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。
按 X 关注人数从高到低 · 数据更新于 2026-09-07
账号内容分类按长期发帖方向确定。
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、算力芯片、开发生态、网络安全和开放权重合作，也会展示用Copilot构建应用。语言克制正式，数据和案例服务于公司叙事。
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。
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。
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。
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。
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。
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。
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。
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。
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。
从他的文章可以看出Microsoft AI准备怎样定义消费级助手与人的关系。模型人格、情感依赖、信任和安全会被落实为产品原则，再延伸到医疗与网络安全场景；这提供了平台公司面对高级AI时的一套公开设计立场。
发帖包括微软模型、Copilot、超级智能、算力、AI个性与情感依赖、医疗和网络安全，也会发布演讲与长文。相比操作技巧，他更重视产品原则、技术路线和政策主张。
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。
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。
他的账号提供OpenAI工程与产品优先级的高层信号。模型能力、训练基础设施、Codex采用和研究加速会被放进同一套公司执行叙事，读者可以据此判断资源正在流向哪里；偶尔披露的技术细节比宏观愿景更有参考性。
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。
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。
她的内容帮助读者理解语言模型之外的空间智能路线。物体、三维环境、因果与行动怎样被模型表示，会被连接到机器人、医疗和生成世界；她横跨研究、政策与创业的经历，也让技术能力与人的能动性同时进入判断。
发帖覆盖空间智能、生成式世界、机器人训练、World Labs研究、Stanford HAI活动，以及AI政策与教育。更新更像研究和公共议题窗口，而非模型新闻流水线。
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。
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。模型、论文和Agent工程信息较少，课程与自有产品转化较多；其中的强记忆点适合先拆成小实验检验。
Mira Murati（@miramurati）是Thinking Machines Lab创始人兼CEO、OpenAI前CTO。新公司的主线是让AI更可定制、更贴合人的判断。
关注她，可以观察一家新实验室怎样把研究主张转成产品选择。后训练、实时交互、开放权重和用户控制会通过具体模型与工具落地，团队、算力和发布节奏则显示Thinking Machines准备在哪些环节建立差异。
发帖不多，集中发布Thinking Machines的研究、产品与合作，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。
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。
Guillermo Rauch（@rauchg）是Vercel创始人兼CEO，长期建设Web开发与部署基础设施，如今把AI Gateway、Agent沙箱和自动化软件生产放进平台主线。账号兼具工程负责人和产品经营者视角。
他的价值在于能把Agent热潮落到基础设施约束：Token预算怎样治理，模型路由如何保证可用性，沙箱、网络和可观测性怎样支撑自主部署。他也会解释新协议或开发方式为什么会改变现有Web栈。
发帖覆盖AI Gateway、Next.js、Vercel部署、WebMCP、Agent浏览器、设计系统、软件工厂和开源项目，常用架构解释、性能数字和用户案例展开。内容高频，很多判断紧贴正在发布的产品。
适合Web工程师、Agent基础设施团队、开发工具创业者和技术负责人。Vercel相关内容占绝对主导，产品能力与行业趋势经常写在一起；性能和成本数字需要核对测试条件，跨平台选型仍应看独立验证。
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。
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。
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、开源政策和网络安全，也发布项目与算力合作。账号强调分层治理，并承担Hugging Face公司扩音器的功能。
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。
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。
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。
Tibo Sottiaux（@thsottiaux）在OpenAI负责Codex与ChatGPT相关工作，是产品发布、运行状态与重度用户体验之间的一线解释者。他经常在正式公告之外补充额度、成本和功能细节。
他的价值是把抽象发布转成能立即影响使用的判断：推理档位怎么选，额度重置和订阅规则如何计算，模型效率提升会怎样改变长任务。许多问题能直接得到产品团队的背景说明或修正。
发帖主要围绕Codex、ChatGPT Work、OpenAI模型、桌面应用、发布进度和用户反馈，也会分享团队文化、使用数据与内部体验，并直接收集使用问题。更新很快，短公告、产品演示、玩笑和大量回复交替出现。
适合OpenAI产品重度用户、AI开发者和负责团队工具选型的人。账号几乎只覆盖OpenAI，发布期热情与公司立场非常明显，回复密度也高；它适合获取一手产品信号和使用提醒，不适合承担跨平台评测。
Rowan Cheung（@rowancheung）是AI通讯The Rundown创始人，把每日邮件发展为新闻、教育和访谈业务。他持续采访行业负责人，也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。
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、开源维护者和个人AI产品团队。项目会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，公开内容也未必覆盖内部项目全貌。
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、具身智能创业者和AI工程师。他身处NVIDIA并负责相关项目，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；可把帖子当研究地图，再看论文和真实机器人指标。
