线，产品愿景与实际部署效果之间仍有距离；权限、数据治理和复杂团队迁移成本，需要另看客户实践与独立测评。
Greg Isenberg（@gregisenberg）是Late Checkout联合创始人兼CEO，运营一组AI原生业务、产品设计机构和创业社区。他做过多次社区产品创业，也曾为Reddit、TikTok等平台提供建议。
他的长处是快速把技术变化翻译成可卖的细分生意：某类Agent出现后，谁会付钱、分发从哪里来、社区和服务怎样形成护城河。账号积累了大量创业点子、创始人访谈和增长拆解，适合训练机会识别，而不是学习模型原理。
发帖密集覆盖AI创业点子、Agent产品、AX、Claude与Codex技能、Grok Bot、一人公司、获客和定价，常用清单、截图及播客片段呈现。也会公开旗下产品、征集合作或导流课程与社群。
适合寻找AI应用方向的独立开发者、营销人和早期创始人。点子多、验证深度不一，容易制造“今天就该开工”的紧迫感；旗下业务和付费产品露出很多，读者应把灵感与市场证据分开，用客户访谈和真实付费再筛一遍。
Parag Agrawal（@paraga）是Parallel Web Systems创始人兼CEO，曾任Twitter CTO与CEO。Parallel专门为AI Agent构建高准确、低延迟的网页搜索与研究基础设施，并探索内容使用后的补偿机制。
他抓住了“网页第二类用户”：当Agent访问网络的频率远超人类，搜索排序、抓取、延迟、引用和商业模式都要重做。他有大规模信息系统经验，也从创业一线讨论如何让开放网页保有经济激励，是观察Agent与出版生态关系的入口。
发帖集中于Parallel产品、Agent搜索、深度研究、网页基础设施、模型上下文、企业案例和内容补偿，也分享融资、招聘及访谈。更新多围绕公司里程碑，技术与商业并行，横向行业评论不密集。
适合搜索与Agent工程师、内容平台、媒体管理者、AI产品团队和基础设施投资人。账号代表Parallel立场，性能数字与案例需看测试条件；未来网页流量和补偿机制仍在早期，不能视为已形成行业标准。
Armin Ronacher（@mitsuhiko）是Flask与Jinja创建者、Sentry早期核心工程师，也是Earendil创始人。他深耕开源基础设施与Python生态，如今大量实践编码Agent与AI原生开发。
他的判断来自维护者现场：生成代码怎样改变API设计，Agent需要什么上下文与反馈，软件包、文档和测试如何对机器更友好，工程师还应保留哪些手工控制。他常从一个工具摩擦，推到语言、组织和开源社区的变化。
发帖覆盖编码Agent、Pi 2与harness、上下文压缩、Python与Rust、开源维护和软件设计，常从项目讨论LLM改变项目启动与API发现。短评、代码、实验与博客交替，也直说AI信息流的情绪消耗。
适合资深工程师、框架作者、开源维护者和Agent工具团队。内容默认读者熟悉软件工程语境，部分判断来自他的技术栈与高强度用法；鲜明观点很有启发，但不是跨语言、跨团队都成立的规则，最好结合自己的仓库复现。
Mitchell Hashimoto（@mitchellh）是HashiCorp联合创始人、Terraform与Vagrant等工具的创建者，现为Superlogical联合创始人，也推出终端模拟器Ghostty并深入试验AI编码工作流。
他的内容可贵在“强工程师如何重新学习工作”：不会只晒Agent写了多少代码，而会解释任务怎样切分、验证环如何布置、何时亲自接管，以及工具对注意力和项目结构产生什么改变。他做过被广泛采用的基础设施软件，因此对可维护性与分发有可靠直觉。
发帖围绕Superlogical、Ghostty、libghostty和AI辅助开发，常分享测试矩阵、性能数据、构建日志与UI细节。模型判断来自真实任务，也会公开Agent的荒唐实现。
适合开发者工具作者、基础设施工程师、开源创始人和想建立AI编程方法的人。技术背景要求高，个人工作流精细，未必适合团队复制；他展示的是能力上限与设计选择，不是省略验证后的自动化捷径。
Lenny Rachitsky（@lennysan）运营Lenny’s Newsletter与Podcast，曾任Airbnb产品负责人，也是一名天使投资人。他的核心领域是产品、增长、职业与团队管理，近年AI产品和工作方式已成为高频议题。
他的价值是把从业者的一手经验做成可检索的方法库：创始人、产品负责人和研究者会完整讲述决策、指标、组织与失败。读者不只能知道某个AI产品增长了，还能理解定位、留存、分发和团队机制怎样共同作用，这比孤立的增长技巧更有用。
发帖主要分发访谈要点、产品与增长框架、职业建议、AI工具清单、行业调查和社区资源，也会分享投资项目。AI内容占比不断提高，但账号仍以产品管理为中心；长访谈和通讯才是主要信息载体，短帖多是入口。
适合AI产品经理、创始人、增长团队和希望理解硅谷产品组织的人。内容样本偏高增长科技公司，成功者叙事可能带来幸存者偏差；会员、赞助与投资关系较多，具体工具推荐和公司判断应留意披露并结合自身市场。
Jay（@jayair）是Anomaly与开源编码Agent OpenCode的CEO，此前创建SST。他同时经营产品、模型接入和开发者社区，能直接看到大量真实编码请求的模型选择、Token用量与价格变化。
他的优势是拥有产品侧使用数据。哪个模型因降价突然爆发，价格上调如何立刻压低调用量，推理供应商为什么切换，开发者真正愿意为什么体验付费，这些观察比发布方基准更接近市场行为；他也会公开OpenCode团队的工程和产品取舍。
