Claude Design的能力是很超出预期的，绝对不仅仅是设计，其实把PM和QA的活也干了一部分： 1. 可以构建不同虚拟设备终端对不同功能拖动和点击测试 2. Design System构建好之后团队自动共用，做产品和Deck都风格统一素材共用 3. 昨晚设计之后可以要求做一个文件交接给Claude Code，快速上线部署调试

看到澳洲 AI 岗挂出 16 万到 30 万澳币（AUD）年薪，很多人第一反应是“泡沫”或者“算法博士专属”。 算不清商业账的人，永远看不懂这个市场。 过去一家公司搭系统：1 个 BA 梳理需求 + 2 个开发写代码 + 1 个 QA 做测试 + 1 个 DevOps 搞部署，一年下来人力成本轻松超过 60 万澳币（AUD）。 现在一个懂业务的 AI 工程师，利用一套 Agent 工作流，自己当总架构师，把代码、测试、发布全部跑完。 老板开出 20 万到 25 万澳币（AUD）年薪，表面上看是高薪，实际在暗地里狂喜，因为用人成本直接打了个三折。 市场从来不给“我代码敲得多规范”买单，市场只为“能帮公司省下另外 35 万到 40 万澳币（AUD）”买单。 别抱怨就业大环境差了，是你手里的技能包还在拿十年前的计件逻辑去跟机器抢饭吃。

推荐这篇文章。Redis 作者 antirez 的核心论点：控制想法比控制代码更重要。 他认为审查 AI 代码已经"大部分毫无意义"——真正该做的只有两件事：掌控设计，拼命做 QA。 看看这个博客过去的历史。有很多关于用 AI 编程的文章，其中一些可以追溯到 2024 年 1 月。毕竟，我是一个还算受尊敬的开发者。我不需要作为一个寻求关注的老头子留在"圈子里"，我最近重新加入了 Redis，现在还在开发一个本地 LLM 推理的开源软件，在社区里受到了不错的欢迎。为什么我继续做这件事——说人们不想听的话？为什么我一直宣布未来的编程默认会是什么样子？因为我感到有一种紧迫感，想降低那些比我更没准备好应对变化的人受到的冲击，他们通常比我年轻，而且不像我，没有预见其中许多事情的发生（在 ChatGPT 出现之前，我就在 2022 年出版了一本书，预示了许多现在已经发生的事情，以及我相信将会发生的事情，所以我觉得我可以说这些而不显得自我中心）。 所以我的做法是一个技巧。人们越来越觉得编程被 AI 彻底改变了，不知道该怎么办，不知道自己是否真的可以用一种完全不同的方式开始编码，不再把代码当作主要的产出。他们觉得在背叛自己的领域。所以我的意图是站出来说"看着我，我会写代码，你知道的，我没有躲在 AI 后面：然而，事情变了，这不是你的弱点，不是你中了 AI 的毒。只是我们的领域正在朝着一个令人难以置信同时又痛苦（但也快乐）的方向演进。" 这就是为什么昨天我在 X 上说，我相信许多程序员现在的影响力比他们本可以达到的要小，因为他们在盯着代码看。我真的相信这一点。请注意，这并不意味着用 vibe coding 的方式直接要最终产品。重点是：如果你掌控了你软件的想法，盯着代码本身是次优的，而且常常毫无意义。 原因如下： 1. 你现在可以生成大量代码，即便不计算 LLM 的代码啰嗦问题（那也大部分是因为你还不能很好地 instruct 它们）。你打算怎么每天审查 5000 行代码？ 2. LLM 非常擅长写局部最优的代码，但在大想法上更弱（虽然在改进）。逐函数、逐行地扫描有什么意义？相反，你应该把你心里的设计 prompt 进去，有时候问"那个部分的精确设计是什么？它是怎么工作的？"然后评估它是不是正确的模型。这快得多。 3. 工作日是 8 小时。如果你在读代码，这是一个取舍。你在减少做另一件事的时间——今天你工作中最重要的那部分：问自己"我在用这个软件做什么？我想往哪个方向走？"以及想新想法、新功能、优化技巧。以及做大量的 QA。 掌控想法。记得《人月神话》里的这句话吗？一本 70 年代的书告诉我们关于当前软件时代的东西，比 2000 年到 2020 年间说的很多东西都多。为什么现在抗议 AI 的人，没有被过去十年软件的状态所震惊？我们在最近几年——在 AI 之前——触碰到的 slop 水平是不可想象的。我再告诉你一件事。什么是 slop？用 DwarfStar 我完全自动化地实现了两个 LLM（DeepSeek v4 和 GLM 5.2）的推理：但你自己试试，你会发现你不能只是说"实现 XYZ"然后就看到它能用。