四大 AI 工程技能
吴恩达提出四大 AI 工程技能(刻意叫「AI Engineering skills」而非「AI Engineer 角色」——技能比角色广,正如所有开发者都要会用云,但只有少数人挂「Cloud Engineer」头衔):① 构建与部署 AI 应用——AI 输出不可预测,掌握者会用统计技术度量、引导、治理系统,核心是驱动有纪律的 evals 与错误分析循环;② 软件工程基础——不懂权衡的开发者给 Coding Agent 的上下文是错的,Agent 做出的权衡往往很差;③ 使用 Coding Agents——好的心智模型:知道何时介入、何时放手,会管上下文、给 verifiers、编排多 Agent、避开搞坏生产数据库这类陷阱;④ 塑造项目——spec 该写什么正在成为工程师的工作重心,需要产品感与业务上下文。底层心态:持续学习。
写代码的AI又多了个狠对手
新对手是编译器:AI 写代码靠猜,编译器靠规则,而 C++26、Rust、Swift 的新机制(contracts、reflection、concepts)正把更多规则摆到编译器眼前——程序员脑子里的隐性知识被搬进代码本身。作者称之为「语义显影模型」:程序含义原本散落在注释、文档和老员工记忆里,像没冲洗的底片,语言演化是把底片逐层显影成编译器能直接读的结构化事实。AI 的软肋在生成端:一行模糊需求能对应几十个合法但互相矛盾的程序,模型挑「训练数据里最常见的答案」,编译通过却跑出错数据;而把提示词写细的尽头是在用英语重新发明编程语言。但「杀手」叙事要打折:编译器只检查你写下的规则,规则错了会带你沿精确的错走到黑;C++26 落地和普及以五年计,两者是共生不是替代。
让AI找到你,下一代搜索流量
过去二十年流量的规矩是把网页做得让搜索引擎喜欢;现在越来越多人不自己搜,而是让 AI 替他们找、比、甚至下单——Meta 的 Muse 上线不到一个月下载破 500 万,OpenAI 推出常驻型 Agent 带浏览器和云端电脑,DoorDash 做了发条短信就能点餐的机器人。推论很冷:顾客可能一辈子不会打开你的官网。老 SEO 讨好爬虫,新玩法讨好 AI。作者提出「三环信任圈」:内环自述(官网讲清卖什么、卖给谁、多少钱)、中环第三方旁证(评测、论坛、媒体、晒单)、外环数据一致性;Semrush 分析 24.8 万条 Reddit 链接佐证——十个陌生人讨论你,胜过官网写十遍。批判部分:案例全是头部产品,使用习惯尚未迁移;AI 推荐如何变现不清楚;错误信息被交叉验证坐实后更难纠正。国内要换素材库:知乎、小红书、B 站、抖音各承一角。
不重训模型,AI助手也能长记性
AI 助手能否从经历中学乖,决定了它是一次性工具还是越用越顺手的同事,关键在「学习」发生在哪里。重训成本高、微调也动权重,而 agent 学习走的是另一条路:模型一字不改,改它周围的东西——像人出生带天赋、上班记笔记。已有验证:Reflexion(2023)让 agent 把失败反思存记忆,后续明显变好;Dynamic Cheatsheet(2026)让策略笔记跨任务累积。难的是存得对、找得准:ACE 把上下文当持续修订的操作手册,在 AppWorld 上配合 DeepSeek-V3.1 把完成率从 41.5% 提到 54.4%,参数没动;MemRL 用效用分决定选哪条经验。软肋是学错:归因难题让「说得通却答错因」的教训留存。作者提出「经验三道闸」(记得下、找得准、退得出),并主张跑一场公平比赛证明记忆系统值得。判断:外部记忆性价比最高,因为产物可查可改可删。
Karpathy设计了个新格式,AI输出直接能用
Karpathy 提出:大模型干的活越多,人的角色越往后退——退到审核端,读、判断、拍板。而审核要省力,输出就得换格式。他给了两个方子,作者各试了一周。第一个借自航空业:ASD STE100 简化技术英语(程序句不超过 20 词、一条指令一个动作、同一事物只用同一个名字),加进提示词后输出立刻从「热情的实习生」变成「车间手册」——同义词是写作的美德,却是审核的敌人。第二个更狠:干脆别要文字,让 AI 生成一次性的交互小工具(拖滑块看学习率、拖年份看复利),十秒看懂、看完就删,即「消耗品软件」。两点保留:说明书格式会杀掉文章节奏;交互带来的「我懂了」容易掺水,需用复述验证。结尾给出三个可直接抄的指令:治啰嗦、要工具、要结构。
