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。

Claude Code CLI 目前最佳用法。 效率、質量、心流甜蜜度都會起飛。 你是主 Agent，拆解任務、分配子Agent。 子 Agent 規則 ： - 不 build、不test、不typecheck。 - 早提交、早返回。 主 Agent 負責任務管理、衝突解決、測試和整合。 拆分工作時，遵循工程管理技巧。 調查優先，按覆蓋面拆分。 子 Agent worktree、中間編譯產物，必須及時清理。 至於我為什麼現在總是打繁體字。因為我是一個旅居法國的台灣人。

2025年起，我反复强调的四个原则： 原则1，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。

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。

刚看完All-In Podcast最新一期，黄仁勋亲自下场怼AI末日论，中途特朗普还突然打电话进来 黄仁勋直接开怼Dario Amodei的人类灭绝论 这期的重磅嘉宾是英伟达创始人兼CEO黄仁勋，一上来他就针对Dario Amodei此前那篇讨论人类灭绝风险的博客文章，做了一番相当直接的反驳。他强调保持快速创新、确保美国的领先地位，跟安全这两件事根本不冲突，把它们对立起来本身就是个伪命题。针对部分前沿实验室提出的所谓10%人类灭绝风险这类量化指标，黄仁勋直接把这个说法定性为凭空捏造，而且相当不负责任。 他还翻起了旧账，回顾了这几年那些落空的悲观预言，曾经有人预言AI五年内会让放射科医生彻底失业，结果现实是现在需要更多医生，AI只是被用来辅助读片。也有人预言六到十二个月内90%的代码会由AI编写、初级岗位大幅消失，这些说法后来也都被证明是错的。他的判断是，业界所谓的AI失控事件，主要发生在研发端向工程化过渡的这个阶段，本质上是工程管理和验证流程的问题，应该靠沙箱、监控、评估体系这类工程手段去从根源解决，不是拿这些问题去向公众贩卖恐慌。 针对业界热议的递归自我改进(RSI)——也就是AI训练下一个AI这个概念，黄仁勋的解释是，这本质上就是上下文学习、LoRA微调、强化学习加上合成数据生成这几种工程手段的组合，是提升生产力的正常逻辑，跟外界想象的那种指数级失控走向毁灭完全是两回事，企业发布模型之前必须经过严格的基准测试、评估和防退化验证，这套流程本身就已经脱离了失控这个想象的现实基础。 特朗普突然打电话进来了 访谈中途，特朗普直接给黄仁勋打了电话，通过免提跟现场观众和主播聊了起来。他直言所谓AI毁灭论就是一场骗局，说所谓机器人将接管世界完全是谎言，很多政治势力和外部竞争对手其实是想借这套说法来阻碍美国的科技发展。他还把数据中心比作未来20到25年的石油，认为这场变革的规模比当年的互联网革命还要宏大，不仅带动了大量就业，还让很多本来濒临衰退的社区重新焕发了活力。他总结的一句话挺直接，谁赢得AI，谁就赢得一切，如果美国自己放慢脚步、阻碍数据中心建设，只会白白便宜了竞争对手，所以必须全力以赴打赢这场AI竞赛。 开源vs闭源：黄仁勋用瓶装水和自来水做了个比喻 黄仁勋把闭源模型比作瓶装水，开箱即用、体验极致。把开源模型比作自来水是不可或缺的基础设施，能满足主权AI、数据隐私以及各种特定业务定制的需求。他给出了一个挺有说服力的数据：过去六个月流入AI原生初创公司的4000亿美元风险投资里，有80%其实是依赖开源模型的，这说明开源在实际产业落地里的分量比很多人想象的要重得多。 关于英伟达自己在整个生态里的定位，他也讲得比较坦诚。很多下游厂商担心英伟达凭借算力和资金优势去侵蚀应用层，他的回应是英伟达的策略是能做多深就做多深，但业务层尽量往下靠，也就是通过研发底层框架(比如cuDNN、Megatron)来给整个行业铺路，扶持所有的前沿实验室、模型厂商和新型云厂商，让整个生态能够百花齐放，不是自己去抢下游的生意。 针对一些需要极高专业门槛、普通车企或药企根本没法独立承担研发成本的垂直领域，英伟达也在打造专属的基座模型。比如具备推理能力的自动驾驶模型Alpamo，以及用于蛋白质分子研究的ESM/Proteina Complexa，这些模型正在被用来赋能礼来、默克这类药企以及各大车企。 全球芯片竞争与超智能的定义 黄仁勋判断中国在本土先进制程光刻技术上，预计会在2030年左右取得突破。他认为中国的强项在于极致的大规模量产能力和高密度的工程技术人才，美国不能指望靠限制对手或者自己放慢脚步来应对，唯一的办法就是超速狂奔，靠自己跑得更快来保持领先。 他还给出了自己对AGI和超智能这两个概念的定义，按照具备常人同等智力水平这个标准，他认为行业实际上已经跨过了AGI这道门槛。而在一些特定垂直领域，超智能其实已经实现了，比如自动驾驶领域的事故率已经降到人类的十分之一，蛋白质结构预测和高通量虚拟筛选这类领域，AI的能力也早就超过了人类顶尖科学家的水平。

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

【央行獨立性】白宮國家經濟委員會主任哈塞特：鮑威爾應該離開聯儲局理事會 白宮國家經濟委員會主任哈塞特（Kevin Hassett，圖）呼籲前聯儲局主席鮑威爾（Jerome Powell）離開聯儲局理事會，此前聯儲局一份內部報告指出其總部翻修工程存在管理失誤。

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”。