兩條路徑，一種宿命清晨的科技圈被一條消息刷屏了：成立不久的 AI Agent 創業公司 Manus 被 Meta 以 20 億美金的價格收入囊中。創始人肖弘更直接獲封 Meta 副總裁。就在 Manus 在新加坡慶祝“技術套現”的同時，國內大模型領頭羊智譜清言也在同一時間啟動了香港上市的招股。招股書顯示，智譜預計市值超 511 億港元，但繁華背後卻是沉重的財務壓力——2025 年上半年虧損 17.5 億元，平均每月“燒掉”近 3 億。按此速度，帳上現金僅夠維持 9 個月。同樣是頂尖的華人技術團隊，一個在 Meta 的生態裡輕裝上陣，一個在資本市場的博弈中求生。這種巨大的體感差異，真的只是因為“出海”與否嗎？估值博弈：被“土壤”攤薄的價值我們將坐標拉長到全球視野。智譜即便頂著“中國 OpenAI”的光環，其市銷率（P/S）在 64 倍至 78 倍之間，相較於國內 AI 應用公司已是巔峰，但對比美國同行卻略顯落寞。大洋彼岸做企業服務的 Anthropic，2025 年營收預計超過 50 億美金，二級市場隱含估值高達 3500 億美金，更不用上篇文章提到的Palantir，市值已經突破4500億美金。就算有美股的泡沫和對AI價值的高估，可那又怎麼樣呢？泡沫的繁榮也是繁榮，總比理性的貧瘠強，普通人創業，首先要獲得市場和資本的認可，讓創始人和投資人先賺到錢。可為什麼智譜既有 Anthropic 的訂閱邏輯，又有 Palantir 的服務屬性，市值卻難以跨越數量級的鴻溝？答案不在技術指標，而在於中國企業級市場的“三大泥潭”：私有化部署、定製化開發、資料治理。這並非新鮮事，但為何難以破解？我曾經以為這不過就是中國企業現階段的無奈之舉，直到我無意中翻開一百多年前傳教士明恩溥的那本《中國人的性格》，才發現如今中國企服市場的每一個痛點，都能在百年前的社會心理中找到底層編碼。社會心理一：互相猜疑這種心理在企服市場中的體現就是猜疑的高牆與私有化的執念。明恩溥觀察到，中國民居最顯著的特點就是環城、環村、環房而建的高牆。這種防禦不是針對外敵，而是針對彼此。“據說，人與人之間之所以相互不信任，原因有兩個：一是不瞭解對方；二是太瞭解對方。”書中舉例：一個婦女聽到院內喧嘩便勃然大怒，認定人們在議論她；一個僕人被辭退，會固執地猜疑所有人都在背後中傷；中國人分錢時，大家很難相信既定方案，總覺得錢被別人剋扣了。這種深植骨髓的“不安全感”，完美對應在當下的數位化決策中。許多大中型企業不惜支付數倍溢價，也要搞私有化部署，理由如出一轍：“資料交給別人，我不放心。” 甚至有企業寧可雇上千人團隊從頭研發商業成熟產品，美其名曰“自主可控”，實則是擔心資料被外人窺視。在這些決策者心中，私有化部署等於絕對安全。這正如明恩溥描述的“高牆心理”——寧可把現金埋在自家的床底，也不願存入銀行。他們寧願相信月薪八千、三本畢業的自家維運，也不信大廠投入幾十上百億研發的技術能力和安全機制。這種心理帶來的效率損耗，正是中國企業軟體難以規模化增長的第一個病灶。社會心理二：“順而不從”與定製化黑洞為什麼中國企業的個性化需求如此之多？是因為業務真的特殊嗎？未必。更多時候，是為了遷就不合理的舊流程和人的操作習慣。明恩溥將其總結為“順而不從”。書中寫道：給苦力一把快鐮刀，他笑著接過，轉身卻繼續用那把鈍滯的舊刀，理由是“舊的更好用”；給洗衣工脫水機，他棄之不用，寧可手搓得破爛不堪；園丁不按吩咐修牆，反而插滿樹枝，被質問時還能講出一堆優越性。有位地方官命僕人去遠方取水，僕人卻私自到近處取甜水，只要結果滿意，官員便不追究其抗命這種“會捉老鼠就是好貓”的實用主義，在企業數位化中演變為對標準化軟體的天然抵制。管理層呼籲標準化，下級表面尊重，實際操作中卻繞過規則。如果上級持續施壓，壓力便逐級下移，直至消解，一切恢復如初。這種博弈導致廠商不得不針對每個企業、甚至每個部門開發特定的補丁。定製化開發不是在適配業務，而是在適配那些不願改變的“舊習慣”。社會心理三：漠視精確帶來的“資料負債”“大數對得上就行”，是中國企業資料治理的隱秘真相。明恩溥提到，中國人對數字的敏銳度往往讓位於“模糊的體面”。AI的底層邏輯是資料，而資料要求的是絕對的精確。但我們的傳統心理中，似乎自帶一層“模糊濾鏡”。明恩溥發現：說老人七八十歲，可能才滿七十；去看戲花了173弔錢，口述時一定是“兩百吊”，因為“沒區別”。這種對數字的無所謂，直接導致了企業內部的資料斷層。當年我代表就職的企業與合作方簽署了一個970萬的軟體合同，於是對方在簽約喜報中就體現了合作金額“千萬大單”，反正看起來接近1000萬就行，實際上還差了整整30萬。我服務過一家年營收數百億的集團，不管是集體總部還是眾多二級單位之間，的資料幾乎沒有一個能完全對上。真正用的好就一個財務系統，做核算出報表，你搞你的我搞我的，對不上就對不上，以財務資料為準。這種對精確性的漠視，導致了國內企業普遍面臨極高的“資料債務”。當 AI 進入這些企業時，面對的是一堆邏輯混亂、口徑不一的髒資料。為了讓 AI 說句“人話”，廠商不得不投入大量精力在底層治理上，這種苦活累活，讓任何業務都變得沉重且低效。結語：在鹽鹼地外尋找“增長範式”鹽鹼地裡固然能種出莊稼，但需要極高的改良成本。Manus的成功，本質上是利用了中國的工程師紅利，但在產品設計之初就對準了規則明確、生態成熟的海外市場。這為新一代軟體創業團隊提供了一個極其清晰的生存指南：跑出原型，然後快速融入國際化生態。而對於像智譜這樣根植本土的先行者，真正要獲得商業上的成功，還需要極大的戰略定力和資本支撐。未來相當長一段時間內，國內市場或許會繼續維持這種“高投入、慢回報”的常態，這是由社會心理和商業環境共同決定的。而那些希望快速兌現技術價值的團隊，出海不再是選項，而是必然。無論如何，還是要祝福Manus，他們證明了本土教育背景的技術團隊一樣能做出世界頂尖的產品，同時還能賺到錢；同時也要致敬智譜，走入資本市場，迎接更大的挑戰。 (岩聊數位化)