你必须理解事情是怎么运作的，什么是最好的设计，如何达到某个性能水平。然后我把实现和其他系统做了对比，检查正确性，发现其他实现有时包含更多错误。我进一步研究，发现本地推理领域充满了微妙的错误，累积起来会损害模型输出——attention 实现中的问题导致上下文超过某个限度后性能滑坡，因为索引 attention 的实现是坏的（比如做了超过应该做的工作），等等。这是一个非常复杂、快速变化的领域，每天都有模型发布，推理图彼此略有不同。对开发者来说，这是一个不公平的游戏。好吧：AI 在这方面的帮助极大。在许多领域，严谨的工程（在设计层面）和测试远好于手写一个 GPU kernel（或逐行读它）。所以我们确定大部分抵抗不是意识形态吗？ Matteo Collina 昨天回复我的推文问我：但你不是说过你会检查 Redis 的所有 AI 生成代码吗？这确实是一个好问题。是的，我做，但这在这一点上是我需要做的事情，但我相信大部分时候是毫无意义的——部分是在 GPT-5.5 发布之后，但现在有了 Fable 和 GPT-5.6 Sol 更是如此。是的：我发现了一些我不喜欢它们被编写的方式，但如果我打开其他 Redis 贡献者写的 Redis 文件，里面有远更糟糕的东西，不是因为他们不是好的程序员，而是因为这是一个品味问题。我写非常干净的代码，因为我希望它是可读的，所以在 Redis Arrays 的实现过程中我做了修改。我现在又在为 Redis sorted sets 的 50% 内存节省优化做同样的事，一个我很快会提交的 PR。但我不觉得这还有用了。没有人应该再盯着这段代码看，而应该只看代码包含的想法。我继续这样做是出于对用户的尊重。Redis 已经是一个被广泛使用的东西，许多程序员会打开文件，手动修改东西。但如果我完全自由，你知道我会怎么做吗？把审查占用的所有时间用来做更多的 QA，想下一个优化思路并应用它，以及用 LLM 写一个 DESIGN.md 文件——用人类语言描述每个数据结构，包含它承载的想法、实现技巧和设计。将来，这比审查代码有用得多。 你想修改 sorted sets？你打开文件，读设计文档，你就拥有了这些想法。你可以打开 agent，用正确的思维模型让它帮你做事。这比审查代码有用得多。 Fable 和 GPT-5.6 对 sorted sets 内存节省的审查，将比我自己的审查发现更多的错误和微妙的竞态条件。然而我还是会做。但对于大多数软件项目，所有这些已经不再有意义。专注于掌控想法。专注于质量、测试、以及对你想要交付的软件有一个清晰的构想。世界变了，这是痛苦的，但同时也充满了机会——去改善一个已经彻底腐烂的软件世界。 我只有一个疑问，关于那些经验不够、无法建立心智模型的年轻程序员。我们不知道他们是否需要深入理解一段代码是怎么工作的，但我相信他们应该学怎么写程序。然而，我不确定检查 LLM 输出是不是他们应该做的正确的事。学一门编程语言，实现一个小解释器、一个小数据库、一个哈希表等等——这可能有用得多。审查某个客户网站的 JavaScript？算了吧，别把时间浪费在那上面。 原文： #AIProgramming# #SoftwareEngineering# #antirez#

想从产品工程师视角和大伙聊聊，在代码全部由AI生成的时代，如何保证产品的代码可以持续迭代、好维护、不腐化。 最近 Mole 发布到了第 13 个版本，看了看整个项目大概有 11 万行 Swift 产品本身代码、7.3 万行测试代码和 3347 个 XCTest，测试代码部分远多余之前在公司写业务时候有QA来保障下的代码，我一直秉承一个观点，AI 写的代码应该 AI 来测试，而非人，把人引入到这个环节反而会拖慢整体的进度。 想着基于上面这个经验实操来总结一下，我都做了哪些有意思的事情，让这些代码一直可以在我和 AI 之间非常听话的实现功能。 1、即使 AI 能够大幅提升代码生产的速度，产品本身的技术架构、分层、同类抽象，什么东西放到什么地方能够让后续更好的扩展以及解耦，还是需要工程师本身的判断，这一块可以在项目第一个版本可以跑起来后就可以和你最好的 AI 仔细讨论，设定好对应的架构，并通过可沉淀可修改的文档记录下来，持续跟随项目迭代。 