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。
相关文档
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。
别再怪 ChatGPT 回答质量差了：9 个提示词框架
文章指出 ChatGPT 输出质量差往往是提示词写得不好导致的，并总结了 9 个实用的提示词框架：RACE（角色-行动-背景-期望）、RISE（角色-识别-步骤-期望）、STAR（情境-任务-行动-结果）、SOAP、CLEAR、PASTOR、FAB、5W1H 和 GROW。每个框架通过明确角色设定、任务描述、背景信息和期望输出，帮助用户获得专家级的 AI 回答，适用于文案写作、问题解决、产品介绍、目标管理等多种场景。
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。
听的时候全懂，一动笔全废：硅谷徐老师大师课上的 EQ × TQ × IQ
作者回顾了硅谷徐老师的大师课，指出“听懂了”不等于“学会了”，并分享了从课程中提炼的核心观点：AI时代，技能会被蒸馏，但信任不会；研发效率不等于商业收入；TQ（Token Quotient）是新的关键能力。文章还探讨了职业阶梯与超线性回报的区别，以及AI应用中的工作流重新设计的重要性。最后，作者提出了一个实践建议：通过默写来检验真正的理解。
How to Prevent AI Brain Rot: The 8-Part Protocol for Thinking and Coding With AI
本文探讨了AI使用中可能导致的'认知能力退化'问题，即过度依赖AI工具（如Claude、Codex）完成编程任务，而忽略了自身技能的培养。作者通过引用Anthropic的实验和神经科学研究，指出AI虽能提升短期效率，但可能削弱独立调试、理解和记忆能力。文章提出了'认知所有权'的概念，并给出了八条具体规则，帮助开发者在利用AI的同时保持和提升自身能力，避免能力差距扩大。
How to Build An Agentic Harness using Kimi K3
文章指出AI模型正变得廉价且可互换，核心资产在于控制层（Harness）而非模型本身。作者提出了构建Agent控制层的三条核心法则：模型是消耗品而框架是资产、耦合要轻但框架本身要做厚、可调设置必须有代码级别的硬边界。文章详细拆解了构建可复用控制层的11个关键要素，并主张让框架去适应工作流而不是绑定特定的模型供应商，以适应快速迭代的AI技术格局。
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。
Karpathy 的 LLM Wiki 工程指南
本文介绍了 Andrej Karpathy 提出的 LLM Wiki 架构，旨在解决传统 AI 工具重复处理文档导致的资源浪费问题。通过构建 raw/、wiki/ 和 instructions/ 三个文件夹，将文档一次性编译为结构化知识库，大幅降低查询成本并实现长期记忆。
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。
AI 超级周期经济学(二)：为什么 AI 并没有立即提升公司效率？
文章通过电力革命和PC普及的历史案例，指出AI短期内未提升生产率的原因在于工作流程未被重构。Databricks CEO通过案例说明，只有彻底改变组织流程和协作模式，才能释放AI带来的20倍效率提升。
如何利用AI构建和扩展单人企业
文章介绍了利用AI构建和扩展单人企业的完整蓝图。通过使用AI员工（如Viktor）在内容、项目、拓展、财务和广告五个领域实现自动化，只需保留决策环节。文章探讨了两种构建方式：快速路径和自定义构建，强调业务知识库和操作规则的重要性。
