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。

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#

搞 AI 开发的兄弟都在偷偷传：API 账单越看越像抢劫，Agent 跑起来全是黑盒，出了 Bug 全靠蒙。 今天给你拔草一个硬核神器——Langfuse，直接把大模型的“黑盒”砸成透明玻璃。 这是来自 YC W23 爆火的开源 AI 工程化平台，GitHub 狂揽 3.2 万+ Stars，核心采用 MIT 协议。不管是 LangChain、OpenAI 原生 SDK 还是 LiteLLM，塞一行代码进去，就能把全套链路监控、Prompt 版本管控和性能评估抓得明明白白。 链路全显形：抓爆每一次调用，耗时、Token 成本和报错归因一眼看穿 线上演练场：不用改代码重发，网页端直接试 Prompt 改参数 自动跑分标定：支持 LLM-as-a-judge，省下人工一条条核对的时间 极速本地化：一条 Docker 指令 5 分钟拉起，数据全留自己手里 🔗 项目地址：

这两年看下来，打工人拥抱 AI，大概就两条路：要么用 Aily、WorkBuddy 这类工具，把手头的活干快一点；要么干脆转成专业的 AI 工程师。卡在中间、懂点 AI 开发但又不够专业的人，确实能靠这点能力在业务部门吃一阵红利，但很难一直靠它。绕一圈，最后拼的还是业务能力。

很多公司裁员的时候都会提到 AI，尤其是技术岗位，听起来好像软件工程师是最容易被自动化取代的一群人。 毕竟现在 AI 写代码越来越快，很多人自然会担心：是不是以后一个工程师就能顶好几个？ 如果 AI 真的在大规模替代工程师，最先被压缩的应该就是工程招聘，但现实看起来并不是这样。 相反，很多公司可能是因为有了 AI，工程师反而能做更多事，需求也被“放大”了。 AI 没有让工程师变少，反而让他们更忙了，因为 AI 把很多基础活提速之后，工程师就会继续去做更多新想法、新项目。 所以现在看起来，AI 对工程行业的影响，可能更像是“提高效率、扩大需求”，而不是简单地“替代工作”。 这有点像经济学里说的杰文斯悖论：效率越高，需求反而越大。 至少就目前来看，工程师并没有因为 AI 退场，反而像是进入了一个更忙的阶段。