标签: 编程
AI降低了编程和工程实现的门槛，很多老派程序员失业了，这其实是挺大的一个破坏。
AI降低了编程和工程实现的门槛，很多老派程序员失业了，这其实是挺大的一个破坏。但AI降低工程实现上的门槛，同时也可能带来巨大的机遇：就是创业的门槛同样降低了！以前需要招很多人成立大的公司的事情，可能只需要一小部分人，甚至一个人，就可以做出一个完整的成果了，这对有见解有全套经验的人，组建小团体进行创业，提供了很大的机遇。被裁的员工，如果是有能力的员工，可能基于自身的专业和经验积累（这部分是真门槛，不是谁都可以达到，但是也有不少这样的人以前只能打工，现在可以创业了），低成本和低门槛的进行创业。这样又可以把失业的人重新组织起来，现在是AI的快速发展，很可能可以帮助有经验的人做到这一点，说不定AI到了一定程度，就会有小的创业公司遍地开花，不是现在，是可能的未来会发生的事。
一篇技术观点文章提出，随着人工智能编程从简单的“提示即生成”发展为拥有验证框架、
一篇技术观点文章提出，随着人工智能编程从简单的“提示即生成”发展为拥有验证框架、规则文件、测试套件和自主执行流程的工程实践，软件工程的重点正在改变。作者认为，当人类越来越少逐行阅读AI生成的代码时，编程语言的核心价值就不再只是便于人类阅读实现细节，而是要更精确地表达“程序应该做什么”。因此，未来语言的竞争力可能会从实现便利性转向规格表达能力。文章以Lean4为例，主张用类型系统直接充当规格说明。其理论基础是Curry-Howard对应关系：类型即命题，程序即证明。依赖类型让开发者不仅声明某个函数返回列表，还可以要求它返回一个附带机器可验证排序证明的有序列表。这样，编译器不再只检查代码能否运行，而是检查实现是否满足逻辑承诺。只要规格可以写成类型，AI就可以自由选择算法，但若没有有效证明，结果会被编译器拒绝。作者认为，这标志着类型驱动开发可能迎来新阶段：人类更擅长定义意图和约束，AI更擅长生成实现和补全证明，依赖类型成为两者之间的桥梁。文章通过排序算法的Lean4示例说明，无论是插入排序还是其他AI生成的实现，类型本身都能强制输出满足正确性，而不依赖传统测试作为主要保障。这一观点的核心是，在AI高速生产代码的时代，工程信任的关键应从“看起来能用”转向“可被机器证明”。
普通人想参与AI革命，第一反应是学编程、转行、或者创业。但说实话，这三条路对普通
普通人想参与AI革命，第一反应是学编程、转行、或者创业。但说实话，这三条路对普通人都不太现实。可有一件事，普通人做得来，而且历史上反复被验证有效——买股票，更准确地说，买指数。问题来了：买哪只股票？答案是，最好别赌。长期数据摆在那里。股市的大部分回报，由少数超级巨头贡献。绝大多数个股跑输无风险收益，甚至直接退市。普通人的信息、资金、心态，都不支持你提前锁定那几只赢家。所以指数不是懒人选项，是承认自己无法预测赢家后的最优解。它不猜谁会赢，它把掉队的踢出去，把新赢家自动装进来。动态汰弱留强，这六个字就是指数最大的护城河。想再聚焦一点，有AI赛道ETF。BOTZ、AIQ、ROBO、SMH，按你对AI的理解选。如果对AI还没那么有信心，就定投纳指100ETF。纳指里跟AI沾边的公司大概30到40家，数量占三到四成，但科技和AI巨头的权重合计超过五成。你看着是在买指数，实际上已经重仓了算力、芯片、云计算和大模型。不押单一赢家，也能吃上时代红利。但说句实话。指数解决的是选股问题，解决不了波动问题。2022年那种跌法还会再来，中间照样有人割在最低点。所以参与方式比标的更重要。固定金额、固定日期、关掉APP。跌了你有仓位，涨了你不踏空。3年后再看，你的成本大概率在一个舒服的位置。你不需要比谁都懂AI。你只需要在别人恐慌下车的时候，还坐在车上。你觉得普通人靠定投指数吃上时代红利，靠谱吗？评论区聊聊。
刷到一个程序员，发视频哽咽难言，原来公司采用AI编程，裁了一半程序员，他学了十年
