文章探讨了为什么AI系统设计不应照搬人类职位描述。职位之所以是任务的捆绑体，是因为人类自带整体性且上下文迁移成本高昂，而AI改变了这两个前提。作者指出AI能力可以以更小的增量提供，需求可以早于职位存在。但拆分任务过细会让协调问题重新出现——每个Agent各自胜任不代表系统整体高效，设计接口和共享上下文变得至关重要。职位头衔仍有价值，让系统所有权清晰可读，但应从职责出发而非职位描述来设计边界。最后警告：被AI取代的重复性初级工作同时也是培养判断力的途径，学徒制将成为设计问题。
本文探讨了当软件构建成本大幅降低后，产品开发的核心从“能否构建”转向“是否应该构建”。作者以Meta为例，说明其通过借鉴外部成功机制（如Stories、Reels）来理解用户行为，并指出所有软件公司都应建立类似的外部产品实验室。文章强调，关键在于识别功能底层的“机制”（如Pull Request的协作机制），而非简单复制功能。未来，AI将加速这一学习循环，而人类的判断力、品味和对用户行为的深刻理解将变得更加重要。同时，作者警告，构建能力的提升可能导致大量低质量产品涌现，因此严格优先级排序和克制力成为关键技能。
本文指出，AI系统首次运行成功并不能证明其可靠性，因为环境变化或输入差异可能导致失败。作者强调，评估（Evals）是确定AI系统可信度的关键，它要求基于实际工作场景收集案例，并明确“好”的标准。通过持续测试和迭代，评估集能帮助团队了解系统的边界和失败模式。文章还区分了公共基准与产品级评估，认为后者必须基于具体业务场景。最后，作者提倡将评估作为系统开发的核心部分，以确保AI在实际工作中的可靠性。
