Don't Outsource the Learning
本文探讨了在 AI 编程时代开发者面临的认知危机。作者指出，过度依赖 AI 生成代码会导致认知能力下降和技能退化，即“认知债务”。文章引用多项研究证实，虽然 AI 能提高短期效率，但会削弱长期理解力和调试能力。作者建议调整使用 AI 的姿势，如先形成假设、先询问原理或开启学习模式，强调在“交付”与“学习”之间取得平衡，避免为了当下的速度而牺牲未来的核心竞争力。
相关文档
品味 + 工程思维：AI 时代最难被替代的两件事
本文探讨了在 AI 时代，程序员最难被替代的核心能力并非代码编写技巧，而是做选择的'品味'和把结果做稳的'工程思维'。作者引用 ClawdBot 创始人 Peter 的观点，指出 AI 消灭了语法层面的痛苦，但保留了对架构设计的直觉和判断力。文章详细阐述了品味的定义（长期决策力）和工程思维的三个核心习惯（拆分、全局、三问），并强调 AI 是能力的乘数，只有具备扎实的基础，才能最大化 AI 的价值。
The Future of Software Development
作者展望了未来5-10年软件开发的变化：AI模型正以每半年约10倍的速度变强，未来将极其智能、快速且廉价。开发模式将从IDE自动补全，演进到终端中的AI编码代理，最终只需用自然语言或语音告诉计算机想要什么，AI代理即可自动完成构建、测试、修复和上线。文章还探讨了为AI代理设计的意图式操作系统（无需UI）、为每个用户动态生成的应用界面、面向AI代理的新协议（如MCP），以及未来5-10年最抢手的技能，强调经验与意图表达能力将比手写代码更重要。
AI时代的职业选择：能被打分的工作正在贬值
本文编译了Phil Chen关于AI时代职业发展的建议。作者指出，能被明确定义和打分的工作正被AI取代，未来真正稀缺的是时间、人脉和声誉。在agent-native时代，工程师的核心能力正从“写代码解题”转向“发现并定义问题”。选公司应看重其解决方案的野心，工作中要死磕“最后一公里”的细节。文末作者结合自身经验，对面试方式变革、生产环境重写及发现问题的前提给出了独到见解。
12个月成为AI工程师的路径
本文介绍了如何在12个月内通过六个阶段的学习和实践，成为一名AI工程师。重点是掌握Python编程、模型API使用、构建RAG系统、开发Agent、评估和部署能力。强调通过实际项目作品集而非学历来证明能力。
AI新职业PDE火了：年薪最高22万美元，普通人怎么入行？
文章介绍了AI时代兴起的新职业Product Design Engineer (PDE)，即兼具产品思维、交互设计和前端代码能力的全栈角色。AI降低了生产成本，使得能独立完成从设计到上线的全流程人才变得稀缺。文章详细解析了PDE的职责、与其他角色的区别、转行路径以及国内外就业现状。
如何在6个月内成为代理AI工程师
本文提供了一个为期6个月的12阶段AI工程师学习路线图。文章首先阐述了代理工程师的核心是构建能自主决策的系统，而非编写固定逻辑。前两个阶段重点介绍了Python异步编程的基础（解决API调用阻塞问题）和LLM的基本原理（如上下文限制、成本控制和模型路由）。随后详细讲解了工具调用与结构化输出的实现方法，强调使用Pydantic验证数据及构建可恢复的Agent循环。
2026 年，如何成为一名 AI 工程师（不卡学历）
本文提供了 2026 年成为 AI 工程师的 12 个月路线图。作者区分了模型研究员与 AI 工程师，强调后者更看重实战能力而非高学历。路线图涵盖 Python 基础、大模型 API 调用、RAG 系统构建、Agent 开发以及 MLOps 评估与部署。通过完成三个核心项目（RAG 应用、多 Agent 系统、带监控的上线系统），建立能胜任工作的作品集，即使没有 CS 学位也能入行。
OPENAI 的反思：PRD 没死，PM 别砍
本文基于 OpenAI Codex 负责人 Andrew Ambrosino 的播客访谈，探讨了 AI 时代下产品管理与开发流程的反思。文章指出 PRD 未死，关键在于选对媒介；反对盲目裁撤 PM，强调学科积累的最佳实践不应被抛弃。Andrew 提出角色应由实际交付内容定义，而非头衔。他警示人们应与结果而非流程结婚，在 AI 降低实现成本的当下，人的判断力、品味与经验变得更为昂贵和稀缺。
Claude Code 在大型代码库中的运作方式：最佳实践与入门指南
文章探讨了 Claude Code 在处理数百万行级单体仓库及遗留系统时的成功模式。区别于传统 RAG 工具的嵌入索引滞后问题，Claude 采用本地代理式搜索实时导航。核心论点指出，工具链生态（CLAUDE.md、钩子、技能、LSP 集成等）的重要性远超模型本身。文章详细解析了七大扩展点，并建议通过渐进式配置与插件分发来提升在大型复杂代码库中的协作效率。
全奖 PhD，硅谷十一年，startup 上市了。AI 来了，我失眠了。
文章讲述了作者作为拥有全奖 PhD 背景的硅谷工程师，在 AI 时代下的职业焦虑与转型。虽然曾参与上市 Startup 并拥有十余年技术积累，但面对 Claude 等 AI 工具的强大生产力，作者一度感到迷茫。随后，作者利用 AI 实现了个人生产力的飞跃，独立开发了 6 款产品，并深入探讨了 AI 对硅谷工作流、初级工程师生存空间以及职业断层的深刻影响。
如何优化你的 AI Harness：配置、框架与子代理指南
文章指出工程师的关注点已从 IDE 转向 AI Harness，并介绍了提升 Harness 输出质量的关键方法。核心策略包括：保持配置文件（如 .md）精简，采用渐进式披露原则以节省上下文；利用 R.P.I 框架（Research, Plan, Implement）像资深工程师一样分解问题；以及通过子代理清理主上下文窗口。文章强调，Harness 的核心在于工程判断力。
From Big Tech SWE to AI Infra (Part 2): What I Learned in My First Year
作者分享从大厂软件工程师转向 AI 基础设施方向一年的学习历程与心得。毕业加入大厂后，因工作缺乏主动性空间和创造感，三个月后决定转向 AI infra。通过学习基础知识、深入研读 SGLang 源码、参与社区贡献，逐步加入 SGLang-Omni 项目并进入一家 AI infra 创业公司。作者认为这一年是高回报率的一年，但也指出 AI 领域竞争激烈、节奏快，转行需权衡个人追求。文章最后强调了开源的重要性，认为强大的 AI 工具不应只掌握在少数公司手中，呼吁更多人参与开源社区。