2025年，AI 程式設計助理真正成為了改變遊戲規則的工具。不少開發者已經擁抱了AI程式工具，例如大家熟知的Claude Code、Codex CLI、Cursor、Gemini CLI等等。但要真正有效率地駕馭它們，還需要技巧和結構化的方法。前幾天，Google工程負責人、Chrome DevTools 和JS Patterns 的設計者Addy Osmani 結合自己一年多的專案實務經驗，總結了一套AI Coding 的工作流程。進入2026 年，他對LLM 輔助編程的理解已經非常清晰：它不是“自動駕駛”，而是一位能力極強、但需要被正確引導的結對程式設計師。Andy系統性複盤了自己在走向2026 的過程中，如何把AI 真正納入日常工程體系——從前期規劃，到代碼生成，再到團隊協作，幾乎覆蓋了一整套可復用的實戰方法論。在他的實踐中，AI 並不是“寫代碼的黑箱”，而是被當作工程流程中的一環來精細管理。具體來說，這套方法包括：在任何程式碼產生之前，先與AI 一起打磨一份足夠具體、可執行的專案方案，把需求、邊界和目標一次說清楚；在prompt 中大量使用明確的註釋、約束和規則，主動限定AI 的行為，而不是被動接收結果；針對不同任務選擇不同模型，而不是迷信「一個模型包打天下」；保持高頻、小步的程式碼提交，避免一次性產生或修改過多程式碼，導致專案狀態失控；為每一個新功能單獨創建worktree，將實驗性改動與主線程式碼嚴格隔離；透過規則檔案約束AI 的程式碼風格、目錄結構和工程習慣，讓產生程式碼更像「團隊成員」而不是「臨時外包」。他的核心結論是：經典的軟體工程紀律，不但沒有過時，在AI 時代反而更重要！先設計、再編碼；寫入測試；用版本控制；守住標準。當AI 參與寫一半程式碼時，這些原則的價值被進一步放大。此外，Andy也分享了一個有趣的觀點。很多人可能認為，AI Coding會加速程式設計師失業，取代程式設計師的職位，但Andy認為，用好AI才能加速你的成長。在審AI 的程式碼、糾AI 的bug、讓AI 解釋思路的過程中，其實能夠學到大量新知識；而對於有紮實基本功的人來說，AI能讓生產力倍放大。Andy表示，2026 年他將全面擁抱AI，但方式是審慎、由專家主導的。這是一種更自律的「AI 輔助工程」方法：在激進地利用AI 能力的同時，依然對最終產出的軟體負全部責任。以下是他的乾貨分享，enjoy！從清晰的計畫開始：先寫方案，再寫程式碼不要只是把「願望」一股腦丟給LLM，應先定義問題，再規劃解決方案。一個非常常見的錯誤，是在提示語還很模糊的情況下，直接讓AI 產生程式碼。在我的工作流程中（以及許多成熟實踐中），第一步並不是寫代碼，而是和AI 一起頭腦風暴，產出一份詳細的規格說明，然後再整理出清晰的分步計劃。對於一個新項目，我通常會先描述整體想法，並讓LLM 不斷向我反問，直到需求、邊界條件和潛在的邊緣情況都被充分挖掘出來。最終，我們會把這些內容整理成一份完整的 spec.md，其中包含：功能需求、架構決策、資料模型，甚至是測試策略。這份規格文件會成為整個開發過程的基石。接下來，我會把這份spec 交給一個具備推理能力的模型，讓它產生專案計畫：把實作過程拆解成邏輯清晰、粒度適當的小任務或里程碑。某種意義上，這是一個「迷你版設計文件/ 專案計畫」。我通常會多次迭代這份計劃——親自修改，再讓AI 批判性地審視、優化——直到它足夠完整、連貫，然後才進入真正的編碼階段。這種前期投入乍看之下有點慢，但回報極高。正如Les Orchard 所說，這就像是“15 分鐘完成一次瀑布式設計”，一個快速而結構化的規劃階段，讓後續編碼變得異常順暢。有了清晰的規格和計劃，當我們真正「釋放」程式碼產生能力時，人和AI 都非常清楚：我們要做什麼，以及為什麼要這麼做。簡而言之，先規劃能讓你和AI 站在同一頁上，避免無效反覆。很多人會跳過這一步，但如今有經驗的LLM 開發者，已經把高品質的spec / plan 當成整個工作流程的核心。把工作拆分成小而可迭代的區塊範圍管理是一切的關鍵：給LLM 可控的小任務，而不是一次塞進整個程式碼庫。我學到的一個重要教訓是：不要讓AI 一次輸出大量、整體性的程式碼。相反，應把專案拆成一系列小步驟或“工單”，逐一完成。這本來就是良好的軟體工程實踐，但在引入AI 之後變得尤為重要。LLM 在聚焦型任務上表現最好：實作一個函數、修復一個bug、增加一個小功能。例如完成規劃後，我會直接對程式碼產生模型說：「好，我們來實現計畫裡的第1 步。」完成後測試，再進入第2 步，如此循環。每一個chunk 都夠小，小到AI 能在上下文中處理乾淨，而你也能真正理解它產生的程式碼。這種方式能有效防止模型「跑偏」。如果一次性要求太多，模型往往會迷失方向，產生一堆“糾纏在一起的程式碼垃圾”，非常難以維護。許多開發者都有類似體驗：讓LLM 一口氣產生一個完整應用，結果程式碼風格不統一、邏輯重複，「就像10 個程式設計師各幹各的，彼此完全沒溝通」。我自己也踩過這個坑，解決方法只有一個：停下來，退一步，把問題切小。每一輪迭代，我們都在已有上下文的基礎上，增量式地推進。這也非常適合測試驅動開發（TDD）：每個步驟都可以同步編寫或產生測試（後面會詳細講）。不少編碼Agent 工具已經明確支援這種「分塊」工作流程。例如，我有時會產生一個結構化的「prompt plan」文件，裡麵包含每個任務對應的一條提示語，讓Cursor 這類工具依序逐條執行。核心原則只有一個：避免大躍進。透過小步快跑，我們大幅降低災難性錯誤的機率，也能更快糾偏。 LLM 在快速、受限的任務上非常擅長，要順勢而為。提供充足的脈絡和明確的指導LLM 的品質上限，取決於你提供的上下文品質。把相關程式碼、文檔和約束條件都給它。在處理真實程式碼庫時，我會確保AI 擁有完成任務所需的一切資訊：相關原始碼、技術約束、已知坑點、推薦或禁止的方案。現代工具在這方面已經很強了：例如Claude 的Projects 模式可以直接匯入整個GitHub 倉庫；Cursor、Copilot 會自動把目前開啟的檔案放進上下文。但我通常還會做得更多。