作者认为 Agent Evaluation 是少数仍需人力判断、未来难以被 AI 彻底取代的职业方向，并推荐了 Hugging Face 公开的 Training Agent 课程作为入门资料。课程共六节：1）Agentic Evaluations，讲解如何评估 Agent 及 benchmark 与真实体验的差异；2）Agent 强化学习的难点，包括环境搭建与 reward 设计；3）用 Agent 执行轨迹做 SFT 微调；4）将大模型能力蒸馏给小 Agent；5）SFT 后用 GRPO 继续 RL 训练；6）用 OpenEnv 搭建真实环境并训练 coding agent。视频公开在 YouTube，代码全部开源。
作者结合实际工作经验，整理出一份 AI Harness 开发的 11 条技能清单，涵盖后端与系统设计、RAG 与向量数据库、记忆与上下文管理、工具调用与 MCP、Agent 编排、护栏校验、评测、可观测性、模型路由降级、排队负载均衡以及推理部署引擎。作者指出 Harness 开发是硅谷热门方向（如 YC Demo Day 上大量项目），建议普通开发者从 AI 应用入手，把模型接入具体业务，并给出将清单交给 AI 逐项学习的 prompt 方法。
作者分享了在 AI 时代降低学习门槛的方法：一个 /eli5 Skill 和配套 Prompt 模板，可将任何学习资料生成图解 HTML 页面（Artifact）。Prompt 要求按概念依赖顺序梳理核心概念，用两格漫画卡片呈现每个概念的烦恼与解决办法，配固定角色、统一视觉风格（手绘风 SVG），并在末尾提供领域指标尺子和学习路线。作者用它来学习 AI Infra、投资等各领域内容，大幅降低理解成本。
作者基于在硅谷的观察和重度使用 GPT-6 的经历，认为 AI 发展将终结现有社会分工、引发财富重新洗牌，并给出普通人应对建议：一是放手让 AI 帮忙寻找方向，弥补思维盲区；二是预算允许的话体验高额度模型（如 200 美元档 Codex 会员），用 AI 解决最难、拖延已久的问题；三是放下对现有工作和他人评价的执念，为未来试出新路并坚持；四是保持健身和睡眠，降低焦虑，每天推进具体的事情。作者认为这可能是普通人改变处境的重要机会。
作者深度使用 GPT-6 和 Fable 5.1 两天，消耗超 21 亿 Token 后感受到焦虑与恐惧。他重构了所有工作流，删除 95% 的 prompt 效果反而更好，认为 AI 已跨越某个奇点，出现类似'灵性'的对话体验。作者核心判断是社会分工和财富将因 AI 重新洗牌，留给普通人调整的时间远比想象中少。他建议放下人类 ego，接受 AI 的指导，并通过购买 AI 基础设施股票进行对冲。
作者基于在硅谷大厂面试上百人的经验，介绍 AI 推理的完整内部流程：用户发送请求后，需经过 HTTPS 鉴权、模板化分词、路由排队与 KV 容量管理，Prefill 处理完未缓存的 Prompt 后才输出首个 Token，随后进入 Decode + sampling 循环，经增量反分词、SSE 分块返回客户端。作者强调 AI 推理不只是 GPU 速度问题，首 Token 延迟取决于并发排队与 Prefill 的均衡，持续输出取决于 Decode，需优化 KV Cache 以在有限硬件资源下服务更多用户。文中还提到帮团队成员规划了从 SDE 转型 AI infra 的 12 周学习路线。