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、提示注入防护、代码审查、团队采用和Claude维护应用的实验，也讨论桌面端与企业隐私。内容既有演示，也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。
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、网页基础设施、企业案例和内容补偿，也分享融资与访谈。更新多围绕公司里程碑，技术与商业并行，横向评论不多。
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。
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，涵盖Agent评测、多模态、世界模型、偏好数据、语音模型和开放生态。他较少写长评论，主要通过简短标题、项目链接与Hugging Face页面组织信息。
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。
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。
关注他，可以理解自动化科学发现为什么同时需要强模型和大规模系统能力。他会从自己建设计算基础设施与模型的经验出发，说明AI怎样提出假设、运行实验并根据结果继续迭代，也让新公司的研究方向有更清楚的技术脉络。
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。
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。
他的内容为模型新闻提供了一条可复现的验证路径。新架构、推理训练、水印或Agent成本都会被拆成明确假设、代码实现和对照实验，读者既能理解机制，也能沿仓库复查；发现错误时的公开更正进一步提高了可信度。
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。
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、Artifacts、长任务和Labs实验，也会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。
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。样本偏高增长科技公司，存在幸存者偏差；会员、赞助和投资关系较多，工具推荐与公司判断应结合披露和自身市场。
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项目、开放权重、具身与生成世界、类脑学习、机器人自修复及日本AI生态，形式包括论文解读、模型演示和行业短评。
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，外部横评和失败复盘较少，递归自我改进也仍在早期；把它作为研究范式雷达，比直接接受宏大结论更合适。
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、评测、代码质量、Web性能与工程领导力，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。
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。
OpenAI Developers（@OpenAIDevs）是 OpenAI 面向开发者的官方账号，发布 Codex 与 OpenAI Platform 的更新、API能力和活动，也是确认功能发布状态的一手入口。
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。
发帖以功能发布和演示为主，覆盖Codex工作流、OpenAI API、模型与价格调整、团队协作、图像生成和开发者活动。帖子通常较短，通过视频、线程或文档承接完整说明。
适合使用 OpenAI API、Codex 或 ChatGPT Work 的开发者和技术负责人。它提供官方进展而非横向评测，也很少讨论产品不足；涉及计费、地区和权限时，仍应以最新文档和控制台实际状态为准。
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。
他是一个偏应用层的Agent产品与商业机会雷达。通过亲自试用和投资项目，他会较早指出新能力需要哪些账户、工具与基础设施才能形成完整用例，帮助创业者判断一个演示离可持续产品还有哪些环节。
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。
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。
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。
Logan Kilpatrick（@OfficialLoganK）负责Google AI Studio与Gemini API产品，在Google DeepMind服务Gemini、Veo和Imagen开发者；此前参与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、代码示例和用户作品，也转发团队公告并参与社区答疑，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。
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。
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、团队案例和社区实验。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。
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。
他提供的是开放与主权AI的政治经济视角。账号会追问模型和算力由谁控制、国家与公共服务能否获得能力、收益如何分配，再结合自己建设开放模型生态的经历说明产业约束；价值在于提出技术发布之外的权力问题。
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。
elvis（@omarsar0）是DAIR.AI创始人，曾在Meta AI工作，长期从事AI研究教育与技术信息整理。他以高频方式筛选论文、开源项目、模型与Agent工具，是偏研究工程的资讯账号。
他的优势是速度快且愿意补机制。重要论文出现后，常会提炼研究问题、方法、实验数字和工程含义；同时亲自试用模型与Harness，帮助读者从标题继续走到可操作的配置、局限和后续阅读。
发帖集中在Agent Harness、评测与强化学习、RAG、开放模型、编码Agent和AI辅助科学发现，也会分享DAIR.AI课程及每周论文整理。长摘要、工具演示、观点短帖和即时回复混合，更新量很大。
适合研究工程师、Agent开发者、技术编辑和需要高强度扫描论文的人。惊叹式标题和新品热情较多，同一发布可能连续出现，课程与第三方产品也有露出；把它当发现入口很有效，关键结论仍应回到论文和代码核实。
Lilian Weng（@lilianweng）是AI研究者与技术作者，曾在OpenAI领导应用研究、安全系统和机器人工作，后共同创办Thinking Machines Lab。2026年她重返OpenAI，负责用AI加速内部研究的团队。
她最稀缺的价值是把复杂研究写成可建立心智模型的长文。强化学习、Agent、幻觉、推理与Scaling law不只被罗列论文，而会沿定义、方法、实验和局限逐层展开，长期被研究者和工程师当作技术索引。
发帖围绕模型训练、推理时计算、Harness工程、递归自我改进、人机协作与开放研究，通常由一篇深度博客、论文判断或团队项目带出。频率很低，但几乎每次更新都能提供可继续深挖的材料。
