打算去 AI startup 了。 从 2023 年之后，基本一直在大厂实习和工作。这次出来，大概率就会一直创业，不会再继续打工了。 说说我做这个决定的原因吧。 这个时代，AI Native 的小团队能学到的东西，比大厂传统业务多得多。 最近和不少 AI startup接触过，给我的感觉是其实一些比较明星的start up人才密度是高于大厂的业务部门的，这个可能比较反常识。 但大厂里真的有挺多只是想混口饭吃的小镇做题家，他们并不热爱这份工作，技术能力和 build 的欲望也挺一般般。 大公司有与生俱来、无法磨灭的大公司病。层级多，决策链路长，大头兵没有什么实质决策权。 最后的结果是，你出了 10 分力，可能只有一小部分打到了真正的结果上，剩下的全在流程里磨损了，或者花在向上表演上了。 哄好老板，这局就过了。这不是在骂我的前公司，是组织规模到了之后必然出现的物理现象。 还有个原因是，毕业之后对自己的了解也在变。学生时代觉得自己很需要钱，荣誉感、成就感这些虚的东西，在真金白银面前一文不值。 而现在不一样了。 有了一点积蓄，也找到了慢慢持续变富的路径，并且这几个月通过X也链接到了很多不走打工这条路径的朋友，反而发现自己真正需要的不是钱，是成就感，是做出一个真正有人用的产品的感觉。 钱解决的是生存焦虑和安全感不足的问题，解决完了，下一个问题才浮出来：我他妈到底想做什么？ 人生最重要的事，就是找到那个答案。 我找到了，所以走了。 顺利的话这辈子应该不会回大厂打工了，不顺利就再说。 祝我好运~👋

开发者优惠 - Google Cloud AI Startup：最高 $350K 额度（2 年），含 AI Tier 额外 $150K - AWS：通过 YC Startup School + Stripe Atlas + FounderPass 可叠加到 $12,500 - Anthropic：$25,000 startup credits - OpenAI：$2,500 startup credits

今天得知又有一个朋友主动从大厂跳到AI startup了，下午一起看了个电影 + 吃了顿饭。 聊了很多，从上家公司聊到新公司，发现大家的判断和跳槽原因都差不多。回来的路上仔细回想了一下，身边的应届朋友目前应该已经有超过一半的人挪过窝了，包括内部活水、被动被裁、主动跳槽等等，我也比较推荐毕业后2-3年动一动。 大部分人的离职原因都会更偏虚一些，真只是因为钱而动的朋友好像很少。 他新公司在杭州，深圳朋友又-1，祝发展顺利，一切都好。

推掉 offer、延毕转AI safety，他一个月重新拿到 offer 刚看完一篇研究员求职复盘，作者 Yong Zheng-Xin，布朗大学五年级 PhD。 他的经历有点特别：读到最后一年，从多语言 / post-training 直接 pivot 到 AI safety，拿了 Astra Fellowship（在 OpenAI 做），为此把毕业推到 2027，还推掉了手上已有的 offer。 后来重启求职，本来计划 7 月才开始面，结果担心 headcount，5 月中就上了，6 月中就拿到满意的 offer，甚至撤掉了一些还在进行的面试。 他写了 6 个让他意外的点，我觉得对正在找 research 岗的人挺有用，整理一下👇 1/ 真正起作用的，可能只有一两篇 paper，甚至一篇都不靠 他多语言方向的 paper 数量远超 safety，还拿过 best paper。但 pivot 之后，这些一篇都没影响到面试结果。 paper 的作用其实就两个：① 敲门，你做过 team 感兴趣的东西，于是被放进 pipeline；② deep dive，research presentation 时聊一篇的动机和细节，有时短到只有 20 分钟。 所以发表数量除了证明 credibility，没那么重要。你随时可以转去一个你觉得更重要的方向，只要在新领域证明够强、team 想要你。 2/ 面试轮次的花样，超出预期 他本来以为就是 fresh-grad SWE 那套：LeetCode + behavioral + 一些 LLM / 深度学习。结果遇到了 system design、并行编程（用 asyncio 手写并发），甚至还有专门评估你“用 AI agent 用得好不”的轮次。 结论很简单：永远预期 wildcard。 3/ Work trial（试岗）越来越常见 他原以为 work trial 只在 AI safety 岗比较常见，结果发现 AI startup 也越来越多。 试岗和 onsite 完全是两回事：不是飞过去面几轮，而是真的跟团队一起做一个任务，有时还是开放式的。通常带薪，但有的线下试岗能持续整整一周。 副作用是：试岗期间你几乎没法准备别家面试，因为得全力扑在当前任务上。同时面多家、又赶时间的话，这点排期要特别小心。 4/ 时机的权重，比你想的大 去年秋天，AI safety 岗极难找，远不如 RL 相关的多；但现在一堆 startup 开始招 safety（比如 Lila、Mechanize）。 几个现实： 你的工作 viral 了，会有一波机构同时来找你，别被打懵，接住这个时机。 你的方向变热，机会整体变多，但窗口可能不到一个月，也可能拖上几个月。 headcount 一定要问 recruiter，尤其你打算推迟、或想同时面多家时。 面试可以试着往后推一两个月，但一旦开面，各轮之间的间隔通常很短。有些岗位还希望你下个月、下下个月就入职（这点能谈）。 5/ Return offer 很稀少 SWE 那边 return offer 基本是常态，research 岗就完全 case-by-case。 他 2024 在 Meta 实习，return 全职 offer 很少，高度依赖 headcount 和 team，身边不少人没拿到。他在 OpenAI 做 Astra fellowship，最后也还是和所有应聘者一样走完了全部面试轮。听说有的机构更快，如果 team match 成了，再补一两轮就行。 6/ 很多面试，跟你的方向根本没关系 他从能力研究（多语言）转到 safety，本以为 safety 相关的面试会占大头。 结果并不是。他遇到很多轮跟 safety 毫无关系，甚至跟他研究兴趣都不沾边。有些地方还是在考你“作为一个 AI researcher 够不够全面”。 他觉得这有道理（领域跑得快，基本功值得查），但预期还是落空了。也许 senior 岗会不一样。 前两天刚写完 Silvia Sapora 那篇顶级 ML Research Scientist 面试指南，这篇刚好补充了另外一个视角。