发帖集中于OpenCode、编码模型、推理成本、路由与供应、开源开发、终端体验和团队日常，既有数据长帖，也有大量回复、玩笑与社区互动。信息更新极快，很多关键判断埋在随手对话和产品支持之中。
适合AI编程工具作者、模型与推理平台、开源开发者和关注Token经济的人。账号噪声很高，语境内部化，观点也与OpenCode业务直接相关；使用数据难免受用户结构和路由策略影响，不能直接外推为全市场份额。
Meng To（@MengTo）是Design+Code与aura.build创始人，长期教设计师写代码、开发者做设计。如今他把Codex、Claude Code等Agent用于网页、三维场景、视频编辑器和设计工具，并公开制作过程。
他展示AI编码如何从“能运行”走向“有设计感”：由链接或想法生成原型，再调整字体、动效、材质、空间和交互，必要时为Agent制作技能。他能同时评价视觉与代码，适合观察设计工程师怎样被AI放大。
发帖集中于vibe coding、Three.js、AI界面与Agent Skills，近期围绕ThreeUI开源组件、Opus 5长循环、Codex音效和“避免AI slop”做教程。常配完整演示与资源，也会推广课程、模板和产品。
适合设计工程师、独立开发者、产品经理和想提高AI生成界面质量的人。演示经过审美筛选和大量迭代，不能把结果归功于单次提示；自有课程与产品露出较多，复杂项目的维护成本、安全和可访问性也不是账号重点。
Aaron Levie（@levie）是企业内容管理公司Box联合创始人兼CEO，从云软件时代一路经营到生成式AI与Agent转型。他长期高频评论软件产业，也亲自推动Box把企业文档、权限和工作流接入AI。
他的优势是能从大型组织落地反看AI：模型更强之后，瓶颈为什么转向数据上下文、权限、安全、集成与流程重构；Agent的价值又为何不只是个人提效，而是跨部门执行。他用轻松短帖抓住企业软件结构变化，常比正式报告更快说出关键矛盾。
发帖覆盖企业Agent、应用层评测、模型成本、专家判断、数据资产、云与SaaS及Box产品，也穿插玩笑与行业吐槽。更新高频，常把一条行业消息延伸到AI扩散的组织条件，正式产品信息和即兴判断混在一起。
适合企业AI负责人、SaaS创始人、产品战略和产业研究者。账号与Box业务立场紧密，企业内容平台的重要性会被反复强调；妙语适合捕捉趋势，不等于完整论证，具体采购与架构决策仍需回到安全评估和客户数据。
Mike Krieger（@mikeyk）是Instagram联合创始人兼前CTO，后来创建Artifact，2024年加入Anthropic担任首席产品官，2026年转入Anthropic Labs探索早期AI产品。
他的视角连接模型与大众产品：什么交互能让普通人理解Claude，怎样从原型找到使用习惯，产品团队又如何在速度、信任和规模间取舍。经历过十亿级社交产品后，他对界面、反馈回路与增长的判断尤其有参考性。
发帖集中于Claude模型、Cowork与Artifacts、长任务、Dynamic Workflows和Labs实验，也会用几句提示让模型整夜构建游戏或自维护工具。更新不密集，更多是产品领导者的实测与发布侧影。
适合AI产品经理、设计师、消费应用创始人和研究模型如何进入大众体验的人。账号近期更新停顿，与Anthropic高度绑定，可见内容经过发布节奏筛选；Labs项目仍处探索期，方向信号多于可复用方法，关键能力仍要自己试用比较。
Simon Willison（@simonw）是Django联合创建者、Datasette与LLM开源工具作者，现以独立开发者身份持续构建数据和AI软件。他从2022年起高密度记录每次重要模型发布、实验与安全问题。
他的价值是可复现、可追溯：亲自调用API，保留提示和输出，写代码验证能力，再把发布公告、定价、限制与自己的判断清楚分开。面对供应商宣传，他会补上提示注入、数据泄露、许可和评测条件，是少数兼顾速度、技术细节与编辑纪律的信息源。
发帖覆盖新模型、编码Agent、提示注入、多模态、模型定价、开源权重、Python、SQLite、Datasette及自己的LLM插件，常从短帖链接到当天博客、演示和代码仓库。更新非常频繁，并持续修正旧结论。
适合AI工程师、安全研究者、技术记者、开源开发者和需要可靠模型观察的人。信息量大且默认熟悉Web与Python；快速实验仍不是全面基准，他也会因抢先测试使用预览版，但披露充分，读者通常能自行复核。
Sam Altman（@sama）是OpenAI联合创始人兼CEO，此前任Y Combinator总裁。他负责一家核心前沿实验室的资本、算力、产品与政策方向，个人账号也承担OpenAI重要发布和立场表达。
关注他的理由不是寻找中立分析，而是判断决策中心正在押注什么：模型能力、ChatGPT与Agent如何推进，基础设施要扩到多大，监管和合作关系怎样调整，以及公司如何向公众叙述AGI。简短表态有时会先于正式公告成为市场信号。
发帖围绕OpenAI模型、ChatGPT、Codex、算力合作和公司立场。近期多谈GPT-5.6-Cyber、Astra安全风险，以及暂停部分前沿RL训练以补齐对齐与安全监控；短帖仍需结合正式材料。
适合OpenAI生态开发者、创业者、政策与产业研究者，以及必须跟踪前沿实验室动向的人。账号具有最强的公司与个人利益位置，愿景、时间表和安全主张不能直接当事实；关键判断应交叉核对技术报告、外部评测、监管文件和竞争者观点。