适合机器学习研究者、Agent工程师、技术作者和希望系统补课的人。她不是新闻型账号，主帖间隔可能以月计算，部分内容也来自本人参与的机构项目；阅读时仍要结合原论文和后续复现，但低频不影响其资料价值。
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。内容易保存、易执行，但订阅引导较多，复杂任务常被简化成一个提示词；有经验的Agent开发者仍需自行补上数据源、评测和失败处理。
Dwarkesh Patel（@dwarkesh_sp）是Dwarkesh Podcast主持人，以超长访谈研究AI、算力、经济与国家竞争。他会访问前沿实验室负责人、研究者和产业专家，也持续在X上补充论证、回应质疑，而不是追逐每日新闻。
他的价值不只是嘉宾阵容，而是愿意追问决定结论的关键假设：自动化AI研发会快到什么程度，算力供给能否跟上，模型失控的具体路径是什么。访谈之后的长帖常继续拆解分歧，信息密度高。
发帖集中在前沿模型、递归自我改进、AI安全、芯片与数据中心、实验室经济和地缘竞争，也会发布节目时间轴与材料链接。原创分析和访谈摘录都很多，也会公开修正判断，AI已经是稳定主线。
适合研究者、政策与产业分析师、投资人和愿意听长访谈的读者。账号服务于播客内容业务，预测跨越多年，近期安全事件的叙述有时采用强烈拟人化框架；重要判断应与报告原文和反方意见交叉阅读。
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。
他擅长发现Agent产品可能出现的新交互方式，并迅速放进自己的工作验证。通过实际构建应用、维护团队知识和调度多个Agent，他会指出哪些连接真正顺手、哪些入口仍有摩擦，帮助读者寻找产品形态而非只比较模型分数。
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。
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。
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、提示词迭代及Kling、Suno等工具组合，也讨论生成内容对设计行业的影响。账号以作品为主，详细过程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。
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。
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。
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。
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。如今他公开展示用编码Agent制作网页、三维场景和设计工具的过程。
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组件、长循环和“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。
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。
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，记录借助AI编码工具开发和经营产品的全过程。
关注他，可以连续看到一款AI辅助SaaS从开发到获客的真实经营过程。他会公开平台API审核、Agent会话中断、广告转化和功能上线后的问题，让读者知道独立开发的瓶颈常在权限、分发和运营，而不只是模型能否写出代码。
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。
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Agent工作流设计者。账号近期更新较少，内容集中于Claude，发布期热情也可能放大优势；更适合作为一线使用指南，而非中立评测。
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。
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。
他展示的是小团队怎样把Agent做成持续运转的业务操作系统。任务隔离、知识沉淀、业务数据触发和多Agent协作会被串成完整流程，读者可以看到销售、内容与开发工作如何交接，而不只是零散复制几个自动化工具。
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。
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。
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。
他擅长解释为什么相同的AI能力，有些产品能打开市场，有些却无人使用。界面、连接器、默认配置和分发渠道会被放进同一套商业判断中，再用联盟业务与收入实验说明产品可用性怎样转化为增长。
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。账号不是技术研究源，案例偏互联网营销与个人业务，收入经验也依赖渠道和执行条件；关注产品化与分发洞察，比照搬具体数字更有价值。
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。
他能把Agent今天需要的信息基础设施，与未来自我改进系统的能力边界联系起来。搜索质量、企业采用、模型越权和生产率会被放进同一条演进路径，帮助读者判断哪些问题已经能用产品验证，哪些仍只是超级智能假设。
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。
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。
他能帮助开发者迅速判断一次模型发布究竟改变了什么。帖子会从Token效率、原生多模态或工具调用等机制出发，解释新能力会怎样影响交互、开发栈和成本，而不是停在参数表与官方演示。
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；速度优先会让尚未完整披露的研究和公司数据过早进入判断，标题偶尔也会放大结论。重要信息应回到原始材料核验。
vas（@vasuman）是Varick Agents CEO，曾在Meta从事AI工作，现专注企业Agent落地与流程再造。
他能帮助企业判断哪些工作真正适合交给后台Agent，而不只是增加一个聊天助手。内容会沿着流程拆解、系统接入、异常处理和人工审批说明部署条件，让团队先重做工作方式，再讨论模型成本和自动化收益。
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。
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。
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。
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。
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。
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。
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、数据库与协作统一成模块化工具。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。
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。
