让 AI 工程师快速学会一个行业，很多时候是不太现实的。 一个人在零售、制造、招聘里做了十几年，那些对客户、流程和例外情况的判断，不是技术团队访谈几次就能补上的。 更现实的路线可能是反过来：让真正懂业务的人学会 AI，技术团队在后面支援他。

📚 刚发现一份 AI 工程转型的论文清单，从零到前沿的路线全给你排好了 GitHub 上 2.6K stars 写了几年后端想转 AI，最难的不是学不动，是不知道从哪学起。网上的资料要么是「三天精通大模型」这种速成课，要么直接甩你一篇 Transformer 原论文，中间那段路没人给你铺。 这份清单把中间那段补上了，按主题分层排：分词、向量化、基础设施、核心架构打底，往上是混合专家模型、RLHF、思维链和推理，最后是优化、蒸馏和状态空间模型。每一层给的都是原始论文和项目本体，BERT、TensorFlow、FAISS、Ray、FlashAttention、Mamba、CLIP、DSPy 和 Model Context Protocol 都在列，《Attention Is All You Need》《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》《Distilling the Knowledge in a Neural Network》这几篇奠基论文也标了出来。 除了论文还有实战部分：图像 Transformer、视频 Transformer、上下文工程和竞赛模型相关的研究，以及 Meta、OpenAI、Swiggy、Netflix 和 Uber 的真实系统案例，能看到这些东西在生产环境里是怎么用的。末尾还附了一门 AI Engineering 的视频课。 想清楚要学什么，比一头扎进去学得快。 GitHub：

现在硅谷的AI工程师们都讲中文了 刚刚看到一个回国的AI工程师说，他之前在硅谷发现：Meta不是花了很多钱找了很多牛逼人干AI嘛，最近，Meta做AI的一个老外给公司反映说，现在在Meta做AI，如果不会中文融不进核心团队。因为他说现在很多核心的人除了开会时候用英语，会后聊天全用中文。 那老外写信给公司吐槽说：我不会中文，我根本听不懂他们在说什么。 这位工程师说，他疫情前来硅谷，专门在硅谷请过英语老师。但今天你来硅谷，你问AI的事，你好像一句英语都不用说了，现在讲AI的是真的都是华人。

想学 AI 工程的话 别一直收藏提示词了 今天这个仓库可以看 ai engineering from scratch 适合那种已经会调 API 但想继续往 RAG Agent 部署 真实项目走的人 说白了就是 从玩 AI 慢慢变成能做 AI 产品

吴说获悉，Coinbase 披露其内部 AI 工程助手 CEEcil，该系统可在 Slack 中记忆团队历史讨论、近期上下文及关键决策，并在必要时调用实时查询工具，帮助工程团队处理跨时区交接和故障排查。CEEcil 采用分层路由机制，简单请求直接调用 API 或知识库，复杂任务才交由完整 AI Agent 处理；其架构通过 MCP 连接记忆、知识库和 Slack，并设置隐私范围、kill switch、成本上限及人工审核等限制。

Meta 正在严格限制其应用 AI 工程团队使用 Anthropic 的 Claude Code和 OpenAI 的 Codex，甚至曾要求暂停部分相关任务以强化合规审查。Meta 担忧员工过度依赖外部工具开发内部替代品，导致竞品模型的输出渗入自身的训练数据中。这种「模型蒸馏」的做法可能会违反竞品的服务条款，引发与合作伙伴的严重冲突。 目前，Meta 仅允许员工将外部 AI 用于设置工作流、整理代码和构建测试基础设施等常规工作，且输出必须经人工严格审查；但严禁使用外部模型生成编程挑战来评估其内部模型，也禁止利用外部 AI 寻找代码漏洞或构思测试任务。 此举也是 Meta 试图通过推广自研编码助手 MetaCode（前称 DevMate）来重塑内部工具链、控制其高达数十亿美元的内部 AI 运营成本努力之一。

