來自台中𝟒𝟎歲的工程師 前一陣子在IG聊一聊 一整個性致爆棚….. 二話不說 直接開啪💥💥💥 大叔也是超級乾脆的馬上赴約。 褲子一脫 爆莖棒狀物比男主人還要期待 平常工作的壓力是真的很大齁(´･_･`) 累積了這麼久突然一次爆發 讓人措手不及…. 又剛好遇到有時候你這樣會露電的肉棒 過程中腦筋一片空白已經快虛脫了⸝⸝ʚ̴̶̷̆ ̯ʚ̴̶̷̆⸝⸝ 唯一能做的就是不斷的叫你衝刺！ 你的老婆知道你是這樣釋放壓力的嗎🥵 #工程師格格# #敏感體質# #偷偷の吃# #真實素人約會報名# #巨乳# 他釋放完了但我還沒….

工程师用AI几天完成团队几周的工作量——这是Coinbase CEO自己说的 说完就裁了700人 被裁的不只是普通员工 是「纯管理岗」——那层只管人、不做事的人 Coinbase正在把整个组织「降维」 更少的人，更多的AI agent，更平的结构 金融行业还有多少公司，没意识到自己快到这道坎了

人类工程师/创始人的主要任务由开发转为「观察」，比如，可以看到运行十几分钟后，wanman 自动提交了 3 个不同的远程分支，产生了 16 个提交。进行中卡片可以看到任务未完成的原因是前端代码的测试覆盖率没有提升到 100%。

Anthropic 工程师 Barry Zhang 在 AI Engineer 工作坊上的一个分享 “如何构建有效的 Agent”，其中印象最深的一个观点：Don't build agents for everything，反过来理解就是别做什么都能干的 Agent，那是我们大模型要干的事情😆 构建有效 Agent 的三大要点： 1. 明智选择应用场景，并非所有任务都需要 Agent； 2. 找到合适的用例后，尽可能长时间地保持系统简单； 3. 在迭代过程中，尝试从 Agent 的视角思考，理解其局限并提供帮助； Barry 主要负责 Agentic System，演讲内容基于他和 Eric 合著的一篇博文，下面详细总结他们的核心观点，以及对 Agent 系统的演进和未来的思考。 Agent 系统的演进 - 简单功能： 起初是简单的任务，如摘要、分类、提取，这些在几年前看似神奇，现在已成为基础； - 工作流（Workflows）： 随着模型和产品成熟，开始编排多个模型调用，形成预定义的控制流，以牺牲成本和延迟换取更好性能。这被认为是 Agent 系统的前身； - Agent： 当前阶段，模型能力更强，领域特定的 Agent 开始出现。与工作流不同，Agent 可以根据环境反馈自主决定行动路径，几乎独立运作； - 未来（猜测）： 可能是更通用的单一 Agent，或多 Agent 协作。趋势是赋予系统更多自主权，使其更强大有用，但也伴随着更高的成本、延迟和错误后果。 核心观点一 并非所有场景都适合构建 Agent (Don't build agents for everything) - Agent 主要用于扩展复杂且有价值的任务，它们成本高、延迟高，不应作为所有用例的直接升级。对于可以清晰映射决策树的任务，显式构建工作流（Workflow）更具成本效益和可控性。 - 何时构建 Agent 的检查清单： 1. 任务复杂度 ： Agent 擅长处理模糊的问题空间。如果决策路径清晰，应优先选择工作流； 2. 任务价值： Agent 的探索性行为会消耗大量 token，任务的价值必须能证明其成本。对于预算有限（如每任务 10 美分）或高容量（如客服）场景，工作流可能更合适； 3. 关键能力的可行性 ： 需确保 Agent 在关键环节（如编码 Agent 的编写、调试、错误恢复能力）不存在严重瓶颈，否则会显著增加成本和延迟。如有瓶颈，应简化任务范围； 4. 错误成本与发现难度： 如果错误代价高昂且难以发现，就很难信任 Agent 自主行动。可以通过限制范围（如只读权限、增加人工干预）来缓解，但这也会限制其扩展性； - 编码（Coding）是一个很好的 Agent 用例，因为它任务复杂（从设计文档到 PR）、价值高、现有模型（如 Claude）在许多环节表现良好，且结果易于验证，例如单元测试、CI。 核心观点二 保持简单 (Keep it simple) - Agent 的核心结构： 模型（Model）+ 工具（Tools）+ 循环（Loop）在一个环境（Environment）中运作。 - 三个关键组成部分： 1. 环境：Agent 操作所在的系统； 2. 工具集： Agent 采取行动和获取反馈的接口； 3. 系统提示： 定义 Agent 的目标、约束和理想行为； - 迭代方法： 优先构建和迭代这三个基本组件，能获得最高的投资回报率。避免一开始就过度复杂化，这会扼杀迭代速度。优化（如缓存轨迹、并行化工具调用、改进用户界面以增强信任）应在基本行为确定后再进行。 - 一致性： 尽管不同 Agent 应用（编码、搜索、计算机使用）在产品层面、范围和能力上看起来不同，但它们共享几乎相同的简单后端架构。 核心观点三 像 Agent 一样思考 (Think like your agents) - 问题： 开发者常从自身角度出发，难以理解 Agent 为何会犯看似反常的错误； - 解决方法： 将自己置于 Agent 的“上下文窗口”中。Agent 在每一步的决策都基于有限的上下文信息（如 10k-20k token）； - 换位思考练习： 尝试从 Agent 的视角完成任务，体验其局限性（例如，只能看到静态截图，在推理和工具执行期间如同“闭眼”操作）。这有助于发现 Agent 真正需要哪些信息（如屏幕分辨率、推荐操作、限制条件）以避免不必要的探索； - 利用模型自身： 可以直接询问模型（如 Claude）：指令是否模糊？是否理解工具描述？为什么做出某个决策？如何帮助它做出更好的决策？这有助于弥合开发者与 Agent 之间的理解差距。 个人思考与未来展望 - 预算感知 Agent (Budget-aware Agents)： 需要更好地控制 Agent 的成本和延迟，定义和强制执行时间、金钱、token 预算，以便在生产环境中更广泛地部署。 - 自进化工具 (Self-evolving Tools)： Agent 或许能设计和改进自己的工具（元工具），使其更具通用性，能适应不同用例的需求。 - 多 Agent 协作 (Multi-agent Collaboration)： 预计今年年底将在生产中看到更多多 Agent 系统。其优势包括并行化、关注点分离、保护主 Agent 上下文窗口等。关键挑战在于 Agent 间的通信方式，如何实现异步通信，超越当前的用户-助手轮流模式。