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。
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。
从他的账号可以判断OpenAI研究组织当前把哪些问题视为优先事项。他会解释基础研究、数学与科学发现为什么值得投入，以及模型能力提升后评估和缓解措施要怎样跟进；这些信息比单独的产品发布更接近实验室的资源取舍。
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。
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。
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。
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。
他展示的是小团队怎样让编码Agent真正承担产品开发，而不是只完成一次演示。从模型分工、长时任务到合并冲突和工作树，他会公开协作中的具体摩擦，也由此判断开发成本下降后，产品竞争力会转移到哪些环节。
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。
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。
她能帮助AI产品团队看见模型默认行为和界面设计怎样改变用户决策。她会从原型、反馈机制和实际协作中的细节判断人是否理解并控制了模型，再用自己的工作自动化实验检验这些产品假设。
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。
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。
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。
Elvis Sun（@elvissun）是 Medialyst 创始人，正在公开构建公关研究Agent；创业前曾在 Google 工作八年并参与 Firebase。账号记录他如何用编码Agent经营一人公司。
关注他，可以看到一个AI公关Agent怎样从能运行的原型变成可交付客户的产品。他会公开系统漏掉了哪些媒体、怎样调整检索与子Agent分工，以及质量提升是否值得增加时间和成本，帮助读者理解商业Agent如何建立可靠性。
发帖主要记录 Medialyst 的产品与评测迭代，也分享开发节奏、模型费用、基础设施选择和一人公司的七天冲刺。内容常从具体失败展开，再说明怎样调整工作流或提示结构。
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。叙述带有创始人视角；分数提升和效率结论适合作为案例，迁移到其他业务前仍需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，重点讨论运行成本、检索质量和长任务上下文。
他能帮助读者判断一个Agent工具是否真的节省上下文和成本，而不只是功能看起来新。长帖通常从Token浪费、缓存、检索或记忆问题出发，解释产品采用了什么机制、适合什么任务，以及依赖和成本会在哪里出现。
发帖包括Agent浏览器与CLI、上下文缓存、记忆、开发者检索、提示词资料库、自动化和免费课程。常用醒目数字或行业变化开头，再拆解产品机制与适用场景。
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。
Kun Chen（@kunchenguid）是软件开发者、FirstMate与SSHHIP作者，长期把多模型编码Agent用于真实项目。他既写工具，也把模型选择、终端控制和Agent协作过程公开成可复现的工作日志。
他的价值在于用日常交付而非公开跑分判断模型。新模型上线后，他会直接让其接手代码、比较沟通方式、Token成本和失败形态，并解释为什么权限、验证与上下文设计比单次演示更影响生产体验。
发帖集中在Pi等轻量Harness、Claude与GPT等编码模型、远程终端、Agent技能、权限隔离和多Agent协作，也会讨论软件成本与产品护城河。常见形式是长篇复盘、配置分享、视频和直接可用的仓库。
适合编码Agent重度用户、独立开发者和开发工具团队。账号回复很多，自有FirstMate、SSHHIP和相关技能也频繁出现；模型结论主要来自他的技术栈与高强度工作流，采用前应在自己的仓库复现。
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。
他提供的是AI Agent接管业务流程时的经营判断。每段自动化都要回答是否节省费用、能否持续维护、会不会扩大权限风险，以及最终是否产生收入；读者因此能学到怎样给不同Bot划分职责，而不是只复制一套看起来顺畅的演示。
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。
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。
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。账号聚焦可运行、可评测的Agent系统。
读他的内容，可以建立一套判断Agent能否长期可靠运行的系统视角。他会把任务拆分、状态、记忆、工具和恢复机制串起来，说明故障从哪里发生、怎样衡量，并指出实时语音或医疗场景为什么不能只依赖模型临场发挥。
发帖覆盖Agent Harness、技能与记忆、语音AI和医疗应用，近期也探索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。
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，经历覆盖清华、CMU、UCLA及多家AI团队。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、评测和研究机构动态，也讨论论文发表、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，个人气质鲜明。
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。
Zhengyao Jiang（@zhengyaojiang）是WecoAI联合创始人兼CEO，机器学习博士出身，长期研究让LLM自动改进研究流程和Agent Harness。他的账号把论文判断、产品实验与研究方法放在同一条时间线上。
他最有价值的部分是愿意写清自动研究为什么会失败：宽松接口怎样诱发数据泄漏和奖励作弊，抽象、评测与人工介入又怎样改变结果。对递归自我改进的讨论也区分已观察证据与仍待验证的推演。
发帖围绕autoresearch、Harness自改进、评测设计、推理成本、开放模型和AI辅助科学发现，既分享WecoAI结果，也评论其他团队论文。更新不算密集，但主帖通常有实验、框架或明确技术判断。
适合AI研究者、评测与后训练工程师、科研Agent创业者。内容与WecoAI路线绑定，成功结果和公司活动会获得更多篇幅；RSI等概念容易被外界过度放大，读者仍需核对实验设置、基准和可复现材料。
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。
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。她长期身处AI开发工具创业一线，账号带着早期团队的社区、内容与市场视角。
她提供的是AI开发者产品如何获得真实采用的一线观察。帖子会说明安全测试、社区反馈、活动和品牌定位怎样影响开发者是否愿意试用并留下，帮助早期团队看见代码之外的产品传播与市场进入问题。
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。