想在 2026 年成为世界级软件工程师？光闷头写代码可不够，得知道外面的人都在琢磨啥。 刷到一份博主整理的 Newsletter 清单，五个方向，我看了下覆盖得还挺全，从底子到带团队再到 AI，基本一条龙。给你扒出来： 1️⃣ 系统设计 The System Design Newsletter，搞懂大系统怎么搭，这块是硬功夫，绕不过去。 🔗 2️⃣ 给工程师用的产品思维 Product for Engineers，PostHog 出的，写代码的人也得懂点产品，不然永远只是执行的那个。 🔗 3️⃣ 工程管理 Engineering Leadership，Gregor Ojstersek 写的，想从写代码的混到带人的，看这个。 🔗 4️⃣ 搞懂 AI Decoding AI Magazine，Paul Iusztin 出品，2026 年还不碰 AI，那是真要被落下了。 🔗 5️⃣ 每周科技精选 Hungry Minds，一周挑几篇值得读的，省得你自己满世界翻。 🔗 说句实话，光收藏不读等于没看。挑一两个你最缺的，先订上，每周抽点时间扫一遍，一年下来差距就出来了。

第六阶段：理解代码到哪个颗粒度？ 不止要做好工程管理/版本管理/文档管理/测试管理，还要对代码有一定的理解： 1️⃣数据库 数据库对工程非常关键，一定要了解你的工具，在数据存储上是怎么做的，让cursor把数据库的规划写清楚，方便你理解，当前你到底在对哪些原料进行加工？ 2️⃣流程和逻辑 调试和优化过程中，要让 cursor 把流程和逻辑写清楚，否则会出现非常可笑的错误。 根本问题还是，如果你只根据当前结果跟 ai 提问题和改进，他只会做局部最优，而给你一个屎山代码。 作为工程构建者，你一定要理解整体流程和逻辑，如果输出出问题，最可能要如何优化，整体的思路要在你的脑子里，否则这个员工给出来的，可能是拆了东墙补西墙，一套令人崩溃的产出。

半年来，我一直反复介绍的四个原则： 原则1，AI时代的第一性原理：LLM一定会越来越聪明，benchmark越来越高，context window越来越大，reasoning越来越长，价格越来越便宜，inference速度越来越快， 这是scaling law今天依然持续的具体方向，不用你质疑，这是你唯一的信仰和行业最大共识。 原则2， 管理学设计红利：从我提出“自动编程机”、行业提出vibe coding、SWE-Agent以来，从cursor到manus到metaGPT到claude code， 人们逐渐把LLM Agent抽象成人，把软件管理、工程管理、管理学等等所有方法论直接套在multi agent workflow上面，严格按照人类管理学的方式去拆分、review、执行、反馈、循环， 这一波很快红利也吃完了，因为 a. LLM Agent毕竟不是人，存在着memory有限、执行力有限、function calling工具有限等等局限；b. 人类用于管理学的各种方法，直接套在LLM Agent上有利有弊，红利迅速挖掘完，剩下的弊端大量存在，比如过度交流、七手八脚、随时停工等等。 原则3，LLM Agent的职位和定位：绝大多数人，把claude code当做一个工具，最终的产品是用工具来完成的，最终的代码也是人与SWE Agent一步一步interactively迭代产生、迭代review、迭代部署的， 而我反复告诉过所有人，也是我又一条首次提出的原创观点，multi agent未来越来越会变成本身的一个runtime，这个runtime就运行在production里面，产品和面向的对象消费的，不只是软件或者SaaS本身，而是这个runtime实时产生的内容， 所以claude code/opencode/codex/openclaw这些agent，本身将会越来越多地被嵌入到产品本身，在产品关键逻辑和决策中发挥作用， 而绝对不仅仅停留在开发层面，把产品仅仅局限在SWE Agent单向产出和部署的代码和服务上。 原则4，也是我一直强调的，就是当人们试用了SWE Agent这种强大工具之后，人们还有哪些low hanging fruits可以寻找？SWE Agent目前最适合解决哪类问题？ 我反复讲过的一点是，对于一个设计复杂、环境复杂、场景复杂、用户复杂、体量复杂、范式复杂、一切开放、一切无解的超级复杂系统，这并不是SWE Agent最擅长的领域，相反这些场景需要人去和环境、客户、场景、性能一点点迭代才能打磨好的产品， 比如微信的100种功能，Facebook的一大堆功能模块和十几年来迭代出来的极其复杂的infra，支付宝后面成千上万的基金和风控，这些都不是AI Agent能一次性解决的问题，相反这些场景和问题不仅高度开放，更高度依赖人的观察、人的设计、人的反馈、人的定义。 AI Agent最适合的场景，甚至是我原创提出goal driven（ a. 定义简单、干净、封闭（一道数学系、一个确定性最小系统、一个编译器、一种算法、一个lean证明、一个电路或者信号模拟、蛋白质模拟和预测、CAD设计与仿真、游戏关卡测试、行为经济学仿真，都是well-defined problems，都有非常明确且封闭的边界） b. 解决问题的搜索空间巨大（可能有100~10万种天马行空的解决方案，并且绝大多数都是错的） c. 容易验证，容易verify，验证的成本是设计成本的千分之一（比如编译器，设计可能需要几万行甚至几十万行，验证只需要2000个test case全面覆盖，或者一道数学题，解决需要100步，验证答案只需要带入或者lean编译这一步） 当然，写一段简单的代码，定义一个封闭、完整、定义完全的编程问题，符合上面这些定义， 但是设计一套巨大、复杂、开放、与现实世界深度绑定、高度耦合的系统，让这个系统复杂迭代、添加功能、沟通、review、工程管理、产品管理，这些问题都远远超出这个范畴，很明显是不符合这个要求的。 人们未来探索这些multi agent产品和场景的最关键出路，在于继续挖掘这一类问题，而不是盲目把agent比作一个人，乱套各种管理学方法。 原则5，这一点我先保密，之后我再讲。