如果我懷疑模型缺乏某些關鍵訊息，就會透過MCP（如Context7），或乾脆手動把重要模組、API 文件黏進對話裡。資深LLM 用戶普遍強調這種“上下文打包（context packing）”的重要性，例如在編碼前來一次完整的“信息傾倒”，包括：高層目標與不變量正確解法的範例明確警告那些方案不要用如果任務本身比較棘手，我甚至會提前告訴AI 那些樸素解法性能不行，或者給它一個外部參考實作。如果使用的是冷門庫或全新API，我會直接貼官方文件或README，避免它「蒙著眼睛飛」。所有這些前置上下文，都會顯著提升輸出質量，因為模型不需要猜測，而是基於事實和約束進行生成。現在也有不少工具能自動化上下文整理，例如gitingest、repo2txt，它們可以把程式碼庫的關鍵部分匯出成一個文字文件，讓LLM 一次讀入。對於大型專案來說，這是救命工具。原則很簡單：不要讓AI 在資訊不完整的情況下工作。一個bug 如果涉及四個模組，就把這四個模組都給它。當然要注意token 限制，但如今前沿模型的上下文視窗已經非常大（幾萬token），合理利用即可。我通常只選取與目前任務相關的程式碼，並明確告訴AI 那些內容可以忽略，以節省上下文空間。我個人也很看好Claude Skills 這個方向：它把原本脆弱、一次性的提示，封裝成可復用的“技能”，把指令、腳本和領域知識模組化。當請求匹配某個Skill 時，工具可以自動套用這些能力，效果遠勝於通用prompt。這讓我們從一次性交互，走向可重複使用、可沉澱的工程流程。目前社群已經有不少Skills 集合，我很喜歡的例子是frontend-design skill，它能終結LLM UI 裡氾濫的「紫色設計風」。在官方工俱全面支援之前，也已經有一些可行的變通方案。最後，在prompt 裡用明確的註解和規則引導AI。例如，我會在程式碼前面加一句：「這是X 的當前實現，我們需要擴展它來做Y，但一定不要破壞Z。」這種小提示非常有效。 LLM 本質上是“字面主義者”，你給什麼指令，它就照著執行。上下文越清晰，幻覺和跑偏就越少，產生的程式碼也越貼合項目實際。為不同任務選擇最適合的模型並不是所有編碼LLM 都一樣，要有意識地選工具，必要時中途換模型。到2025 年，我們已經擁有大量強大的程式碼模型。在我的工作流程中，一個重要環節就是：為不同任務選擇最適合的模式或服務。有時候，我甚至會並行嘗試兩個模型，看看它們對相同問題的想法有何不同。每個模型都有自己的「性格」。關鍵在於：如果一個模型卡住了或輸出平庸，立刻換另一個。我常常把同一個prompt 原封不動地複製到另一個服務裡，結果往往立竿見影。這種「模型輪換」在遇到盲點時非常救命。另外，盡量用最新、最強的版本。如果條件允許，優先使用最新的Pro 級模型。是的，這通常意味著付費，但生產力提升往往物有所值。說到底，選一個「合拍」的AI 結對程式設計師也很重要。我認識一些人偏愛某個模型，只是因為它的回應風格比較順眼，這完全合理。當你要和AI 長時間對話時，體驗和語氣真的很重要。就我個人而言，最近很多程式設計工作我會優先用Gemini，因為互動更自然，第一次就理解需求的機率更高。但我從不猶豫在必要時切換模型；有時候，「第二意見」能讓解法突然浮現。總結一句：為任務選對工具，並記住你手上有一整套AI 工具箱可用。在整個軟體生命周期中使用AI 編碼能力在SDLC 的各個階段引入AI，讓開發體驗全面提速。在命令列層面，新一代AI Agent 已經出現：Claude Code、OpenAI Codex CLI、Google Gemini CLI，都可以直接在專案目錄裡對話，讀取檔案、執行測試，甚至多步驟修復問題。我也用過Google 的Jules、GitHub Copilot Agent——它們是異步的編碼Agent，會把你的倉庫複製到雲端VM，在後台完成任務（寫入測試、修bug），然後直接給你一個PR。第一次看到這種體驗時真的很詭異：你只下了一條指令，例如“重構支付模組以支援X”，過一會兒就收到一個測試通過的Pull Request。我們確實活在未來。關於這一點，可以參考《From conductors to orchestrators》。當然，這些工具並不完美，必須清楚它們的邊界。它們非常擅長加速機械性工作，樣板​​程式碼、重複性修改、自動跑測試，但仍然高度依賴你的引導。例如，當我讓Claude 或Copilot Agent 實現某個功能時，通常會把前面整理好的計畫或待辦清單一起給它。如果工具支持，我會直接把 spec.md 或 plan.md 加進上下文，讓它嚴格地按步驟執行。我們還遠遠沒到可以完全放手，讓AI 獨立實現完整功能並期待完美結果的階段。我的使用方式始終是「有人監督」：讓AI 產生、運行程式碼，但我隨時盯著進度，一旦有異常就介入。也有一些編排工具（如Conductor）支援並行運行多個Agent，讓不同Agent 同時處理不同任務。本質上是在「規模化AI 勞動力」。我也嘗試過這種「多Agent 並行」模式，效率驚人，但同時也非常耗費心智去監控。多數情況下，我還是選擇一個主Agent，再加一個輔助Agent 做評審。記住：這些都是電動工具。你仍然掌控扳機。始終讓人留在迴路中：驗證、測試、審查一切AI 可以寫出看起來很像真的程式碼，但品質責任始終在你身上。我有一條鐵律：永遠不要盲信LLM 的輸出。正如Simon Willison 所說，把LLM 當成一個「自信過頭、但容易犯錯的配對程式設計師」。它會以100% 的確信寫出包含bug 的程式碼，除非你指出來，否則它不會意識到問題。因此，我把每一段AI 產生的程式碼，都當成來自初級工程師的提交：逐行閱讀、運行、測試。一定要測試。跑單測、手動驗證功能是否符合預期。對此我強烈建議閱讀《Vibe coding 不是低品質的藉口》。事實上，我把測試直接嵌入工作流程。前期規劃時就會包含測試清單或測試策略。如果使用Claude Code 這類工具，我會明確指示它在完成任務後運行測試，並在失敗時繼續調試。