2、我目前最依赖的还是单测，1.0 只有 56 个 XCTest，到 1.13 已经有 3347 个，测试代码大约是生产 Swift 代码的 66%，不过数量只是顺手统计出来的结果，我平时更关心测试有没有覆盖那些容易想当然的地方，比如扫描结束以后文件又变了、进程检查失败、命令返回成功但 App 根本没有更新、旧任务很晚才回来覆盖了新结果。正常情况一般不难写，麻烦的是那些结果看起来没问题，实际上已经错了的情况如何可以及时去更新。 3、特别是修 Bug 的时候，我会多留一些东西下来，除了把问题修复，还会加一个让旧代码失败的回归测试，然后沿着同类路径去找有没有类似的问题，最后把当时为什么这么改写到规则里面去，到目前 Mole 已经有 1000 多个以 fix 开头的提交，其中 900 多个提交过测试，很多测试和规则都是用户真实踩过一次以后留下来的经验，或许我认为这个是当前这个项目最宝贵的资产。 4、测试能记住输入和结果，但记不住当时为什么放弃一种做法，所以项目里还有一批 Rules，主要记录功能边界、历史原因和不能碰的地方。比如为什么某类文件宁可漏掉也不能自动删除，为什么有些看起来重复的组件不能随便合并，哪些系统数据不属于 Mole。Rules 一多又很费上下文，我就按模块把它们拆开，只在改到相关代码时加载，再把经常重复的检查做成 Skills。bugs 会从以前的修复里找同类问题，design-system-review 看界面有没有越写越乱，release 则负责检查签名、公证、远端文件和更新链路，这样不需要每次都从头跟 AI 解释一遍。 5、还有一个对我很有用的法子，就是少做一些没有实际用的功能。现在 AI 加一个设置项、兼容分支或者后台监听太容易了，几分钟就能写出来，留下来的状态和维护成本反而腐化的最大的原因。比如Mole 现在对新功能设置了一些规则，比如尽量不增加常驻开销，不增加新的特权和系统权限，有合理默认值就不继续加设置项，更新和清理也不会因为发现一种新的可能性就一直扩范围，很多时候有很多功能是开发者自以为重要，但是使用者完全不在乎的功能，更多还是建议从用户中来，到需求中去，如无必要勿增实体。 6、需要充分利用好 Github 自动化 actions 的能力，这个会是你最后的兜底，其实代码写完、跑通、测试变绿以后也还没结束，我的项目里还有一套检查负责九种语言、网站生成结果、Appcast、Xcode 工程和公开部署文件之间的一致性，make verify 会把这些检查和测试一起跑，CI 再换到云端干净机器上重新来一次。到了发布的时候，本地代码、Git 提交、签名后的安装包、线上文件和用户实际收到的更新也是几种不同状态，我会分开确认。之前也遇到过源码完全正确，线上还在提供旧文件的情况，只看一个绿色结果很容易过早觉得已经做完了，其实是有错误的。 7、上面的一切，假如需要说特别的地方，我能想到的就是执行流程完全我没有插手干扰，每一步是 AI 自动化的去执行验证，出错了 AI 自动去解决，只不过会在不同的时候设置必要的流程卡点，让 AI 主动去验证，得到明确的结果才确定通过，并持续的去迭代规则，保持现有规则的新鲜度，并及时移除旧的逻辑，让本身的校验逻辑和本身的业务代码同步升级。 或许，这是我认为 AI 时代的工程师更需要培养的能力，如何让 AI 写的代码更好维护、更清晰、更好扩展，即使半年、一年、两年都不会腐化，而且会越来越听话，越来越符合开发者的心意，也给多 Agent 合作开发确立一个很稳靠的根基。之前手写代码的乐趣已经没有了，好在有这个弥补了一些纯 AICoding 过程无聊，让工程师的一些专业度得以延续下去。

我让 AI 找一个值得做的产品，它盯上了律师账单里的 6 分钟 最近用 AI 做产品调研时，我越来越明显地感觉到一个问题： 信息并不缺，缺的是判断。 问“下一个 AI 机会在哪里”，很容易得到一长串听起来都对的答案：AI 法务、AI 财务、AI 营销、AI 编程…… 但真正准备行动时，还是不知道哪个需求真实存在，哪个只是被反复包装的趋势。 所以这次我换了一种问法。 我让 AI 从用户抱怨、产品评论、GitHub Issues、行业报告和现有产品中寻找信号。每提出一个方向，还必须主动寻找反证：竞争太强、付费意愿不足，或者已经有成熟工具解决，就淘汰。 它一共比较了12个方向。 广告上线前 QA 的损失很直接，但链接和落地页检查已经有成熟工具；AI 代码审计的痛点很强，但市场拥挤，而且人仍然可能需要逐行复核；财务对账高频，却绕不开数据权限和“到底以哪个系统为准”的问题。 