Andrew Ng 对 AI 编码代理在不同领域加速效应的洞见
Andrew Ng 在 The Batch 第 350 期中分享了 AI 编码代理对软件开发各环节的加速效应排序：前端>后端>基础设施>研究。前端因闭环反馈和模型熟悉的语言框架加速最快；后端因边界情况处理和数据迁移风险次之；基础设施因依赖工程经验和大规模测试加速有限；研究则因核心在于创意而非代码，几乎未受影响。
🔗 相关文档
你是大模型的受益方，还是被吞掉方？AI应用的护城河与机会 ft. TiDB 唐刘
文章探讨了 AI Agent 时代数据库角色的演变。TiDB 唐刘指出，虽然 AI 压缩了中间层软件，但数据库作为 Agent 的“统一存储层”和“单一事实源”，其重要性不降反升。文章详细梳理了从存海量数据、租户隔离、Agent 自主管理到文件与 Workspace 托管的六大产品演化阶段，并讨论了 FDE 角色在 AI 时代的回归，以及判断 AI 产品护城河的核心逻辑：是模型进步的受益方，还是将被吞掉的一层。
AI 大V人物小传（上）
这是一份按主题编排的AI领域人物小传（上篇），涵盖了从深度学习奠基者、大模型实验室领袖、Transformer论文作者到顶尖学术研究者的75位关键人物。文章详细介绍了每个人的背景、核心贡献及当前动态，包括Hinton、LeCun、Altman等业界巨擘。
AI 编程中的编排税：为何多 Agent 不一定带来高效率
文章探讨了在使用多个 AI Agent 进行编程开发时存在的隐形成本——“编排税”。作者指出，人类的认知带宽是单线程的，无法随着 Agent 数量的增加而并行扩展。虽然启动 Agent 很容易，但审查和整合它们产出的工作必须串行通过人类这一瓶颈。文章借用并发编程中的“全局解释器锁”和阿姆达尔定律，解释了无脑增加 Agent 只会导致工作积压和认知疲劳，而非真正的效率提升。作者建议像架构系统一样架构注意力，通过按审查速率扩展、批量处理和保护单线程时间来管理这一挑战。
搓一个工业级 Skill：Skill 工程化实战指南（三）
本文基于前两篇的概念基础，深入探讨了如何利用软件工程标准从零构建一个“工业级” Skill。文章以开发一个多平台图文社交文案生成 Skill 为例，详细拆解了 Skill 的定义与路由、目录结构规范、frontmatter 契约设计，以及如何利用 references 分离长知识。此外，作者还介绍了 skill-creator 和 superpowers 等辅助工具，并强调了“用例驱动”的测试方法、边界处理以及防范 Prompt Injection 的安全审查实践。
为什么你的“AI 优先”战略可能大错特错
文章探讨了“AI First”战略的误区，指出单纯引入 AI 工具并不等于 AI 优先。真正的 AI 优先需要基于“AI 是主力构建者”的假设，彻底重构流程、架构和组织，即“软件工程 First”。文章详细介绍了 CREAO 团队如何利用脚手架工程、统一代码库、CI/CD 流水线和自愈反馈循环，实现 99% 代码由 AI 编写且一天部署多次的高效模式，同时也指出了该模式适用的场景与局限性。