只要測試存在，AI 在「寫程式→ 跑測試→ 修bug」的閉環裡表現非常出色。這也是為什麼最能榨乾coding agent 價值的人，往往也是測試做得最好的人。有完善測試套件的項目，對AI 來說就像裝了安全網；沒有測試，Agent 很容易在「看起來一切正常」的幻覺中破壞多個模組。除了自動化測試，程式碼審查同樣必不可少——包括人工和AI 輔助審查。我經常會暫停下來，逐行審查目前產生的程式碼，甚至開一個第二個AI 會話（或換一個模型）來做review。例如讓Claude 寫程式碼，再讓Gemini 審一遍：「你能檢查這個函數有沒有潛在問題嗎？」這種方式常常能抓住一些微妙bug。 AI 寫的程式碼，反而更需要審查，因為它往往「表面上很合理」。我也會使用Chrome DevTools MCP（這是我和上一個團隊一起做的）來增強調試和品質閉環。它相當於“給AI 裝上眼睛”，讓Agent 能看到瀏覽器實際狀態：DOM、效能追蹤、控制台日誌、網路請求。這極大減少了上下文切換的摩擦，使LLM 能夠基於真實運行數據進行UI 測試和精確修復。忽視人類監督的代價已經有人替我們踩過。曾有開發者在趕專案時大量依賴AI 生成，結果程式碼結構混亂、邏輯重複、命名不一致。他後來意識到自己一直在“往前堆代碼”，卻從沒停下來整體審視。最終只能痛苦重構，發誓再也不讓事情失控。我把這個教訓牢記在心：無論AI 用得多狠，我始終是最終負責的工程師。在實踐中，這意味著：只有在我真正理解程式碼之後，才會合併或上線。如果AI 產生的程式碼太複雜，我會讓它加註解解釋，或者乾脆重寫成更清晰的版本。只要感覺不對勁，就深入挖——就像對待任何人類同事的可疑提交一樣。歸根究底是心態問題：LLM 是助手，而不是可靠的自主程式設計師。我是資深工程師，AI 是加速器，而不是判斷替代品。這種立場不僅帶來更好的程式碼，也能保護你作為開發者的長期成長。只要你始終參與其中、主動理解和審查，你不是在退化，而是在更高速度下鍛鍊判斷力。一句話總結：保持警惕，頻繁測試，永遠審查。程式碼庫最終仍然是你的。頻繁提交，把版本控制當作安全網永遠不要提交你解釋不清楚的程式碼。在AI 能快速產生大量程式碼的情況下，事情很容易失控。我的應對方式是：極端細粒度的版本控制習慣。我提交得比純手寫程式碼時代還要頻繁。每完成一個小任務或一次成功的自動修改，就立刻提交一次，提交資訊寫清楚。這樣一來，如果AI 的下一步引入了bug 或糟糕改動，我可以迅速回滾到最近的穩定點，或者cherry-pick，而不是損失幾個小時的工作。有人把這種做法比喻為“遊戲裡的存檔點”，我非常認同。有了這種安全感，你才敢大膽嘗試AI 的激進重構。版本控制還能彌補AI 的「記憶缺陷」。我經常翻看最近的提交記錄，來給AI（或自己）複盤發生了什麼。甚至可以直接把git diff 或commit log 黏給AI，它們非常擅長理解diff，用 git bisect 找bug 也毫無怨言——前提是你的提交歷史足夠乾淨。另一個好處是：小提交+ 清晰訊息，本身就是文件。無論是人類還是AI 做code review，都比較容易定位問題。如果所有改動都塞在一個叫「AI changes」的巨大提交裡，基本上等於災難。所以我強迫自己遵守紀律：完成任務→ 跑步測試→ 提交。我也會大量使用分支或git worktree 來隔離AI 實驗。一個我很喜歡的進階技巧（受Jesse Vincent 啟發）是：為每個新功能或子任務創建一個獨立worktree。這樣可以在同一個倉庫裡並行跑多個AI 會話，互不干擾。失敗了直接丟棄，成功了再合併。版本控制正是讓這種AI 協作成為可能的基礎架構。總結一句：多提交、用好分支、把git 當成AI 時代的控制系統。用規則和範例客製化AI 的行為透過風格指南、範例，甚至「規則檔」來引導AI，前期一點調校，能換來長期高品質輸出。我學到的一點是：你完全不必接受AI 的預設風格。你可以強力引導它。我自己維護了一個 CLAUDE.md 檔案（用Gemini CLI 時也有 GEMINI.md），裡面寫的是流程規則和偏好，例如：遵循專案程式碼風格透過lint 規則禁用某些函數偏好函數式而非OOP每次會話開始時把這個檔案餵給模型，效果非常好，能顯著減少「跑偏」。這就像Jesse Vincent 說的：它能讓模型始終沿著既定軌道前進。即使不用規則文件，你也可以透過自訂指令或system prompt 達到類似效果。 Copilot、Cursor 都支援專案層級的行為配置。我通常會寫一小段說明，例如縮排規格、React 中避免箭頭函數、變數命名要求、必須通過ESLint 等。設定好之後，AI 的輸出就更像一個真正融入團隊的工程師。 Ben Congdon 曾經感慨，很少有人使用Copilot 的自訂指令，但效果卻出奇地好——我完全贊同。另一個非常有效的技巧是：給範例。如果我希望AI 以某種方式寫函數，就先給它看一個現有實作；如果想要特定的註解風格，就先自己寫一段範例。 LLM 非常擅長模仿，一兩個例子就夠了。社群裡還有不少「規則集」來約束模型行為，例如明確寫上「如果不確定，請提問而不是編造答案」。我自己常加一條：「修bug 時請在註解中簡要說明原因。」這樣後續review 就非常省心。總結來說：不要把AI 當黑箱。像onboarding 新同事一樣給它規則、範例和期望。投入產出比極高。把測試和自動化當作擴大機CI/CD、lint、程式碼審查機器人，會讓AI 發揮最大價值。這是前面原則的自然延伸：強自動化的工程環境，會極大放大AI 的生產力。我確保所有大量使用AI 的倉庫，都有完善的CI：自動測試、程式碼風格檢查、最好還有staging 部署。這樣一來，AI 打開PR 後，CI 失敗的日誌就能直接餵回給AI：「整合測試失敗，錯誤是XYZ。」問題修復立刻變成一個高速回饋迴路，AI 非常擅長這種模式。我甚至會把linter 的報錯直接貼進prompt，讓AI 修復。只要它「看到」工具回饋，就會非常努力地糾正。這也是為什麼有些Agent 會在測試全綠之前拒絕宣稱「完成任務」——這正是你希望看到的行為。