刷到一个程序员，发视频哽咽难言，原来公司采用AI编程，裁了一半程序员，他学了十年的东西没用了，难受得说不出来。我经历过好多类似新事物替代旧事物的过程了，面对这种情况就一种应对方式，马上学习新的AI技能，现在没啥对手，马上学来得及。我如果二十多岁，我现在会一天十几个小时去学这个，适应时代比坐在原地难过更重要。你要问我具体学什么。。。别问了，自己找。
今天早上在X上看到人工智能科学家吴恩达写的最新的一篇文章《人工智能工程技能图谱：使用CodingAg
今天早上在X上看到人工智能科学家吴恩达写的最新的一篇文章《人工智能工程技能图谱：使用CodingAgent》，是关于AI工程技能的文章，聊的是怎么用好编程Agent。吴恩达采访了几十位顶尖AI工程师，总结出了一套大家公认的工作流程，读完挺有收获的，分享给大家。先说一个大背景。现在编程Age今天早上在X上看到人工智能科学家吴恩达写的最新的一篇文章《人工智能工程技能图谱：使用CodingAgent》，是关于AI工程技能的文章，聊的是怎么用好编程Agent。吴恩达采访了几十位顶尖AI工程师，总结出了一套大家公认的工作流程，读完挺有收获的，分享给大家。先说一个大背景。现在编程Agent进化得特别快，ClaudeCode、Codex、Cursor这些商业产品，还有OpenCode、Pi这些开源工具，隔几周就有大更新。所以想用好它们，你得一直跟着试、跟着学，停下来就落后了。那顶尖工程师们是怎么用编程Agent的？吴恩达总结了三个大步骤。先说第一个：规划。就是在动手之前，你得先想清楚要做什么。这包括做调研、搞清楚现有代码库长什么样，然后写一份需求文档，把技术设计和架构想明白，再拆出一个执行计划。你还可以回头审视一下这个计划，看看有没有安全隐患，有没有把简单事情搞复杂了。然后说第二个：执行。让Agent去写代码、跑测试、验证结果。这里面有个关键问题，就是你要拿捏好Agent的自主权。有时候你盯着它一步步来，有时候你可以把一大块任务丢给它自己跑。你还得管理好它的上下文，比如项目进行到一半改了需求，你得确保Agent知道这个变化。如果任务够大，你甚至可以同时开好几个Agent并行干活，但这时候你得想清楚怎么分配自己的注意力。再说第三个：部署和监控。代码写完了，你可以通过CI/CD流水线把它部署上去，然后让Agent帮你盯着日志，发现问题了自动提方案甚至直接修。你会发现，这个流程跟以前写软件其实差不多。但现在工程师花在手写代码上的时间少了很多，更多精力放在了想清楚做什么、设计架构、写好需求文档、验证产出这些事情上。吴恩达还提到了几个关键能力。第一个是审查能力。Agent的产出是不确定的，你不知道它会写出什么好代码，也不知道它会埋什么bug。所以你得设计好测试和验证流程，有些可以全自动，有些还是得人来看。你还可以用AI做代码审查和安全审计，但在关键地方，人的判断还是少不了。第二个是定制能力。你可以给Agent装插件、接MCP服务器、设置hook来自动触发代码审查或部署流程。你还可以维护一份项目说明文档，比如CLAUDE.md，让Agent每次开工都能快速了解项目背景。跑完一轮之后做个复盘，把经验沉淀下来，下次它就能做得更好。第三个是理解Agent的底层原理。你得知道它怎么搜索代码、怎么管理上下文窗口、工具调用怎么影响它的表现。搞懂这些，你才能在它跑偏的时候及时发现，给它纠正方向。最后吴恩达说：社交媒体上经常把编程Agent说得很简单，好像让它自己跑几个小时烧几百万token就行了。但实际上，真正高效的用法是一个高度迭代的过程，你得不断介入、不断判断。能在关键时刻做出高质量决策的人，才能拿到最好的结果。科技先锋官HowIAI
原来vibecoding根本不是给纯小白的傻瓜工具，哪怕你不用自己写代码，也得
原来vibecoding根本不是给纯小白的傻瓜工具，哪怕你不用自己写代码，也得把业务逻辑和需求说的明明白白，不然还是得被AI牵着鼻子走。