最后留下的，是一个我原本完全没有想到的场景： 律师的工时记录与账单叙事（比如美国的法律服务）。 许多按小时计费的律师以0.1小时，也就是6分钟为单位记账。会议、邮件、电话和文档修改结束后，他们还要回忆自己做过什么、匹配案件、补记时间，再把记录改成客户能够接受的账单描述。 AI 在这里不需要替律师做法律判断。 它只需要把日历、邮件和文档活动整理成带来源的候选记录，再由律师确认、修改或删除。 它真正解决的也不是“写得更快”，而是减少漏记、降低审核返工，并让每条收费描述都有依据。 这次测试用的是 Apodex。它里面的 Deep Discover 最让我意外的地方，不是能生成多少想法，而是会主动反驳自己的想法，把一个宽泛的问题逐步收敛成可以验证的假设。 它也没有把这个结果包装成确定的创业机会，而是给出了一套30天验证方案：访谈律师和 billing manager，用脱敏样本测试草稿编辑时间，再验证是否真的有人愿意进入付费试点。 如果律师不愿开放数据、修改草稿和自己重写一样费时，或者现有软件已经够用，那这个方向就应该停止。 我觉得这才是这次测试最有价值的地方。 它没有替我宣布一个答案，而是帮我排除了一批看起来正确的答案，最后告诉我： 下一步最值得验证什么，以及出现什么结果时应该放弃。 有时候，真正有用的 AI 不是让人更快得到结论，而是让一个模糊的问题，终于有了可以行动的下一步。 Open Source Harness: Open Weights: Website:

冒着没人看的风险，我把这份长达1小时的 GrokBot 官方教程完整翻译了一遍。（GrokBOT教程） 这可能是目前最接近未来个人AI团队”形态的一次公开演示。 很多人还停留在让AI帮你写邮件、写代码、生成图片。 自从用了GrokBot ： 你不再雇佣一个AI助手，而是在组建一家公司。 一个首席Agent负责统筹，下面有邮件管理员、日程管理器、任务规划师、工程师、QA、值班Agent。 它们有自己的角色、记忆、工具权限，还能互相沟通协作。 重点是你关掉电脑后，它们依然可以继续工作。 比如每天早上自动整理你的收件箱，把重要信息发送到Slack； 工程团队里的Agent可以自己讨论需求、写代码、测试、提交PR； 值班Agent可以24小时监控系统异常； 以前是“人找AI”。现在开始变成“人管理AI”。 未来每个人可能都会拥有一支属于自己的AI团队。 这也是为什么我认为 Agent 时代真正的竞争点是谁最早学会如何组织、管理和调度这些数字员工。 完整教程我翻译整理了一遍，值得花时间看。 来源：@0xCodila

Web3 远程工作汇总（7.14） 发布招聘/求职请前往官网，我们会为您推广。 中文工作电报频道：DeJob_official 1️⃣ MGBX - HRBP 2⃣ Haven Crypto Card - 财务专家顾问 3⃣ Miya - 海外市场经理 4⃣ Deepcoin - 数据工程师（大数据开发） - 活动运营（韩语流利） 5⃣ Supro Finance - 社媒与社区运营（海外） 6⃣ XXKK - AI应用开发工程师 7⃣ Talentverse - 生态拓展经理 8⃣ MEXC - 运营实习生 9⃣ Mask Network - 移动工程师 🔟BitDa - 风控专员 - BD 1⃣1⃣ Gate - 费用管理专家 - 反洗钱分析师 - BD（美股） 1⃣2⃣ HTX - OTC海外商家运营经理 1⃣3⃣ BIT - 运维工程师（高级） 1⃣4⃣ AstroX - 风控运营 1⃣5⃣ 88EX - 运维工程师 1⃣6⃣ BitBaby - BD（合约） Global job Telegram channel: DeJob_Global 1⃣ MEXC - Operation Intern 2⃣ Pionex - User Growth Operation 3⃣ Flow Traders - Graduate Quant Trader 4⃣ Jump Crypto - HR Operations Specialist 5⃣ Injective - QA Engineer 6⃣ BitBaby - Business Development (Futures)