當AI + 自動化形成閉環時，你會感覺像是：一個極快的初級工程師，配上一個永不疲倦的QA。前提是，你得先把環境搭好。沒有測試和自動檢查，AI 的問題往往會被拖到很後面才會暴露。展望2026，我計劃進一步強化AI 程式碼貢獻的品質閘門：更多測試、更多監控，甚至AI 審AI。聽起來有點悖論，但確實有效。重點很簡單：AI 友善的工作流程，一定是自動化成熟的工作流程。用好AI，能加速你的成長把每次AI 編碼當作學習機會，形成正向回饋循環。使用LLM 的一個意外收穫是：我學得更多了，而不是更少。AI 讓我接觸到新的語言、框架和技巧，否則我可能不會主動嘗試。一個普遍規律是：AI 會獎勵良好的工程基礎。有紮實基本功的人，生產力被倍增；基礎薄弱的人，困惑也會被放大。 LLM 讓你能站在更高抽象層上思考（設計、介面、架構），但前提是你本來就具備這些能力。正如Simon Willison 所說：幾乎所有「高階工程師」的核心能力，正是如今用好AI 的關鍵。對於擔心AI 會讓人「退化」的聲音，我的看法相反：只要你始終參與審查和理解，AI 反而會加速成長。透過審AI 的程式碼、糾AI 的bug、讓AI 解釋思路，我學到了大量新知識。 AI 也成了我隨時待命的研究助理，幫我比較方案、分析權衡。宏觀來看，AI 放大的是你的專業能力。進入2026 年，我並不擔心它“搶工作”，而是期待它把我從體力活中解放出來。當然，前提是要有紮實基礎，否則AI 可能會製造「鄧寧-克魯格效應加強版」。一句建議：持續打磨基本功，用AI 加速這個過程。開發者+ AI 的組合，遠比任何一方單獨強大。結論：2026年全面擁抱AI編程進入2026 年，我已經全面擁抱AI，但方式是審慎、由專家主導的。這是一種“AI 增強的軟體工程”，而不是“AI 自動化的軟體工程”。我的核心結論是：經典的軟體工程紀律，不但沒有過時，在AI 時代反而更重要。先設計、再編碼；寫測試；用版本控制；守住標準－當AI 參與寫一半程式碼時，這些原則的價值被進一步放大。未來一定會繼續演進。也許會有更自主的“AI 實習生”，也許會出現全新的調試和程式碼探索範式。但無論如何，我都會始終留在迴路中，引導AI、向它學習、並負責任地放大自己的生產力。對我來說，最終結論只有一句：AI 程式設計助手是強大的槓桿，但人類工程師仍然是導演。那麼，祝你在2026 年，建造愉快。(51CTO技術棧)

2019年9月19日，陳勤從Facebook加州總部的樓頂一躍而下。他本應是“別人的孩子”的終極範本，卻在38歲走到了生命的盡頭...38歲，福建高考狀元、浙大優等生、南加大全獎博士、Facebook工程師、年薪22萬美元——這串耀眼的履歷背後，卻是一場沉默的失聲：2019年9月19日，陳勤從Facebook加州總部的樓頂一躍而下，當場身亡。在那間他曾為之加班無數夜的辦公室裡，留下了一封未發出的郵件草稿：“爸媽，我讓你們失望了。”陳勤，1981年出生於福建農村。1999年，他以全省理科狀元的優異成績考入浙江大學。2002年，憑藉南加州大學的全額獎學金，他遠赴美國深造，僅用三年時間就取得了電腦博士學位。2015年博士畢業後，他順利加入Facebook，年薪高達22萬美元。回顧陳勤的成長軌跡，他無疑是許多家長眼中的“寒門貴子”，也是眾多留學生心中的“終極範本”——憑藉才智與勤奮改變命運，最終站上全球頂尖的職業平台。然而在現實的職場環境中，他不過是龐大績效系統中的一個普通ID，一名被評價為“不善溝通、需要改進”的華人工程師。陳勤的印度裔上司常將棘手項目分配給他，卻在評審時刻意壓低評分。2019年，陳勤因負責的廣告系統出現重大故障，被列入PIP（績效改進計畫）。在矽谷，這幾乎等同於收到“預備解僱”的通知。儘管事故的根源在於需求文件混亂、職責分工不明，陳勤仍被默認為事故的“背鍋者”。他曾向經理申請調崗，經理口頭應允，卻拒絕簽字確認；他也嘗試內部轉組，卻因系統限制未能成功。那個“績效失敗者”的標籤，如同無法抹去的水印，牢牢印在他的職業身份上。更令他窒息的是現實壓力：因為工作簽證限制，失業後他只有60天時間尋找新工作，否則就必須離開美國。而競業協議又規定，他在離職後半年內不得從事同類工作。這意味著他不僅失業，還被鎖死了出路。悲劇發生當天，陳勤與上司發生了激烈爭吵。監控錄影顯示，他衝出辦公室時臉色慘白。一小時後，他出現在公司頂樓。警方後來在他的工位上發現了一張寫有“不公平”字樣的紙條，而他的電腦螢幕上，停留著一封未傳送的郵件草稿，上面寫著：“爸媽，我讓你們失望了。”這場悲劇不僅僅是個體抗壓能力的崩潰，而是一個高度制度化的“多重鎖鏈”。第一個便是簽證鎖鏈：H-1B身份使他必須在極短時間內找到新僱主，否則將被遣返。第二個是財務鎖鏈：兩套在加州的房貸、每月還款壓力，令他無法“裸辭”。第三個則是職場鎖鏈：PIP標籤+競業協議，將他從Facebook之外的出路一併堵死。他不是不努力，相反，他“太努力了”——習慣加班到深夜，周末仍在改程式碼，最佳化演算法；卻因為沉默、內斂、不善權謀，被貼上“不合群”的標籤，功勞歸於團隊，黑鍋卻由他一人承擔。Facebook內部資料顯示，華人技術員工佔比高達15%，但在高層管理崗位上，不足2%。這不是個例，而是“系統性看不見”：在話語權稀缺、晉陞路徑不清的文化環境中，太多華人工程師被困在“高薪但無權”的崗位中。他們不抱怨，不內卷，不逃跑，默默忍耐，拚命刷存在感——但一旦陷入制度性危機，就像懸在系統邊緣的玻璃人，沒人伸手。陳勤的死，在華人工程師圈裡炸響。有人在總部門前擺上38朵白菊，寫下：“他沒有輸給自己，而是輸給了系統。”陳勤去世後，其父母將Facebook告上法庭，指控其“縱容職場霸凌”。但案件因“證據不足”被駁回，公司最終以200萬美元賠償達成和解，但要求家屬簽署保密協議。從山村走到矽谷、用20年翻越階層，卻用3秒墜落結束。更令人唏噓的是：陳勤的故事並非個例。2021年，亞馬遜華裔工程師張一自殺；2023年，Google印度裔員工蘇雷什跳樓；他們有著類似的履歷、相似的掙扎——被高壓績效制度和身份焦慮聯合碾壓。