如何从0学习 vibecoding ？ 思路：干中学，以解决问题为目标。 背景：毕业后没碰过代码；有软件工程/项目管理基本知识；做过产品经理，创业做过公司，对于产品开发有经验。 实际消耗：一个月用 cloude cursor 的 opus 4.5 消耗了6亿token，1000美金。 实际产出：群聊早报

美国的薪水等级，换算你现在的工作，你在哪个层级？ 按照行业与岗位划分出7个收入层级： 1️⃣ 低于3.5万美元：餐饮服务、零售入门岗位、基础体力劳动 2️⃣ 3.5万-5万美元：行政内勤、客服、物流仓储、医疗辅助岗 3️⃣ 5万-6.5万美元：技术工种、货运司机、中小学教职 4️⃣ 6.5万-8.5万美元：财会、警务人员、商业运营岗 5️⃣ 8.5万-11万美元：注册护士、程序员、软件测试、行业分析师 6️⃣ 11万-16万美元：数据科学家、律师、软件开发、工程项目管理 7️⃣ 16万美元以上：企业高管、执业医师、飞行员、高级财务负责人

问：上下文（Context）和上下文窗口（Context Window）什么差别？ 这两个概念经常被混用，但其实指的是不同层面的东西： 上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。 上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。 打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。 在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。 简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

今天新鲜出炉的福布斯中国最佳 CEO 榜单，一眼望去，互联网行业人数是 0 这份榜单值得一品，中国商业精英的叙事，已经从互联网平台经济转向「硬科技 + 先进制造 + 全球供应链」 1/ 先进制造几乎霸榜 如果把 电子、半导体、通信、电气设备、硬件、电子制造服务都算作「广义硬科技/先进制造」，占比在 70% 以上 这和 2010-2020 年的中国商业叙事非常不同。前十年，更容易出现在榜单上的，是电商、社交、本地生活、游戏、互联网金融、平台型公司。但这份榜单里，阿里、腾讯、美团、京东、拼多多、字节这类平台公司几乎缺席 2/ AI 产业链是隐藏主线 虽然榜单没有直接写 AI，但很多公司其实都受益于 AI 硬件资本开支。 AI 不是只利好模型公司，也利好 AI 芯片、上游硬件、通信、半导体设备、存储、材料、PCB、电子制造服务 3/ 复杂制造是中国企业强项 中国不是在轻资产平台上继续复制上一轮互联网红利，而是在「重资产 + 工程 + 供应链 + 出海」上形成优势 4/ A 股是主要阵地 中国「硬科技 CEO」的资本市场定价，主要发生在 A 股；港股更多承载消费、汽车、医药、资源、传统制造龙头 5/ 主力是 50-60 岁 CEO 榜单主体不是年轻创业者，而是长期深耕产业链的中年企业家和工程型管理者 这也符合制造业规律：真正做出规模、良率、客户、现金流和全球竞争力，通常需要十几年甚至二十几年积累 6/ 半导体不是一个行业，而是多个子行业一起上榜 半导体相关公司非常密集，但它们并不是同一种公司 AI 芯片：国产 AI 算力叙事 存储 / 芯片设计：国产替代 + AI 服务器链 半导体设备：国产设备替代 半导体材料：上游材料 光模块 / 通信芯片链：AI 数据中心需求 与其说是中国最佳 CEO 榜，不如说是：中国先进制造产业链的权力地图

