AI 时代出现了一个新职位：FDE（前沿部署工程师）。
不写产品，不做销售，专门驻扎在客户现场填补「产品现有功能」和「客户真实需求」之间的缺口。 它是从 Palantir 走出来的模式。 1/3 有个比喻很准—— FDE 的工作是铺「碎石路」。 当产品还解决不了某个具体问题，他们用代码快速开出一条临时路。 产品团队在后面观察，把碎石路升级成「高速公路」，推广给所有客户。 本质是：规模化地做那些「无法规模化」的事。 2/3 AI Agent 爆发之后，F
OpenAI 分享了日本北海道农夫 Hiroki Tomiyasu 的故事：他管理约 100 公顷农地，原本是公务员，没有工程背景。
务农后遇到的问题很现实：农地太大、缺工严重、农业自动化设备又很贵。 于是他开始直接把农场里的问题交给 AI，一个一个做出自己的工具。 他已经用 AI 完成这些事情： ・拍下花椰菜黑斑，协助判断病害 ・串接卫星数据，查看不同田区的植被状况 ・建立农地、作物、员工与物资管理数据库 ・从 LINE 群组记录统计播种数量 ・远端监测温室温度与控制通风设备 最有意思的是他的温室控制系统：把 ESP32、马达
Cloudflare 出了个新工具：Drop。
部署静态网站只剩一个动作——把文件夹拖进浏览器，几秒自动部署到全球边缘网络，连登录都不需要。 默认存活 60 分钟，够你分享 demo 或验证原型。想永久保留就点 Claim 绑定账号。 不用 Git，不用 CI，不用任何配置。拖进去就完了。
OpenAI 发布了 GPT-Live，用「全双工」架构把语音模型重做了一遍。
以前语音 AI 的三大痛点： ① 三个模型接力（转文字→想答案→再念出来），慢且生硬 ② 得等你完全说完才答 ③ 背景杂音一来就被当成“说完了”，直接抢话 GPT-Live 的全双工架构：端到端语音处理，不再中转文字，也不需要等你说完。 语音 AI 的体验问题终于开始被认真对待了。
Claude Code vs Codex 差在哪？
Claude Code： — 资深工程师助手 — 每天改很多文件、重构大型项目 — 习惯用 Terminal Codex： — 全方位 AI 开发工具 — 与 ChatGPT 生态整合 — 非工程师也能用 价格都是约 $20/月 一句话： 工程师深度开发 → Claude Code 想快速上手 → Codex
6 家 NVIDIA 的竞争对手——不同公司、不同国家、不同架构——对 CUDA 的问题收敛到了同一个答案。
Tenstorrent、Cerebras、Trainium、TPU、SambaNova、Furiosa，六家不约而同，全部捨弃硬件快取，改用软件管理的 SRAM 架构。 原因很简单：AI 的访问模式规律到可以预测，投机式快取变成浪费，亲手安排好数据落点， cache miss 就不会发生。 这是 AI 芯片替代 NVIDIA 的路上，一条共同的技术斜坡。
TensorRT-LLM、FlashAttention 都已经 production level 了，学 CUDA 还有什么价值？
答案：价值依然很大，只是角色不同。 大部分 AI 工程师不需要重写 CUDA kernel，但要懂 GPU 原理—— 才能在这些场景做出正确决策： • 用什么规格的 GPU？ • 部署 7B 还是 70B？ • Chatbot 还是 RAG 架构？ • 单用户还是多人并发？ 这些直接影响 Batch Size、KV Cache、Precision、Continuous Batching 怎么配。
ChatGPT Work是什么？新手完整教学：做什么、怎么用、风险在哪
ChatGPT Work 是 OpenAI 推出的工作型 AI Agent，和普通 ChatGPT 最大的区别是：它不只回答你的问题，而是能帮你完成一份完整的工作成果。 会议记录整理成待办清单、多份文件整理成简报大纲、表格分析后出具报告——这些都是它能做的事。 但它也有明确限制，不是什么都能交给它处理。本文用新手能看懂的方式说清楚：ChatGPT Work 能做什么、新手怎么开始用，以及最容易忽略