在許多留學生與父母眼中，“只要努力夠、學校好、平台大”，未來人生就能一路綠燈開掛。但現實是：當這些“別人家的孩子”在系統齒輪下奔跑，任何一次微小失誤、任何一次資源博弈失敗，就足以讓人墜入深淵。如果說拼盡全力送孩子去美國，是希望他們“有選擇”，那麼為什麼，最後留給他們的卻只剩“不能失敗”？海外華人與留學生所面臨的壓力，往往是複雜而多重的。文化隔閡、身份焦慮、職業瓶頸、家庭期望……這些無形的負擔，常被“高薪”“精英”的光環所掩蓋，卻真實地壓在每一個異鄉人的肩上。社交媒體上，我們不時聽到類似的聲音——它們不是孤例，而是一種群體的共鳴。在這樣的環境中，建立自己的支援系統至關重要。無論是尋找可信賴的同事朋友，加入能彼此理解的華人社群，還是在必要時尋求心理幫助，都是構築情感緩衝的方式。請記住，表達脆弱不是失敗，而是一種自我保護。此外，我們也需要在既定軌跡之外，為自己開闢一方空間。發展工作之外的身份認同，培養與職業無關的興趣愛好，保持與國內家人的真實溝通——不只報喜，也敢報憂，允許自己展現完整的情緒與生活。這些看似微小的行動，恰恰是在異質文化中保持精神獨立的重要方式。或許，我們該重新思考“成功”的定義。它不應只是一個終點，而可以是一段容納喘息、允許失敗、接受轉向、擁抱重啟的旅程。從這個意義上說，每一個在異國他鄉認真生活的你，無論此刻是否光鮮，是否偶爾軟弱，其實都已走在了屬於自己的成功道路上——人生的意義不在於永遠登頂，更要有擁抱重啟的勇氣。 (留學生日報)

導讀："一個晶片工程師被美國全球通緝的背後，是一場寫在程式碼裡的科技戰爭。從拆收音機的少年到突破美日壟斷的‘技術教父’，陳正坤用半生顛沛詮釋：真正的核心技術不是專利，而是打不垮的中國骨氣。"朋友們，魔幻現實主義這詞兒，你以為只在拉美小說裡有？天真了。現實比小說魔幻一萬倍。2020年，美國司法部聯合FBI，搞了個全球通緝令，照片掛網站上，懸賞25萬美刀，指名道姓要抓一個中國人。這陣仗，不知道的以為是那個國際大毒梟或者軍火販子，再不濟也是個把白宮Wi-Fi密碼給破解了的頂級駭客。結果定睛一看，通緝令上的老哥，戴著眼鏡，文質彬彬，一臉“程式碼寫不完別叫我吃飯”的社畜氣質。這人叫陳正坤，一個晶片工程師。這就很離譜了。一個超級大國，動用國家機器，滿世界追著一個工程師跑，這畫面像什麼？就像一個渾身肌肉的壯漢，非說幼兒園掰手腕大賽的冠軍威脅到了他的生命安全。這背後不是簡單的技術糾紛，這是一場寫在程式碼裡的戰爭，是科技叢林裡的血腥絞殺。而陳正坤，就是那個一不小心，捅了馬蜂窩的人。故事得從一個愛拆收音機的熊孩子說起。每個技術大佬的童年，似乎都離不開一台被拆得七零八落的家電。陳正坤禍害的是他爹的寶貝疙瘩，一台黑鐵皮收音機。在那個年代，這玩意兒約等於現在的頂配外星人電腦，還是帶RGB燈效的那種。趁著大人午睡，小陳同學就把這寶貝給肢解了，零件分門別類，線路畫在紙上。結局自然是被他爹一頓愛的教育，嘴裡罵著“敗家子”，心裡可能在想“這小子別是個人才”。事實證明，他爹有遠見。這股子拆東西的勁兒，硬是把他送進了清華，又送到了加州大學伯克利分校，讀博。那會兒的陳正坤，妥妥的天之驕子，前途一片光明，以為自己拿的是爽文男主劇本。但他不知道，劇本的開頭有多爽，後面的坑就有多大。在美國，他第一次見識到了什麼叫“技術霸權”的閉環。他在導師手下搞DRAM儲存晶片，原型機出來了，大家都很激動，覺得這玩意兒能改變世界。結果，美國企業立馬找上門，冷冰冰地甩下一句：“這技術涉及我們的專利，你們不能對外用。”導師拿著原型機，那聲嘆息，估計陳正坤記了一輩子：“技術不是自己的，連成果都做不了主。”這話什麼意思？意思就是，你在我的地盤上蓋房子，蓋得再漂亮，房產證也是我的。你只是個高級裝修工。博士畢業，他進了英特爾，成了技術骨幹，薪水高，地位也高。他主導研發的低功耗晶片，能讓筆記本續航憑空多倆小時。擱現在，這就是能讓所有996的兄弟們磕頭的功德。他以為自己證明了實力，但在一次會上，一個美國同事輕飄飄的一句話，直接把他幹破防了：“中國人也就只能買我們淘汰的技術，想碰核心？還早著呢。”這話的殺傷力，比扣一個月獎金還大。它翻譯過來就是：你很能幹，但你不是我們的人，永遠都不是。那天晚上，陳正坤失眠了。童年拆收音機的興奮，導師的嘆息，同事的嘲諷，在他腦子裡循環播放。他突然想明白了，給別人當金牌打工人，就算幹到退休，也只是讓人家的帝國大廈更高一點。自己的家，還是個茅草屋。這口氣，嚥不下去。於是，2002年，他辭掉了英特爾的高薪工作，提桶跑路，回了台灣，加入了一家叫瑞晶電子的公司。那時候的瑞晶，離倒閉也就差一口氣。他帶著一個五人小組，死磕當時國產晶片的癌症——散熱。晶片一跑就發燒，一燒就罷工，跟夏天不開空調的胖子一樣脆弱。陳正坤直接把鋪蓋搬進無塵車間，穿著兔子一樣的防護服，一待就是兩天兩夜。最後，他們找到一種國產散熱矽膠，配合設計最佳化，硬是把晶片功耗乾下來40%。這一搞，直接捅破了美日長達20年的技術壟斷。瑞晶股價三年翻了400%，陳正坤成了圈裡的“技術教父”。你以為故事到這就圓滿了？太年輕了。現實專治各種不服。沒過幾年，財大氣粗的美國巨頭美光，直接把瑞晶給收購了。陳正坤雖然當上了台灣區總裁，但身份又回到了高級打工人。當他想把更牛逼的32奈米技術在本土落地時，美國總部一句話就給否了：“核心技術必須留在我們手裡。”更騷的操作是，他連核心研發資料都碰不到，每次去要，都被“商業機密”四個大字給懟回來。這叫什麼？這就叫明明你是廚房總管，但菜譜在老闆的保險櫃裡，你每天只能按他的要求炒那幾個菜。這種憋屈，比在英特爾時更甚。因為這一次，他是眼睜睜看著自己的孩子，被別人抱走，還不讓自己親近。2016年，他再次遞交了辭呈。這一次，他要去一個能自己說了算的地方。海峽對岸，福建晉江，一家叫“晉華”的公司剛剛成立。陳正坤帶著幾個老部下，義無反顧地紮了進去。條件比瑞晶初期還苦，裝置沒有，人才沒有，什麼都沒有。但人有一口氣，就能幹出奇蹟。他們的目標，是25奈米DRAM晶片。