Google Developer 这场圆桌干货真多。 Google Developer 这场圆桌讨论含金量非常高，推荐所有的程序员和产品经理都可以看看。 几位嘉宾都是谷歌非常资深的工程师和管理者，他们分享了各自对接下来程序员职业发展的看法，应该是我今年听过最有见地和接地气的判断了。 下面是我的笔记： 1、程序员应该主动放下对语法的执念。过去学习一门语言，往往要花大量时间记忆各种语法细节。 现在这些工作越来越适合交给 AI。真正值得投入精力的，是理解这门语言为什么这样设计、适合解决什么问题，以及不同技术方案背后的取舍。语法越来越容易获得，判断力反而越来越稀缺。 2、Senior Engineer 的定义变了。过去资深工程师的价值，是能写出别人写不出来的代码。 现在资深工程师的价值，更多体现在理解复杂系统、拆解复杂问题，以及做出正确的权衡判断。 面对同一个需求，他知道哪些方案适合业务长期发展，哪些方案只是看起来很先进，实际却会带来新的复杂度。 3、AI 正在模糊职业边界。谷歌有团队做过一次统计，一周时间里，软件工程师大部分时间都在补文档、写设计文档，而 UX Researcher 反而开始写代码。 过去很多需要跨团队协作的事情，正在被 AI 压缩到一个人身上完成。 确实，AI 会让每个人获得一些跨领域能力，但大多数时候只能达到入门水平。产品经理能写一点代码，工程师能做一点设计，研究员能做一点原型。 但真正的竞争力，依然来自自己专业领域里的高级判断力。 4、AI 时代，内部文档的重要性反而在上升。当团队开始大量使用 Agent，相当于团队规模突然翻倍，而且新增成员几乎没有任何背景知识。 如果设计决策、业务规则和历史上下文没有被记录下来，再聪明的 Agent 也很难发挥作用。 5、AI 时代最危险的事情是把思考让渡给 AI。 很多人现在写代码的方式是，把需求告诉给 AI，让它生成，错了再让 AI 修改。 时间久了之后，系统虽然还能运行，但自己已经说不清楚为什么这样设计、为什么这样实现。 这就是所谓的 Cognitive Debt。 AI 给出答案之后，不验证、不质疑、不追问，直接接受，表面上效率很高，实际上是在逐步放弃自己的判断能力。 短期看是在省时间，长期看是在搭纸牌屋。等系统真正出问题的时候，你会发现自己根本不知道它为什么会这样工作。 6、以前开发者负责的是实现路径，诸如用什么语言、什么框架、怎么写每一行代码。 现在越来越多时候，开发者要描述的是 end state，也就是最终想要什么。 你要把问题、目标、约束、边界、质量要求讲清楚，然后让 AI 去实现。 但这件事没那么简单。不是随便写一句 prompt 就完了。 你得非常清楚地知道：什么叫 done，什么叫 good，用户真正要解决什么问题，系统要满足哪些质量标准。 比如功能正确只是 done 的一部分，性能、可访问性、交互体验、稳定性，也都应该写进意图里。 7、架构能力正在往下沉。以前可能只有高级工程师、架构师才经常考虑系统拆分、模块关系、通信方式。 现在只要你用 Agent，你就得想这些问题。 比如，一个任务应该交给一个 Agent 跑一天，还是拆成十个 Agent 各跑一小时？哪些任务适合后台跑？ 哪些任务必须人盯着？一个 Agent 的职责边界在哪里？多个 Agent 怎么协作？这些都已经变成普通开发者也要面对的问题。 8、很多人把 AI 当工具用，但更高阶的玩法是把 AI 当成一个持续成长的协作者。 真正有价值的动作，是分析 Agent 的错误。Agent 为什么会犯这个错？是上下文缺失？规则不清晰？还是需求本身有歧义？ 很多人遇到错误之后第一反应是赶紧修复。 但优秀的工程师遇到错误之后第一反应是总结。因为修复一次错误，只能解决今天的问题。理解错误产生的原因，才能解决未来的问题。 9、一个特别实用的方法，是把 AI 当成一个专门挑刺的导师。 代码写完之后问它：我漏了什么逻辑没？哪里会出问题？别人会怎么反对这个方案？文档写完之后也问同样的问题。 很多时候最有价值的，是让 AI 帮我们发现自己看不见的盲区。 10、不要把忙碌误认为生产力。 很多人喜欢吹嘘说自己同时启动了 20 个 Agent 干活，并行在干 10 个任务，看起来很厉害。 理论上确实可以同时开很多个 Agent 干活，但人的注意力不能并行。Agent 多了以后，我们可能会花大量时间分配任务、检查结果、修正方向，最后看起来很忙，其实生产力不一定高。 真正重要的能力，是知道哪些事情应该交给 Agent，哪些事情必须自己深度参与。 忙碌和有产出是两回事。 11、不要试图跟上所有变化。AI 时代很容易陷入一种错觉，好像每天都有新工具出现，自己只要慢一步就会被淘汰。 一个具体的方法是，给自己设定固定的实验预算。比如每个月认真研究一个工具，或者每周固定留出几个小时做实验。 适合自己的就留下，不适合自己的就快速放弃。 变化越来越快之后，真正重要的能力已经不是追热点，而是筛选热点。

《加州瘦马》vs《万历十五年》 硅谷逐渐流行，一种新的异性伴侣服务，每天收3万美元。她们普遍受过高等教育，能深入讨论AI，半导体，美股等。客户主要是英伟达等AI巨头工程师和管理层