ABG（Asian Baby Girl）CMO 在硅谷火了 很多 start-up 喜欢招亚裔女孩作为品牌的宣传 尤其围绕 YC、B2B SaaS、GPT wrapper startup、AI startup 的增长叙事。 最早传播里就有一句很 meme 的话： 如果你是 YC-backed B2B SaaS + GPT wrapper， 却没有一个 ABG CMO， 那你就“cooked”了 亚洲女孩刚好踩中了硅谷早期公司的几个真实痛点 所谓 ABG CMO，就是 founder brand + content engine + social distribution + BD front desk + community operator 的混合体 一个人可以同时解决内容、分发、社交信任和 BD 冷启动 甚至还有专门生成 ABG CMO 的网站 但这件事本身是underground，如果摆在台面上就容易引发种族矛盾，前阵子 ABG meeting 也引发了很大争议 看到越来越多的亚裔女生成为 CMO 你觉得该怎么评？

我看了一下@ycombinator 今年的项目，基本上都是 1. FDE/Router + Vertical Application： 模型router → 针对某个具体场景做优化 → 接入业务 workflow → 用数据反馈继续优化。 初创公司卖模型，初创公司都是中转站。 2. Router + LLM Optimization / Infra： 跟上一类不一样，这种是解决大模型调用本身的问题：routing、cost、latency、eval、observability、prompt optimization、fine-tuning、inference 等。 比如说 @WorkWeave 这个产品，他们说自己是AI to understand and then route engineering work。最开始的产品更像是 AI-native engineering analytics：接 GitHub / PR / Claude / Cursor 等工程数据，然后用模型分析： 工程师到底完成了多少工作 哪部分代码是 AI 写的 AI coding tools 有没有真正提高 productivity AI 花了多少钱、ROI 怎么样 哪些任务 AI 做得好、哪些做得不好 后面他们这个方向跑到最后发现还是需要模型聚合能力，他们就往一个中转站走了，然后发布了weave router。 他们分析 各种企业的Claude Code workload 后称，大约 60–70% requests 是比较简单的 completion，这些任务用便宜的 open-source model 可以做到相近效果，而成本可能只有约 1/40。 Coding request → Weave classifier/router → 判断任务难度 → 选择模型。 所以拆解一下这家公司就是做Router + Vertical Coding 场景，Weave 这种模式比单纯做一个LLM中转站 Router 更值得借鉴，先找到一个 token spend 巨大、任务高度重复、而且不同任务对模型能力要求差异巨大的 vertical，尤其是coding场景，然后做它的 intelligent routing layer。 所以我感觉年初做中转站的经验虽然没有给我个人带来什么经济收益，但是确实积累了很多实战技能，比如说如何从零到一搭建中转站，如何做FDE，挨个建群解决用户的api问题，比如我自己搭画布接seedance。 往后来看这种经验太值钱了，以后的ai startup都会是这个形态。