這玩意兒，是所有電子產品的“短期記憶”，我們95%都靠進口，是真正卡脖子的領域。人家一斷供，你的手機電腦就得集體變磚。陳正坤帶著一群兩岸的工程師，沒日沒夜地干。終於，資料出來了：良率從60%幹到90%，速度比美光同代產品還快8%，成本低了12%。這一下，不是捅了馬蜂窩，是直接把人家的祖墳給刨了。美國人徹底坐不住了。他們不能容忍，在自己定義的遊戲規則裡，居然有人要掀桌子，自己另開一局。於是，一場針對陳正坤和晉華的“霸權主義豪華午餐”開始了。首先是輿論戰和法律戰，也就是開頭那幕，全球通緝，把你污名化成“商業間諜”。然後是供應鏈絞殺。美國商務部一紙令下，晉華被拉進“實體清單”。美光聯合一眾美國裝置廠商，瞬間斷供。荷蘭ASML的光刻機也別想了。晉華的生產線一夜之間變成了廢鐵，幾個月損失超200億美元。最狠的是釜底抽薪。他們逼著晉華的合作夥伴，台灣聯電，終止合作，反過來“協助調查”晉華。聯電交了6000萬美元罰款，乖乖照辦。這套組合拳，招招致命，就是要讓你死。所有人都以為晉華完了，陳正坤完了。但他們低估了一個技術宅的倔強。陳正坤沒跑也沒躲，他幹了一件讓所有人驚掉下巴的事：起訴美光。你告我偷竊？我反告你侵犯我的專利。庭審上，戲劇性的一幕出現了。美光指控陳正坤“竊取”的核心技術，被律師拿出了一份證據——一篇1988年發表在清華學報上的論文，作者，正是當年還是個青澀大學生的陳正坤。這就相當於，你指責鄰居偷了你家的傳家寶，結果人家拿出族譜證明，這玩意兒壓根就是他爺爺傳下來的。這就叫天道好輪迴，蒼天饒過誰。美光的指控不攻自破，最後反被判賠償1.96億，多款產品被禁售。法律上贏了，只是出了口惡氣。真正的戰場，還是在實驗室。裝置被斷供，陳正坤就帶著團隊硬改國產裝置，把裡面的美國技術佔比從68%壓到12%。沒有光刻機，他們就搞堆疊封裝技術。你卡我脖子，我就自己長出三頭六臂。當外界的喧囂還在繼續時，2021年，一個消息從晉江傳出：晉華搞出了完全自主的25奈米儲存晶片，功耗還能再降15%。這個方案，後來還成了行業技術標準。什麼叫話語權？我定的標準，就是話語權。到了這一步，美國的圍剿已經成了一個笑話。2023年底，美光主動提出和解。2024年，美國司法部在夜深人靜的時候，悄悄刪掉了網站上的通緝令，連句“不好意思搞錯了”都沒說。就這麼算了。風波過後，陳正坤沒有開香檳慶祝，而是回到了實驗室，繼續帶著年輕人，朝著3奈米晶片的更高峰攀登。如今，中國的晶片產業，正在從被圍堵的絕境中，硬生生殺出一條血路。28奈米裝置國產化率超過60%，各種關鍵材料開始自給自足。而那個當年拆收音機的少年，早已兩鬢斑白。他的白大褂袖口磨出了毛邊，眼鏡上或許還沾著煙塵，但他用半輩子的顛沛流離和堅持，詮釋了一個最樸素的道理：真正的核心技術，不是程式碼，不是公式，更不是什麼狗屁專利。真正的核心技術，是打不垮、罵不倒、壓不彎的那口氣。是中國人的骨氣。 (走向科學)

在北美矽谷大廠裡用中文聊天到底算不算一種“文化冒犯”？部分白人員工：不懂普通話的我像身處地獄華人員工be like：1. Meta上熱搜，因為中國人太多？最近，Meta 的華人員工又一次被推到了風口浪尖。cr. Blind大概意思是，有個哥們在Blind發帖稱Meta華人太多，結果底下有個回覆就開始控訴華人四宗罪：1、中國人在正式會議中說英文，但一結束就用中文交流；2、中國人會排斥非中國人，比如午餐絕不會邀請非中國人加入；3、他們當中很多人英語水平很差，以至於很難理解他們所說的內容；4、他們當中有些人沒有邊界感。這位樓主表示，Meta廣告部門尤其是在門洛帕克總部，他所在的團隊中國人佔比80%。這對於完全不懂普通話的他來說簡直是噩夢。有多少朋友看完第一反應be like：以下是辯方有理有據的發言“英語母語者終於體會到了非英語者在英語世界裡的邊緣處境，我願稱之為當白人成為minority之後的破防”：“吃飯不帶非華人，有沒有可能是白人飯太難吃”以及“合理懷疑是三哥在挑撥離間”：總結一下大家的最終論點：以上截圖源自xiaohongshustatista曾在2022年統計過Meta技術部門和非技術部門中各大族裔的佔比，技術部門中亞裔佔比最高，達到了55.8%：cr. statista2. Meta不是個例，華人改變科技格局其實這已經不是Meta第一次因為華人太多而被控訴，一年前也有類似的吐槽帖出現在Reddit：評論區的資料其實比樓主的吐槽更精彩。“在矽谷隨便挑一家公司，你就會發現工程部門大多是中國人和印度人，不僅僅是在Meta”“大型科技公司60%是印度人，30%是中國人，初創公司仍有70%是白人的原因大機率是不提供sponsor…”以上截圖源自Reddit矽谷正走向“華人時代”最好的例子，就是2023年馬斯克創辦的xAI，創始團隊的12人中，有5位是華人科學家：吳宇懷：xAI核心科學家之一，出生在浙江，2021年獲多倫多大學機器學習博士學位，師從諾貝爾獎得主、深度學習之父Geoffrey Hinton；張國棟：本科畢業於浙大，後於多倫多大學獲得博士學位，同樣師從Geoffrey Hinton，加入xAI前，其職業經歷覆蓋微軟亞洲研究院、Google大腦、DeepMind等頂尖機構；此外，還有本碩就讀於哈佛大學數學系的楊格，本科畢業於清華大學，碩博畢業於卡內基梅隆大學的戴子航，以及吳宇懷的導師、同樣畢業於多倫多大學的Jimmy Ba。cr. 網路，左起分別為馬斯克、吳宇懷、Jimmy Ba今年科技AI圈反反覆覆的搶人大戰，更是證實了華人科學家正成為頂尖科技公司的核心力量。今年6月Meta成立了“超級智能實驗室”，整個團隊44個核心成員中，有超過一半是華人，小扎更是不惜重金招兵買馬，組建的“AI夢之隊”中，華人學者依舊超半數：7月，Meta又從Apple挖走了華裔基礎模型負責人龐若鳴（Ruoming Pang），年薪高達2億美元。Nvidia老總黃仁勳，6月直聘了量化華人、清華校友朱邦華和焦劍濤：黃仁勳與95後清華校友朱邦華根據MacroPolo資料，2019年美國頂級AI研究機構中，擁有本科中國國籍背景的研究人員佔比為29%，僅僅三年後的2022年，這個數字飆升至47%，而美國本土只有18%。