一个待过 Scale、OpenAI、Google 的工程师写了篇职涯建议
里面一句话让我停了很久： 「AI 只会变强在你写得出评分标准的事情上」 什么意思？ 只要一件事有标准答案、能打分——AI 就会越练越强，最终超过你。 帮你改邮件语气、翻译、修代码、排版——它超会。因为对错很明确。 但这几种它只能站旁边看你决定： 这笔钱投产品还是投营销 这个合作该不该答应 今天最该花力气的是哪一题 它可以列优缺点，但它没真的活过、没亏过钱、没被坑过。 最后那一下要不要赌，还是你自己
一篇文章标题很反直觉：「Doing nothing at work」（在工作时什么都不做）
核心观点：工程师一整年的绩效，往往由少数几个关键时刻决定。可能是一次救了产品的调试、一个让团队少走半年弯路的架构决策。这些关键时刻没法排进日历，来的时候你要有余裕才接得住。 如果平常就把自己逼到100%满载，等真正的关键时刻来临，反而没力气把它做好。 作者建议刻意练习「什么都不做」，让自己维持在80%使用率。
从 0 开始的电商，自己 vibe coding 搭出来的，架构分享：
Cloudflare（CDN + WAF + 缓存） ↓ Railway（Next.js 15.5 + Medusa V2） ↓ PostgreSQL 18 + Redis 8 一键 Docker 部署，全栈全搞定。
1️⃣ 越来越多人直接问 ChatGPT / Gemini，不再 Google。
这意味着：你的品牌有没有出现在 AI 的回答里，开始直接影响曝光。 传统 SEO 还要做，但只做 SEO 已经不够了。AI SEO 到底怎么做？5 条拆完👇 1/5 2️⃣ 第一步：让 AI "看得见"你。 爬虫靠链接移动，动态加载、无限滚动、JS 渲染的内容，AI 根本看不到。 三件事要检查： - 重要页面用 SSR 服务端渲染，别用 CSR - 筛选器、分类页要有静态链接，不能只靠 JS 触
分享一个比较 hardcore 的企业内部 FDE 团队搭建思路。
制造企业不应该把 FDE 完全丢给 IT helpdesk，也不该只放在数据科学团队。推荐的组织方式是「AI Deployment Office + 制造工程 embedded pod」：Office 负责平台、安全、MLOps 和模型治理；pod 则贴近 fab、良率、设备和规划一线，对真实 KPI 负责。 人才组合上，外部招聘适合补 LLM/RAG/Agent、MLOps 和数据平台能力，但制
2026 建网站，别按热度选框架，按你会不会写代码选
不会写代码：Wix 先上线，Webflow 要设计感，Framer 做高颜值落地页 要卖货：Shopify，别自己造轮子 要内容+SEO：WordPress 老炮，Astro 新派 要工程团队：Next.js 默认，Vue 栈选 Nuxt 八个名字，其实就四类：小白建站、设计师建站、电商、工程师建站 先定你是哪类人，再定框架。反过来必踩坑
你有没有发现，工程师文化里有一种很奇特的现象：“不需要说明”本身就是最大的说明。
资深工程师说“这段 code 看就知道在干嘛，不用加注释”，然后所有人点头，包括你。 但你点头的当下，心里其实有个问号，只是没说出来。这很正常，我们都这样过。 问题在于，三个月后那个“看就知道”的函数没人敢动，因为没人知道当初 if/else 为什么那样写，连原作者自己也要花五分钟回忆。 这背后是认知偏差：写代码时思路清晰、逻辑连贯，所有背景都在作者脑子里，所以“自解释”。 一旦离开情境，清晰就消
腾讯AI开发面试题看下来，有点意思。
