品味与判断力：AI时代的开发者生存指南
文章探讨了AI Agent如何自动化初级开发者的重复性工作，导致入门级岗位减少并阻断传统成长路径。作者指出，未来的核心竞争力不再是解决已知问题，而是培养“品味”和判断力，并给出了包括阅读代码、记录错误、掌握基础等七条具体建议，以帮助开发者在AI时代建立不可替代的认知优势。
相关文档
品味、判断力与人工智能
文章探讨了品味和判断力的本质及其在 AI 时代的价值。品味是在证据不足时识别卓越的能力，通过大量练习和接触多样性培养；判断力则是在风险中为选择承担责任的意愿。文章以 Apple Maps 为例，说明了判断力的不可转移性，指出虽然 AI 可以习得品味，但无法替代人类的判断力和责任感。
Boris Cherny：Claude Code 之后，写代码正在变成“管理 Agent”
本文介绍了 Anthropic 内部 Claude Code 的创建者 Boris Cherny 的访谈内容。文章探讨了 Claude Code 如何从孵化项目发展为年化营收超十亿美元的产品，阐述了编程方式的根本性转变，以及 AI 代理（Agent）在代码生成、工作流自动化和未来软件工程中的核心作用。Boris 认为编程将被解决，未来的核心是管理 Agent 和业务知识，而非纯技术实现。
AI 时代如何成为顶级程序员：能力跃迁、杠杆与品味
文章探讨了 AI 时代程序员价值的重新定义，指出代码正在商品化。真正的顶级程序员需要具备三层能力：从实现者到判断者的能力跃迁，利用 AI 进行单兵作战的杠杆扩张，以及基于架构美学的品味稀缺。文章提供了放弃执念细节、高带宽使用 AI、研读源码等具体修炼路径。
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。
How I work with Agents
Thorsten Ball 分享了 2026 年 10 月他与 AI Agent 协作的工作方法：使用最新最强的模型，不必担心代码库积累 slop；提示时描述 What 而非 How；让 agent 贯通整个软件开发生命周期（运行、部署、看日志、处理 bug 报告），并为其提供定制工具；通过盲测实验评估 agent 对代码库知识的利用；不要手动管理上下文，让 compaction 工作；请求不可反驳的证明（端到端演示、前后对比数据）；拥抱异步工作流，给 agent 更大任务；利用定时唤醒等自动化功能；只审查高影响范围的代码。这些实践展示了 agent 驱动开发的新范式。
How To Hire A Grok Bot: Experience From The First Zero Human Company
作者基于运营"零人类公司"的实践，提出不应把Grok Bot当作聊天机器人来"搭建"，而应像雇佣员工一样"招聘"它。文章介绍了Zero-Human Company的发展历程：从16个AI员工扩展到日常1000+、峰值75万+的规模，并总结出核心管理原则：一个员工一个明确职责、书面化的岗位描述、可验证的完成标准、人类审批的安全边界。文章还详细讲解了Grok Bot的订阅要求、账户链接、应用安装和上手步骤，强调模型不是难点，管理才是。
Grok Bot 员工怎么选：按八个部门搭起你的 AI 团队
本文介绍了 Grok Bot 提供的 90 个可免费领取的 AI 员工，涵盖工程、销售与客户、市场、设计、招聘、产品、运营和生活八个部门。文章详细列举了各部门的岗位职责：工程部包括项目统筹经理、软件工程师、验收测试员等，可完成拆解任务、编码、代码审查和验收测试；销售与客户部包括外联获客专员、销售闭环专员、通话教练等，覆盖找客户、客户研究、沟通跟进和售后支持。每个岗位都附有职责说明和领取链接，帮助读者按需搭建自己的 AI 团队，把手头工作交给对应的 AI 助手。
如何构建正在取代 Prompt Engineering 的 AI 循环
文章指出，过去两年提升 AI 效果的关键在于写更好的提示词，但这一方法正逐渐失效，取而代之的是自主循环（loop）。文章以 Karpathy 的 autoresearch 系统为例：该系统两天内自动运行约 700 次实验，发现约 20 项改进。作者阐述了真正循环的五个阶段（发现、规划、执行、验证、迭代），强调验证、记忆和停止条件三大关键组件，并介绍了自愈式 GitHub 仓库的实践案例。最后，文章给出用 AGENTS.md、loop.py、verify.sh 三个文件构建第一个 AI 循环的入门方法，指出外部验证比增加另一个模型更重要。
用 Grok Bot 自动化提交外链：一天跑完 4000 多个站的完整流程
作者分享了用 Grok Bot 自动化完成外链提交的完整实践：Agent 从 4000 多个候选站中筛出 282 个可免费提交的站点，按难度分脚本提交、浏览器批量、邮件自动验证三条线自动执行，并往 22 个 GitHub awesome 列表开 PR。作者只需定规则、批例外、点少量验证邮件，当天确认上线 9 个站、10 个排期、约 120 个待审。文章详细介绍了规则编写、资产包准备、双邮箱策略、站点筛选流程，并总结了付费、交换外链、挂徽章等六个可调旋钮以获取更多外链。
多智能体协作开源神器：涵盖266个AI Agent角色，20个部门
文章介绍了开源项目agency-agents-zh（GitHub 15.8k Stars），它为AI装上266个专业角色人格，覆盖工程、设计、市场、法务等20个部门。每个Agent以YAML文件定义身份、职责、风格和可用工具，适配Claude Code、Cursor、Copilot等18种AI工具。项目还提供orchestrator多智能体协调器，可将任务自动拆分并分配给对应Agent并行协作，输出完整方案。文章还展示了安装、自定义创建Agent及实际调用的代码示例。
非 CS 出身的 Lauren Tan，是怎么一步步放手给 agent 的
文章讲述 React 核心团队成员、现 SpaceXAI 工程师 Lauren Tan 的成长与 AI Agent 实践路径。她非 CS 出身，从网页设计论坛自学起步，历经创业失败、DockYard、Netflix、Meta React 团队，最终加入 Cursor（后被收购）。她曾不相信 agent 能写生产代码，如今一个月合入 2500 个 PR。她提出建立对 agent 信任的倒金字塔方法：优先改进代码库架构、静态分析、文字规范，最后才是人工审查；强调「瓶颈在于验证」，通过编写验证类 skill 让 agent 自我检查。文章最后给出普通人可照做的建议：边学边公开、从小处着手、先验证后放手。
用豆包工作+飞书搭建读书管理系统教程
本文是系列教程的实操篇，讲解如何通过自然语言让豆包工作（AI Agent）操作飞书，无需学习飞书多维表格和知识库的手动操作，也无需记忆命令。文章以搭建读书管理系统为例：先用多维表格做书架，实现建表、加书、查询、改状态、删记录；再用知识库做笔记本，完成建空间、建页面、浏览整理、重命名移动、删除等操作。每步附有可选的 lark-cli 命令供进阶读者参考。最后还演示了如何将整个流程压缩成一条指令，让 AI 一次完成建表、加书、建空间、建笔记并返回链接。