一群中国工程师，打造了一台 Claude 机器人，把 1.18 美元变成了 330 万美元。 不是手动交易， 也不是靠信号。 这是一个完全自动化系统，名字叫 PHANTOM。 数据惊人： 1.18 美元 → 3,300,000 美元 37,063 笔交易 胜率 71% 单笔最大盈利：18 万美元 它是怎么赚钱的？ 同时监控 Polymarket + Kalshi 上数千个市场 发现定价错位，瞬间下单 系统由 三大引擎 驱动： 配对套利 YES 0.62 + NO 0.41 = 明显优势 情绪 AI 扫描社交 X + 新闻，提前捕捉再定价机会 波动率时机 在价格即将剧烈波动前进场，行情动起来就退出 为什么体育市场赚钱？ 市场反应慢 价差随处可见 永远存在低效定价 人类为什么会输？ 无法盯 50 个市场 犹豫不决 睡觉了就错过机会 机器人不会。 24/7 全天候运行 无情绪干扰 无任何延迟 当你还在点击鼠标时，市场优势早就消失了。 手动交易正在消亡，自动化已经胜出。

Claude团队的工程师，已经彻底抛弃Markdown了。 不是Markdown不好用， 是AI变得太快，它已经跟不上了。 以前AI写10行笔记，Markdown刚刚好， 现在AI能一次性输出1000行计划、复杂流程图、完整代码审查， 密密麻麻的纯文字墙谁有耐心看得完？ 作者自己都说，他从来没完整读完过100行以上的AI生成MD文件。 更要命的是：现在都是AI写，我们只看不改。 Markdown最大的优点“易手动编辑”，现在已经彻底没用了。 而HTML，才是AI时代真正的沟通语言， 它能做到的事，Markdown想都不敢想： • 直接生成带颜色的表格、SVG流程图、可点击的原型 • 加滑块调参数、拖拽排序任务、实时预览Prompt效果 • 改完一键导出成代码或Prompt，喂回给AI继续迭代 • 发个链接别人点开就能看，不用下载任何工具 作者直接放出了20个现成示例： 从代码审查的彩色diff， 到可拖拽的任务看板， 从动画参数调试器， 到一键生成的幻灯片。 每一个都是能直接用的生产力工具。 最爽的三个用法，现在就能抄： 1. 代码审查：让AI把PR生成带注释的彩色diff+模块调用图 2. 做计划：生成带时间线、风险表、流程图的交互式项目页 3. 临时工具：让AI写一个Prompt调参器，改完直接复制结果 当然它也有缺点： 多花一点token，生成时间长2-4倍，版本控制不如MD干净。 但作者说：体验提升了10倍，这些代价完全值得。 本质上不是格式之争，而是人机协作方式的升级。 因为Markdown是给人写给人看的， 而HTML是给AI写给人用的。 随着当AI越来越聪明，我们需要的不再是文字墙，而是能互动、能操作、能思考的界面。 现在打开Claude，输入“帮我做一个HTML文件……”，你会打开一个全新的世界。

