Mike Taylor
PulseAugur coverage of Mike Taylor — every cluster mentioning Mike Taylor across labs, papers, and developer communities, ranked by signal.
- employed by Kate Lee 90%
- employed by Dan Shipper 90%
- employs Dan Shipper 90%
- employed by Becky Isjwara 90%
- developed Every 70%
- uses Every 70%
- employed by Natalia Quintero 70%
- used by Katie Parrott 70%
- employed by Nityesh Agarwal 70%
- developed by Katie Parrott 70%
- used by An Ape and a Fox 70%
- developed Kate Lee 70%
4 天有情绪数据
-
作者的详细信息转向 AI 代理编排以处理复杂任务
作者描述了他们从简单的提示转向更复杂的代理编排的 AI 使用方式的转变，其灵感来自于一个 AI 采用框架。最初，任务在单个聊天线程中处理，但现在多个子代理被协调用于复杂的项目，例如验证员工股权购买。这种演变是由 AI 对作者自身工作模式的评估引发的，该评估将作者置于 AI 采用量表的 5.5 级，表明有机会将更多工作委托给 AI 代理。
-
Every 公司鼓励大胆的 AI 实验，尽管 Token 成本高昂
Every 公司创始人 Dan Shipper 鼓励员工更自由地进行 AI 实验，即使这会导致更高的 Token 消耗。他认为，探索新的 AI 能力和工作流程可以带来巨大的生产力提升，从而抵消成本。为此，Every 公司正在开发工具，以实现透明的 AI 支出和个人基准测试，帮助员工选择成本效益高的模型，同时仍允许进行大胆但昂贵的实验。
-
Astra AI 模型凭借先进的电脑使用能力获得关注
能够操作应用程序的 AI 模型 Astra 已从一个黄色评级工具转变为 Every 评估主管 Mike Taylor 的日常主力。这一转变是由 Astra 增强的“电脑使用”能力所推动的，使其能够以极少的人工干预执行更新 Google Slides 演示文稿和检查 PDF 中的链接等任务。Every 的其他员工也在利用 AI，特别是 Codex，来处理从日历管理、照片列表到应用程序构建和 3D 建模等各种任务，这凸显了将复杂的基于计算…
-
Every 为员工任务构建个性化 AI 基准测试
Every 是一家专注于 AI 评估的公司，正在为其员工开发个性化基准测试，以评估 AI 模型在特定工作任务上的性能。首席执行官 Dan Shipper 解释说，这些由编辑 Kate Lee 和评估主管 Mike Taylor 等人设计的定制评估，超越了通用基准测试，旨在衡量模型在按照个人标准完成文案编辑或创建演示文稿等任务时的表现。这种方法旨在创建一个反馈循环，其中模型失败可以为评估标准的改进提供信息，最终帮助用户识别最适合其特定需…
-
Every 推出新的“Compound Writing”插件，探索 AI 辅助写作
出版物 Every 正在探索个人如何使用 AI 进行写作，将其视为一个协作过程，而不是 AI 作者身份的问题。他们正在推出一个名为“我们现在如何写作”（How We Write Now）的系列，首先关注“Compound Writing”，这是由 Katie Parrott 开发的一个插件和指南。该工具旨在帮助作者进行想法开发、起草和审阅，并融入他们的个人风格和标准。该系列还将介绍其他作者和编辑团队关于他们 AI 辅助写作工作流程的见解。
-
Every新指南详述高管在AI采用方面面临的挑战
Every是一家专注于AI采用的咨询公司，它整理了一份文件，回答了高管们在实施AI时常有的33个问题。这些问题收集自与包括《纽约时报》和Walleye Capital在内的100多家公司的互动，涵盖了战略、克服怀疑、工具选择和组织重组等方面。该文件强调，AI应被视为增强公司战略路线图的工具，而不是战略本身，并建议专注于赋能AI倡导者和鼓励实验来推动采用。
-
Every 正在构建员工的 AI 克隆体以实现专业知识自动化
Every 是一家媒体公司，正在开发 AI 代理来复制其关键人员的专业知识。最初，他们创建了 KateBench，利用 GPT-5.6 和历史数据来模仿编辑 Kate Lee 的文案编辑技能。该公司计划将这一概念扩展到其他角色，例如首席运营官 Brandon Gell 的用户体验反馈和社交媒体主管 Becky Isjwara 的定位，方法是为每位员工构建个性化的 AI“机器人”。这些机器人由 SpaceXAI 的 Grok Bot 提…