在日本做了几年独立 AI 工程师,聊几个只有真正在这里干过才知道的事。不是签证、收入、市场分析那些,是日常工作里那些不会出现在任何攻略帖里的细节。 第一个没人告诉你的事:在日本,中国人做 AI 有一个非常奇怪的信用加成。 日本企业对"AI"这件事的认知来源主要是两个:美国和中国。美国代表前沿(OpenAI、Anthropic、Google),中国代表速度(DeepSeek、千问、字节)。你是中国人,天然被归到"速度快、实战经验丰富、见过大场面"这个认知框里。 日本本土的 AI 工程师大多数是从学术界转过来的,理论功底扎实,但生产部署经验偏弱。你跟日本客户说"我在中国的互联网公司做过日均千万级 DAU 的数据系统",他们的反应不是"哦",是"えー、すごいですね(哇好厉害)"。因为日本本土很少有这种体量的实战场景。 这个加成不是永久的,干砸一个项目就没了。但它给了你一个很好的开局:第一次见面时,客户对你的预期天然比对一个日本本地工程师高半格。 第二个没人告诉你的事:日本客户最怕的不是你技术不行,是你"突然消失"。 在日本商业文化里,"飞ぶ"(消失/跑路)是对合作关系最大的恐惧。他们之前遇到过的外国 freelancer 里,有人项目做到一半签证到期走了,有人拿了预付款之后联系不上了,有人说好的交付日期突然说"还需要两周"然后反复延期。 所以日本客户考察你的第一优先级不是"你有多强",是"你靠不靠谱"。靠谱的定义极其具体:说好周五交就周五交,邮件当天回,电话接得到,出了问题第一时间主动说而不是藏着。 我刚来日本的时候不理解这一点,觉得"技术好就够了"。后来才明白,在日本,你交付质量 90 分但每次都准时,比你交付质量 98 分但偶尔迟到一次,在客户心里的评价要高得多。信赖感(信頼感)是日本商业关系的地基,地基不稳什么都白搭。 第三个没人告诉你的事:在日本做 AI 落地,最有效的销售话术不是"AI 能帮你省多少钱",是"不用 AI 你会被同行甩开多远"。 日本企业的决策动机跟中国企业不一样。中国企业决策靠 ROI:"花这些钱能赚回来多少?"算得过来就干。日本企业决策靠"危機感":"不做这件事会不会落后于同行?"同行都在做,我不做,不行。同行都没做,我为什么要第一个冒险? 所以你跟日本客户谈 AI,最有效的切入方式不是给他算 ROI,是告诉他:"你的竞争对手 XX 已经在用 AI 做这件事了。"这句话在日本商业文化里的杀伤力,比任何 ROI 计算表都大。 当然,前提是你说的是真的。日本圈子小,胡说被抓到一次,你在整个行业就废了。 第四个没人告诉你的事:中日英三语是一个被严重低估的壁垒。 表面上看,语言只是沟通工具。实际上,三语能力让我能做到一件几乎没有竞争者能做的事:用英文读 Anthropic 的 system card 和最新的技术文档,用中文跟国内的 AI 社区保持同步,用日语跟客户的业务方和技术方深度沟通。 全球最前沿的 AI 信息首先出现在英文世界,通常晚一到两天出现在中文世界,晚一到两周出现在日文世界。我能在信息出现的第一天就消化它,然后在一周内把它变成日本客户能理解和使用的方案。 这个时间差就是我的定价权。日本本地的 AI 工程师要等日文翻译或解读出来才能跟进,美国的 AI 工程师不会日语进不了日本市场。中间这个位置,人极少。 第五个没人告诉你的事:我交过最贵的学费是"把中国的工作习惯带到日本"。 刚来的时候我犯了几个现在想起来都想扇自己的错误: 给客户发了一个方案,里面直接写"你们现在的做法效率很低,应该换成 XX"。在中国这叫直接、高效。在日本这叫"失礼"。日本的方式是:"贵社目前的方式当然是经过深思熟虑的(先给面子),不过如果考虑未来的扩展性(给台阶),或许可以参考一下这种方法(才提建议)。"同样的意思,包装方式完全不同。我花了大概半年才把这个习惯改过来。 还有一次,客户说"検討します"(我们考虑一下),我以为是真的在考虑,等了两周去跟进。后来才知道这句话在很多场合的真实含义是"我们不打算做,但不好意思当面拒绝你"。在日本,"不"很少被直接说出口,你得学会听懂那些"不是不"的"不"。 还有一次把项目进度做成了飞书文档共享给客户。客户完全不知道飞书是什么,打不开。后来老老实实改用 Excel + 邮件。在日本企业里,Excel 和邮件是永远不会错的选择。你觉得落后,人家觉得稳当。 第六个:最意想不到的获客渠道。 我以为在日本获客要靠 LinkedIn 或者行业展会。实际上我最有效的获客渠道有两个:一个是 X(推特),另一个是日本特有的"勉強会"(学习会/技术分享会)。 日本的技术社区有一种独特的文化:定期办免费的技术分享会,大家轮流讲自己在做的东西。你去讲一次,讲得好,会后有人来跟你换名片(是的,日本还在用纸质名片,而且交换名片有一套完整的礼仪),两周后邮件来了:"之前听了您的分享,我们公司正好有一个类似的课题,方便聊一下吗?" 这种获客方式成本为零,但信任转化率极高,因为对方亲眼见过你讲东西,知道你是真的懂而不是嘴上说说。 最后说一句总结。 在日本做独立 AI 工程师,最核心的能力不是技术,是"翻译"。不是语言翻译,是把全球最前沿的 AI 技术,翻译成日本企业能理解、敢尝试、用了之后能看到结果的东西。技术只是原料,翻译才是手艺。 而这个"翻译"能力是没法被 AI 替代的,因为它的核心不是信息转换,是理解两种完全不同的商业文化各自在怕什么、想要什么、能接受什么。这种理解只能靠在两边都踩过坑才能长出来。 所以如果你问我在日本做 FDE 最大的壁垒是什么,不是技术,不是签证,不是日语,是你愿不愿意花几年时间在一个节奏完全不同的市场里,把那些只有踩过才懂的坑全部踩一遍。 踩完了,壁垒就是你自己。

Jason Liu 再次展示了为什么他是目前最好的 AI 工程写作者之一：他发现在 Codex 里，看似同一个需求——"定时做某件事"——实际上是两种完全不同类别的工作。 第一类：时钟。真正的 cron（做这个、做那个、做一次、每天都做）。有固定的时间语义。第二类：待办项。你可以设置提醒但核心是它需要被完成，不要求特定时间点，自动排到某天。 区别在哪？Jason 指出大多数自动化语言比实际任务更复杂。两类工作的实现方式完全不同——但很多人把它们混为一谈。 来源：Jason Liu, "Two kinds of scheduled work in Codex", 2026-06-28 #Codex# #Automation# #AI工程#

AI驱动的Fluent无人机外部流场CFD仿真 这次尝试用 Codex 帮我在Ansys Fluent 里跑一个飞行器的气流 CFD仿真。从导入模型、生成网格，到设置来流、查看压力云图和气流动画，中间也遇到了一些方向和显示问题。这个视频主要记录整个调试和可视化过程。 #Codex# #AI工程仿真# #ANSYS# #Fluent# #CFD# #外流仿真# #气动仿真# #瞬态仿真# #PyFluent# #网格生成#