他们最看重的不是大模型能写多漂亮的回答，而是： - 怎么解决Token限制和长期记忆问题 - 用什么架构让Agent可控（LangGraph、FSM、ReAct） - 工具怎么Skill化、复用 - 加上扎实的后端基础（设计模式、高可用） 一句话：现在大厂要的是既懂大模型特性，又能把系统真正跑起来的工程师。 只会调API的，越来越没竞争力了。
最近 GitHub 上有个叫 Ponytail 的项目突然火了。
它不是新的 AI 编程工具，而是给 Claude Code、Cursor、Windsurf 这类 Agent 加了一个「懒惰资深工程师」人格。 核心就一句话： 最好的代码，是根本不用写的代码。 现在 AI 的通病是太爱写东西。一个小需求，它能给你整出一堆组件、抽象、配置和依赖。 真正有经验的工程师只会先问： • 标准库有没有？ • 浏览器原生支不支持？ • 已有依赖能不能解决？ • 一行代码够不够
OpenAI Codex 团队只有 40 个人。
1 个 PM + 2 个设计师 + 37 个工程师。 结果呢？ 99% 的代码是 AI 生成的。 而且他们跑得飞快。 具体怎么干的： - 每个工程师同时跑 4 个并行 agent（code review、功能实现、安全审计、代码库摘要） - PM 用 Codex 处理用户 issue，1 小时能跑完 100+ 个，大部分 24 小时内修复 - 功能开发经常 2-3 人甚至单人从规划到发布 - 99
1/ 这篇 HN 文章提出了一个很有意思的框架：Inverse Rubric Optimization。
核心思路是：不要让 AI 直接去优化某个目标，而是反过来用「rubric」（评分标准）来约束和评估。 2/ 传统做法是：给 AI 一个任务 + 一个模糊的「做好」的定义，然后让它迭代。 结果经常是：它优化了容易衡量的东西，却牺牲了你真正关心的隐性标准。 3/ Inverse 的做法是：先写一个详细的 Rubric，列出「好」应该包含哪些维度、坏会表现出哪些问题。 然后让 AI 在这个 Rubric
YC 现任 CEO Garry Tan 开源了他自己每天用的 Claude Code 工作流
项目叫 gstack 他要解决的问题是： AI coding agent 只有一种模式，你叫它做什么它就做什么 但实际开发里每个阶段需要的脑袋完全不一样 想产品方向的时候要创办人的直觉 做技术规划的时候要工程主管的严谨 review 代码的时候要什么都不信的资深工程师 部署的时候要一个不废话直接把事情做完的人 核心概念是把 AI 拆成多个专门角色，用 slash command 切换 Garry
一家年营收超过 300 亿美金、3 万多名员工、几十个 Division 遍布北美的基建材料公司
外面几乎搜不到它的科技子公司 因为这家子公司完全服务内部，外面的人根本不知道它存在 子公司下面有数百个开发者 公司做了一件事：全面订阅市面上所有主流 AI 开发工具 Claude、Copilot、Gemini，想用哪个就用哪个 只需要在内部网站申请一下，不需要审批、不需要报告，直接开通 更关键的是后面发生的事 内部工程师开始自发分享 怎么用 AI、踩了什么坑、学到了什么 没有人强迫，也没有人盯着要
1 Naval 新 podcast 浓缩版：Vibe Coding、AI 软件的未来，以及他为什么不看好 Apple。
这集 30 分钟，讲了他从多年不写代码，到用 AI agents 打造「个人 App Store」的真实经历，以及对 AI 发展的判断。 Claude Opus 4.5 让 AI 从「玩具」变成真正可用的工具。它终于能保持方向、从头到尾为你打造属于你的 app。 Naval 说，如果你对 AI 的印象还停留在之前，该更新认知了。 过去写代码的「启动能量」太高。现在英文正式成为编程接口，AI 能容忍
HN 上 229 赞，文章主题是"工程师该学会什么都不做"。