-
AI 新技巧揭示模型推理，可能存在数据泄露
研究人员开发了一种从 AI 模型中提取内部推理过程的方法，揭示了潜在的漏洞。该技术可以暴露个人信息，如密码和 API 密钥，尽管此特定缺陷已被修补。该方法还表明，一些中国的 AI 模型可能通过提炼美国模型的推理数据进行训练，尽管缺乏直接的因果证据。这一发现引起了人们对先进 AI 开发中的知识产权盗窃和数据安全的担忧。
-
Anthropic 的 Fable 模型在揭示隐藏的任务假设方面表现出色
来自 Anthropic 的 AI 模型 Fable 因其揭示复杂任务中隐藏决策和假设的能力而受到关注。与擅长执行预定义计划的模型不同，Fable 特别擅长识别“未知数”——即提示与现实世界约束之间的差距。当任务的复杂性并非源于规模，而是源于未经审视的目标或标准时，这种能力就很有价值，它允许用户在执行之前或执行过程中完善他们的目标。
-
Anthropic 的 Fable 5 回归，Codex 的所有使用细节
AI 公司 Every 正在强调其 Codex 代理工作空间的实际用例，并强调其对非技术用户的多功能性和易用性。咨询主管 Natalia Quintero 分享了 Codex 如何通过自动化收件箱管理和 CRM 更新等任务来“改变生活”，为她节省了数周的工作时间。该平台还被用于管理复杂的个人职责，例如协调家庭成员的护理。此外，该公司正在为 Anthropic 的 Fable 5 模型回归做准备，并计划举办现场会议来演示其功能。
-
美国限制GPT-5.6 Sol访问；AI代理扩展到知识工作
OpenAI发布了GPT-5.6 Sol，但美国政府将其访问权限限制在大约20家预先批准的公司。这种配给预计将扩展到代币访问，代币将根据已证明的回报进行分配，类似于资本。与此同时，AI代理正变得更容易用于一般知识工作，Codex等工具已超越编码，协助电子邮件、写作和研究等任务，Anthropic的Claude Code被强调为强大的代理构建工具。
-
人工智能进入分配时代：代币预算将像交易投资组合一样管理
随着强大模型和长期运行代理的成本导致企业账单高昂但又没有切实的成果，公司正从积极采用人工智能转向更具战略性的资源分配。这种“分配时代”可能会看到代币预算像交易投资组合一样进行管理，访问权限将限制在能够证明高投资回报率的顶尖工程师手中。Uber、Meta、Amazon 和 Walmart 等公司已经在对员工使用人工智能进行限制，预示着未来对前沿模型的访问将更加受控且基于绩效。
-
Anthropic 禁用 Fable 5 模型，凸显 AI 工具不稳定性 · 追踪 1 个来源
Anthropic 已禁用其 Fable 5 编码模型，影响了 Every 等依赖该模型进行开发的用户的。此次突然关闭凸显了使用前沿 AI 模型的不确定性，因为公司或政府可以随时撤销访问权限，恕不另行通知。该情况强调了需要制定适应性强的流程和策略，以应对 AI 工具的快速演变和潜在停产。与此同时，AI 代理循环正从技术角色扩展到非技术任务，展示了工作方式的快速转变。
-
GitHub 迎来 140 亿次 AI 代理提交，模糊了开发者的界限
GitHub 正在经历代码提交量的激增，这在很大程度上是由 AI 代理驱动的，并催生了用于代码审查和合并的新工具。该公司旨在赋能开发者管理这种激增，而不是规定哪些提交是可信的。这一趋势也模糊了传统开发者与其他专业人士之间的界限，因为像 GitHub Copilot 这样的工具使非编码人员也能够构建应用程序。另外，AI 'loops'（代理迭代改进任务的概念）正在获得关注，一些人将其用于个人发展，例如改进沟通风格。
-
Every 描绘了从聊天机器人到多代理编排的AI采用情况
Every 发布了一份详细介绍八个AI采用级别的指南，范围从基本的聊天机器人交互到复杂的多代理编排。该指南旨在帮助用户识别他们当前的AI使用级别，并探索推进其采用策略的可能性。它强调，最佳级别取决于对AI的信任以及错误的潜在后果，而不是仅仅追求最高级别。
-
通过将任务匹配到合适的模型来优化AI成本，而不仅仅是最聪明的模型
Mike Taylor提出了“增量确定性”作为一种优化AI成本的策略，即将任务复杂性与模型能力相匹配。企业不应将所有任务都通过像Claude Opus这样昂贵的尖端模型来处理，而应识别工作流程中哪些部分需要高智能，哪些部分可以由更便宜、功能较弱的模型处理。这种方法包括创建可重复的过程或“技能”，记录执行任务的最佳方式，从而带来更快、更便宜、更可靠的结果。