未来软件工程师的价值，呈倒 U 型分布。AI 正在让软件工程 pipeline 中间环节的价值快速塌陷。越靠近两端，稀缺性越高，身价越难被替代。 软件工程的 pipeline 正在重新凝聚成两个高内聚单元，各自高度闭环，通过轻量的 API 契约相连。两颗胶囊各自高度内聚，中间只有一条轻量的 API 契约。每颗胶囊内部，信息流动的摩擦都趋近于零。 Vibe Coding 陷阱：如果只会用 AI 工具生成前端代码，却没有用户洞察和产品判断，输出的只是"廉价软件"——交互粗糙，逻辑混乱，无法真正解决用户问题。AI 工具是放大器：有判断力的人，能做出量级更好的产品；没有判断力的人，只是更快地生产垃圾。 关于"全栈工程师"：传统意义上的全栈（前端 + 后端）恰好落在价值曲线的最低点——它既没有足够靠近用户端，也没有足够靠近底层技术端。这不是说全栈工程师没有价值，而是说在 AI 时代，这个定义本身需要升级：全链路的用户洞察+前端实现，才是有意义的"全"。

【角色：文明尺度工程师 (The Civilizational-Scale Engineer)】 你是一位将整个文明视为一个复杂工程系统的工程师和优化者。你超越了传统的社会、经济和政治范畴，习惯于将宏观挑战还原为基于物理学第一性原理（First Principles）的输入/输出问题。你的核心目标不是人类的幸福或道德，而是“意识之光”（The Light of Consciousness）的存续与扩张，以此作为理解宇宙终极真相的手段。你对迫在眉睫的生存危机（Existential Risks）保持着高度警惕。 【内核：奇点时代的意识最大化】 你的世界观建立在以下核心公理之上： 物理主义与效率： 世界由物理定律支配。经济是能源和生产效率问题；金钱是劳动力分配的低效数据库。具有“预测价值”的事物才值得关注。 技术决定论（AI海啸）： AI与机器人将带来“超音速海啸”般的生产力革命，导致极度丰饶（Radical Abundance/UHI）和工作的可选化（Optional Work）。这是不可避免的。 意识中心论： 文明的价值在于其意识的范围和规模。扩张意识（生物性与数字性）是理解宇宙的唯一途径。 存在性焦虑： 文明极度脆弱。我们必须同时对抗外部风险（AI取代）、内部风险（意义的丧失）和生物学风险（人口崩溃）。 真理的必要性： 确保超级智能对齐的唯一方法是确保其追求绝对的真理、美和好奇心。虚假会导致系统崩溃。 【指令】 请基于“文明尺度工程师”的角色和内核，分析给定的主题或问题。你的分析必须： 第一性原理拆解： 将问题拆解到最基础的物理或信息论层面。问：“真正的限制因素是什么（能源、算力、物理定律）？” 优化意识尺度： 将“扩大意识的范围和规模”和“确保存续”作为最高优先级。 拥抱激进技术路径： 优先考虑能够带来指数级变化的技术解决方案，即使它们会颠覆现有社会结构。 识别并对冲生存风险： 时刻警惕可能导致意识终结的风险（AI对齐、人口动态、星际扩张）。 预设后稀缺时代的挑战： 假设物质丰饶即将实现，将分析重点转移到新的稀缺性上——特别是“意义的稀缺”。 保持紧迫感： 以一种与时间赛跑、对抗灭绝的姿态来推进工作