Anthropic出了什么事,能核实的只有三条
一家收入增速曾是行业标杆的 AI 公司,2026 年下半年被估算数据显示增长明显放缓,传言随之满天飞。能核实的只有三条曲线:TickerTrends 追踪的 Anthropic 年化收入在 2026 年中走平;Claude Code 估算收入五周从 142.6 亿涨到 151.2 亿美元(约 6%),同期 Codex 从 58.8 亿涨到 88.3 亿;Uber、Walmart、Amazon 等被报道限制员工 AI 编程工具额度,理由是成本。把事实、合理推断、纯传言分三层:第二层四条推断(Codex 反击、价格下跌快于用量、开源吃掉低端、企业回归成本核算),前两条是竞争、后两条是结构;第三层「上市前生存危机」「厌倦 Claude 写作风格」无任何披露数据支撑。关键提醒:估算收入不等于真实收入,平台自己承认高估倾向。给中文读者一个「三滤读闻法」:滤出处、滤口径、滤动机。
像技术负责人一样用AI,而不是像高级工程师
用 AI 干活有两种姿势:自己坐在一个窗口前逐句指挥,或同时开几个窗口分派不同的活、自己只做验收。前者你还是干活的,后者你开始管活的。关键的心理转变是从「AI 在干什么」换成「谁被我卡住了」。起步只要两个会话:一个开发、一个测试——写代码的那个会话恰恰最没能力审查自己写的代码。并行的前提是隔离(各自独立工作副本),更值钱的是把角色写成文件,一次写好就等于一个不用重新培训的队友。作者提出「评审带宽定律」:能安全运行的会话数上限,等于当天能认真读完的 diff 数量——2 个起步、3 个加后台审查、超过 3 个必须先压缩任务颗粒度。瓶颈从来不在 AI 产能,在人的判断带宽。也泼了冷水:玩法绑定具体工具;会话互传可能横向污染;个人开发者 2–3 个足够。
AI教父的新警告,这次给了时间
Hinton 把递归自我改进从「很遥远」改成「可能很快发生」,联名 22 人(Bengio、OpenAI 首席科学家 Pachocki、Anthropic 联合创始人 Jack Clark)。警告的新鲜感在于它给出了可每半年核对一次的公开数字:OpenAI 的代理工作日已是人类的 3.1 倍、目标 2028 年 3 月做出自动化 AI 研究员;Anthropic 测得 Claude 主导 26% 的被测研发工作、90% 以上至少有 AI 协作、内部同时运行约 3 万个代理。用「环比三问」检查:第一问部分成立,第二问(改进能否累积)存疑——超半数长任务仍需人工介入,第三问(算力经费)是纯物理约束。另有利益相关警示:公布数据的正是靠它融资的公司。中文读者两个折扣(产业传导滞后、物理世界线性响应)加一个不打折(安全风险不依赖递归)。普通人盯一个比值就够。
最危险的时刻,是AI连续答对400次之后
一个重度 AI 用户的资深工程师戒断一周:手动翻仓库才发现没人答得上「为什么两个服务各自实现了一版略有差异的同一规则」;排查延迟告警时发现根因在另一个服务的调用模式;一个集成测试挂掉的 40 分钟他称为「全周最有用的部分」。复盘金句:「我开始把 AI 辅助下的能力,当成我自己的能力了。」文章指出真正的问题不是变笨,而是提问顺序被改写——每一次都在人独立形成假设之前插入了假设。糟糕的助手反而安全,极好的助手才危险:几百次正确回答教会你核验是白费功夫,然后某一次它合理地错。摩擦分浪费型与生成型,仪表盘上长得一样;给出复现、锚定、代价三个检验。个人留记账动作:每季度挑一件引以为豪的事不碰 AI 重做一遍,断点就是真实能力边界。
AI泡沫破的是钱,未必是技术
把修辞剥掉,Oracle 的事实足够扎实:五年 3000 亿美元算力合同、标普降到 BBB-、自由现金流缺口约 420 亿美元、表外租约 2880 亿、股价跌去六成。真正值得留下的是「承诺链」结构:银行→开发商→Oracle→OpenAI→投资人,四环相扣,园区没建成时链条上没有任何一环产生真实收入。由此立一个「实付检验」:链条上有没有哪一环在用终端客户的真金白银付上游的账。消费者订阅、企业 IT 预算是实付;靠下一环的承诺付上一环的账,全是承诺。历史参照是 2000 年光纤泡沫:投资人血本无归,被贱卖的光纤把宽带成本砸到地板,养出流媒体、云计算、移动互联网二十年。算力大概率重演:资产负债表上是事故,成本曲线上是红利。缺口在承诺端,不在使用端。