这期访谈中，Bolt 创始人 Eric Simons 回顾了公司一度走到“年底可能就要关停”的低谷时刻，以及他们如何通过对开发者体验的极致聚焦，走向数亿美元估值。视频不仅讲创业反转，也罕见展示了 AI 驱动的应用构建全过程。
Google 发布的 AI Co-Scientist 不只是一个科研辅助工具，更像是一张多智能体系统的未来蓝图。它展示了 AI 不靠“更聪明的模型”，而是通过分工协作、竞赛进化的方式，开始真正参与科学发现，并已在药物再利用等真实实验中得到验证。
很多人把“AI Agent”当成新一轮营销热词，但在这场演讲中，Chip 用亲身经历、经典定义和真实工程难题解释了：Agent并不新，却异常困难；也正因为难，它才是通往下一代AI应用的关键路径。
这场演讲并不是在推销又一个AI平台，而是一次来自一线创业者的反思：为什么AI开发者的体验长期“很糟糕”，以及Modal是如何在一次次踩坑中，围绕冷启动、调度和GPU使用，把体验重新做对的。
Patrick Dougherty在创业过程中推翻整套产品，转而用AI Agent重构系统。这次分享不是概念宣讲，而是来自真实生产环境的教训：什么才算Agent、为什么“会想”比“知道多”更重要，以及哪些常见做法其实在拖垮Agent表现。
这篇文章还原了Cohere工程师Shaan Desai关于“企业级LLM Agent如何真正跑起来”的一线经验，从框架选择、单/多Agent策略，到安全、评估与失败治理，揭示了为什么大多数Agent原型很炫却难以规模化，以及Cohere如何把这些教训固化成产品North。
基于Juan Peredo一年半构建生成式AI应用的真实经验，这篇文章系统梳理了从架构复杂度、模型部署、评估体系，到Agent成本与可观测性的关键教训，帮助开发者少走弯路，把GenAI真正落地为可靠产品。
这场演讲并不是在教你“怎么调Prompt”，而是试图回答一个更难的问题：为什么90%的LLM应用死在生产环境。Almog Baku用工程师和创业者的视角，提出了“LLM三角”方法论——模型、工程技术、数据，在SOP的约束下协同工作，才可能构建稳定、可复现的AI应用。
这场演讲给出了一个非常具体、可落地的判断：软件开发正在从“人+IDE里的AI助手”，走向“人+一群自治运行的编码Agent”。通过真实的单元测试Agent Guru，演讲者展示了Agent如何成为代码库里的“正式贡献者”，以及未来开发者真正该专注的价值所在。
Patrick Debois 从 Conway 定律出发，提出一个反直觉的问题：如果不再是组织决定软件，而是 AI 反过来重塑组织，会发生什么？这场演讲串联了 Copilot、AI Agent 到组织结构变化，描绘了一条正在发生的演进路径。