Box 首席执行官观察到 AI Token 的支出正在迅速超越传统的软件许可费用。

尽管企业设有预算上限，但为员工购买 AI 增强能力的支出已达到每月数百甚至数千美元，远超传统软件 10-50 美元的许可费。

• Token 支出规模化：企业在 AI 代币上的投入正在打破历史性的软件支出纪录。
• 工程岗位需求增加：AI 带来的效率提升并未导致工程岗位缩减，反而释放了更多积压项目。
• 预算结构转型：企业软件预算正在从“固定订阅费”向“按需产出费”大幅跨越。
• 项目爆炸式增长：由于 AI 降低了开发门槛，大多数公司现在的软件项目数量远超以往。

这种支出的量级跳跃标志着软件定义向模型定义的底层逻辑转换。传统的 SaaS 模型是基于“功能准入”的静态收费，而 Token 消耗反映的是实时生产力的直接变现。

企业预算的扩张证明了 AI 并非简单的降本工具，而是生产力增量引擎。当单人增强成本达到数千美元时，AI 已不再是后台工具，而是核心生产资料。

关于“AI 导致工程失业”的预测在现阶段被证伪。效率提升触发了需求弹性，原本因为人力昂贵而无法立项的“长尾需求”现在正以海量项目的形式涌入开发流程。

这意味着开发者的角色正在演变：从单纯的编码者转向复杂项目的调度员。随着算力供给的持续扩张，这种“项目爆发”将持续拉大具备 AI 集成能力的团队与传统团队的产出差距。

Grok Imagine Video 已正式接入 Vercel AI Gateway，该模型目前在 Arena 排行榜位居图生视频类首位。

与此同时，Vercel 宣布对 NitroJS 进行投资，进一步强化对 Vite、Nuxt 和 Svelte 等前端框架的运行支持。

• 视频基建普及化：通过 AI Gateway，开发者可以更低门槛地将顶级视频生成能力集成至 Web 应用。
• 运行时标准化：投资 NitroJS 旨在构建一个更开放、跨框架的 Web 运行平台。
• 性能榜单背书：Grok 在 Arena 的登顶标志着视频生成技术正进入商业化可用阶段。

这一动态显示了 AI 视频技术正迅速从“技术秀场”转向工程化落地。Vercel AI Gateway 的集成意味着企业级视频生成不再需要复杂的底层环境配置，而是通过 API 即可实现。

投资 NitroJS 则体现了 Vercel 的战略防御：通过控制底层运行时（Open Runtimes），确保在模型层快速迭代时，上层框架依然能保持高性能的算力调度与集成。

对于开发者而言，Grok 的榜单表现证明了端到端视频生成的质量已经达到应用门槛。未来视频将不再是静态资源，而是根据用户交互实时生成的动态内容。

这种“实时视频流”的普及将对带宽 and 推理延迟提出新挑战，这解释了为何 Vercel 持续深耕边缘计算与轻量化运行时，以承载下一波 AI 媒体浪潮。

OpenDesign 是一个旨在打破设计与代码隔阂的开源项目，允许用户直接利用 HTML 轻松制作视频和动态设计。

该工具解决了从设计稿到动态媒体转化过程中的高摩擦问题。它通过支持 Remotion 等技术，实现了代码即设计（Design as Code）的闭环。

• 代码驱动生成：支持直接从 HTML/SVG 源代码生成可编辑的设计稿或视频流。
• 多框架兼容：与 Hyperframe 和 Remotion 深度集成，适合批量生成营销视频。

具体使用时，开发者可以将现有的 Web 组件直接映射为视频序列。例如，通过简单的命令行或 API 调用，即可将一个动态仪表盘 HTML 转化为高分辨率的 mp4 视频，非常适合自动化视频内容生产线。

飞书白板（Beautiful Feishu Whiteboard）技能让 AI Agent 具备了在飞书或 Lark 文档中生成 30 多种预设风格的可编辑 SVG 图形的能力。

它解决了传统 AI 生成图像无法二次修改的痛点，通过生成 SVG 格式，用户可以直接在文档内调整线条、文字和布局。

• 深度流程集成：支持概念可视化、技术架构图、会议摘要图生成，甚至可以替代 PPT。
• 交互式修改：生成的图形非位图，而是100% 可编辑的矢量组件。

适用于需要快速产出专业图表的办公场景。用户只需在 Agent 对话框输入“为这段代码生成系统架构图”，Agent 即可在飞书白板上直接绘图并供用户手动微调。

随着 AI 开发工具增多，不同平台对指令文件命名标准的不统一（如 `agents.md` 与 `claude.md`）正造成严重的工程冗余。

开发者在 Codex 和 Claude Code 之间切换时，不得不维护两套逻辑相似但文件名不同的配置文件，这限制了 AI 技能的复用性。

• 文件命名冲突：Codex 使用 `agents.md` 而 Claude Code 倾向于 `claude.md`。
• 技能孤岛：不同工具难以自动共享同一套系统级指令或用户自定义技能。
• 手动链接方案：目前最有效的临时方案是通过文件引用实现逻辑统一。

针对这种“提示词工程”中的碎片化问题，行业亟需建立一套通用的指令文件发现标准。当前的工具各起炉灶，迫使开发者在本地仓库中进行繁杂的配置同步。

目前可行的工程实践是：在 `claude.md` 中写入 `The shared repo instructions live in: @AGENTS.md`，从而将两个工具的上下文引导至同一源文件。

此外，对于跨工具的通用技能，建议将规范存储在全局目录（如 `~/.claude/skills`），并让所有本地 Agent 配置文件指向该路径，实现技能的单点更新。

这种文件层面的耦合反映了 AI 编程工具尚未进入“协议化”阶段。正如 LSP 协议统一了代码编辑器的补全逻辑，AI Agent 也需要一个 APS (Agent Prompt Standard) 来规范化上下文加载行为。

Claude Code 正在引入动态工作流（Dynamic Workflows）能力，使其能够处理从未遇到过的全新任务类型。

不同于静态的 Prompt 链，动态工作流允许 Agent 根据任务执行过程中的实时反馈，自动调整下一步的逻辑路径。

• 实时路径调整：模型不再遵循固定步骤，而是根据中间结果决定是否需要开启新子任务。
• 边界突破：这使得 AI 能够处理跨文件重构等高不确定性的编码任务。
• 自主发现逻辑：Agent 在执行时可以动态生成并调用之前未定义的临时工具或脚本。

动态工作流的本质是运行时决策（Runtime Decision Making）。这意味着模型不仅仅是在“预测下一个词”，而是在执行一个有目的的计划。

对于软件工程而言，这意味着 AI 可以从简单的“代码补全”转向“功能修复”。在面对复杂的 Bug 时，模型可以先自主编写测试用例，根据失败反馈动态调整修复策略。

这种范式的关键在于闭环反馈（Closed-loop Feedback）。如果 AI 能够直接感知编译器或运行时错误并据此修改自身逻辑，它就具备了初步的“自我纠错”能力。

这标志着从 Linear Prompting 向 Agentic Reasoning 的转变。开发者不再需要写死每一个操作步骤，而是通过提供目标和工具，让 AI 动态编排执行逻辑。