不是懒。而是： - 需求没稳定，动手 = 先欠技术债 - 方向没想清楚，写代码 = 提前返工 - 会议上先开口，别人的问题变你的 最高效的工程师不是最忙的，是最会等的。
Every 是 Dan Shipper 自己创的媒体和软件公司，从 2020 年 GPT-3 时代开始到现在 6 年多。
1/7 他们从 GPT-3 那刻起就把 AI 塞进每个工作流：写稿、编辑、客服、设计、营销、工程。Codex 和 Claude Code 是默认界面，新模型 alpha 阶段他们就先拿到。理论上这是「自动化到极致」最彻底的样本。 结果 2026-05-21 他发报告《After Automation》，标题直白：「我们什么都自动化了，但人却变多了」——从 4 人扩到 30 人。 几天后上 Lenn
什么是循环工程？！
当龙虾之父说：别再一个一个指令地催你的 agent，你应该设计一套会自动催它的循环。Claude Code 之父也几乎同时表示，自己早已不再亲手下指令，而是让循环自动去 prompt Claude、判断下一步，工作彻底变成了「写循环」。 循环工程的概念由此成形：把原来亲自写 Prompt 的你替换掉，改由系统来完成。循环本质上是一个递归目标，你只需要定义最终目的，AI 就会反复迭代，直到任务完成。
付费看完了 Codex 团队的采访，说几个让我真正在意的细节。
40 人的团队。1 个 PM，2 个设计师，其余全是工程师。 那唯一的 PM，日常工作是：用 Codex 处理用户反馈和 issue，每小时自动跑一次，单次处理 100 多个 issue，大部分 24 小时内修复。 我看到这里停了一下。 这个 PM 的活，老板自己就能干完。 功能迭代基本是 2-3 人甚至单人从头跑到尾，没有定期会议，没有流程，点对点直接说。 以前跨职能协作那套，现在大部分被 ag
HN上有篇帖子今天炸了：一个程序员说LLM正在毁掉他的职业生涯。
878条评论。说明这是真实的集体焦虑。 作为在硅谷写了11年代码的人，我来说说我的判断👇 他说的痛苦是真实的： - 公司在用AI替代初级工程师 - 他不确定自己的价值在哪 - 技能感觉在贬值，但不知道该学什么 不是矫情，这就在发生。 但他问错了问题。 "AI会不会取代我"是错的。 正确的问题是："我解决的是什么类型的问题？" AI很强，但它解决的是已知问题。 你的价值在于定义问题。 硅谷11年，
全程干货无废话，前端 er 速存，看完直接对标大厂标准！
📦 工程化直接封神 husky+lint-staged：提交前自动校验 + 格式化，风格统一不吵架 Vite + Rollup 双模式：开发秒启、生产极致打包，Tree-Shaking 清死代码 CI/CD 流水线：合码自动测、构建、告警，再也不崩主分支 ⚡ 性能优化杀招 网络：HTTP2 + CDN + 强缓存 / 协商缓存，接口合并 + 防抖节流 渲染：虚拟列表、图片懒加载、transfor
试一下 Claude Code 最新推出的 Dynamic Workflows 会发现你在企业里还没落地生产的 Hermes-Agent 可以卸载了。
非 AI 公司永远不要自研 Agent 系统跟 Anthropic 赛跑，你会发现还没落地就成了技术债务。 自研的 Agent 系统过了三个月就是废弃代码反而成为新模型的裹脚布。
DeepSeek-V3 的架构设计，是一份值得反复读的效率教材。
671B 总参数，推理时只激活 37B——靠的是这几个设计： 🧠 DeepSeekMoE：稀疏专家架构，共享专家 + 路由专家分离，负载更均衡 👁️ MLA（多头潜在注意力）：低秩压缩 KV cache，显存占用大幅降低 ⚖️ 无辅助损失负载均衡：首次不靠额外 loss 项来平衡专家，性能损耗接近零 ⚡ MTP（多 token 预测）：训练目标 + 推理加速两用，一个模块解决两个问题 🔢 F