毫無疑問的是，2025年隨著AI競爭的加劇，華人科學家的價值將進一步凸顯。為什麼華人工程師在矽谷如此受歡迎？簡單來說是因為他們在AI時代格外具有“最稀缺的高價值資源”。2025年第66屆國際數學奧林匹克競賽（IMO）共產生了72塊金牌，其中中國6名隊員全員奪金，滿分的5位金牌選手中，有2名是中國學生。中國教育體系從小就關注孩子的數學、物理等基礎學科訓練，華人工程師從小接受高強度數理教育，具備深厚的數學功底，如線性代數、機率論等。從晶片到模型，從硬體驅動到演算法驅動，AI競爭的核心已轉向演算法設計、架構創新與資料理解，而這些，恰恰是華人工程師與生俱來的強項。“華人科學家正在接管矽谷”正在成為事實。7月，黃仁勳在北京脫下標誌性皮衣，身著唐裝，用中文演講的行為似乎也在回應這一趨勢。黃仁勳 NVIDIA“中國做得太棒了！全球50%的AI研究人員是中國人，你無法阻止他們推進AI發展。”3. 華人站在矽谷中央，留學生如何入局？前兩年我們看科技圈，總是從layoffs.fyi的裁員資料上感到焦慮。但2025年，裁員大幅減少的同時，AI發展對華人的歡迎也給了所有向往矽谷的新人一顆定心丸。cr. layoffs.fyi如果想在未來的灣區擁有一席之地，有那些熱門的崗位值得留學生沖？1）演算法工程師Algorithm Engineer人工智慧領域的核心人才，主要負責研究、開發和最佳化各種人工智慧演算法。需要深入理解機器學習、深度學習等演算法原理，針對不同的業務場景設計和實現合適的演算法模型。要求從業者具備紮實的數學基礎（線性代數、機率統計）和機器學習理論，精通Python等程式語言，熟悉TensorFlow、PyTorch等深度學習框架，並且能夠從海量資料中挖掘有價值的資訊來最佳化演算法。學歷上本科是門檻，頭部企業更傾向碩士/博士。2）機器學習工程師Machine Learning Engineer機器學習工程師是專注於將機器學習模型落地應用的技術專家，主要負責模型訓練、最佳化和部署。他們需要紮實的Python/Java程式設計能力，精通TensorFlow/PyTorch框架，熟悉資料預處理、特徵工程和模型調優。與演算法工程師相比更側重工程實現，與資料科學家相比更專注技術落地。核心技能包括分散式運算、模型壓縮和雲端部署，需掌握Docker/Kubernetes等工具。企業招聘時看重工程能力和項目經驗，薪資範圍20-60萬，自動駕駛、推薦系統等領域需求旺盛，需具備將演算法轉化為實際產品的能力。3）提示詞工程師Prompt Engineer提示詞工程師（Prompt Engineer）是AI時代的新興職業，負責設計、最佳化和調整與大模型（如GPT、Claude等）互動的提示詞（Prompt），以提升AI輸出的精準度和實用性。企業招聘時通常要求本科及以上學歷（電腦、AI、語言學相關專業優先），熟悉Python程式設計及主流大模型（如LLaMA、DeepSeek）的調優方法，掌握思維鏈引導、角色扮演等Prompt Engineering技巧。還有更多AI時代熱門的崗位以及工作內容和招聘要求，WST為大家整理了一份檔案，需要的同學可以加入小助理獲取。過去幾年，就算你不是尖子生，但只要你畢業於名校，依舊可以收到多個工作類型、地點、薪水和僱主都很有吸引力的工作邀請。但現在的情況是，很多GPA高達4.0的優秀畢業生，連一個Offer也拿不到。時間線為王，低年級是超車的好機會對於想要留美上岸科技大廠的留學生們來說，2025年的機會是比2024年多，但相比繁盛時期依舊更少，但門檻卻因為AI的強勢加入而水漲船高，想要絲滑上岸也需要經歷一番苦戰。簡言之，大一大二打基礎階段則要付出更多的努力。這裡就不得不提許多海外頂級公司都會開放針對低年級學生的早期項目，既能快速瞭解行業狀況，感受企業氛圍，又可以瞭解公司內部的招聘流程，進而加速求職過程。別以為低年級項目只是諮詢/金融行業的專屬，基本上我們熟悉的幾個科技大廠都會開放低年級項目申請。有的是針對大一大二學生，而有的項目已經將年齡捲到了高中畢業生。Nvidia Ignite ProgramDuolingo Thrive ProgramMicrosoft Explore ProgramUber STAR項目Lyft Early Talent ProgramGoogle STEP項目（大一、大二學生可申請）；Summer of Code（面向高中畢業生的實習）Palantir Sophomore internship；Meritocracy Fellowship（面向高中畢業生的實習）Meta University項目Amazon Propel ProgramSalesforce、LinkedIn、Amex、Micron、Dropbox 、Capital One等公司也有相關低年級項目申請。 (WallStreetTequila)

大家好，我是艾倫。最近一直在當全端開發工程師，但開發前端遇到報錯的時候，總是要f12 看介面看各種報錯，然後再截圖給ClaudeCode。流程倒是不長，但就是很繁瑣。前段時間我還在想，Chrome 啥時候能出個能看網頁運行情況的MCP 啊。結果，就在前幾天，答案來了。Chrome 直接推出了一個叫做ChromeDevTools 的MCP。能夠直接在Chrome 瀏覽器中調試網頁，享受DevTools 的調試功能和效能分析能力。讓AI 終於能夠"開眼"寫程式碼了！知道這個MCP 的第一時間我就火速的打開ClaudeCode 進行安裝了。第一步，讓AI 學會登錄，像個真人一樣，能不能完成最基礎的操作。使用的方法很簡單，輸入前端的URL，然後輸入關鍵字"Chrome MCP"就可以將瀏覽器喚醒。然後再輸入我的要求，就可以看到瀏覽器在模擬我們的操作行為。點擊"登錄"按鈕，輸入使用者名稱和密碼，最後再點擊"登錄"。這不僅僅是自動化，這是「可視化」的自動化。它能重現Bug、測試複雜的使用者流程，這對於定位那些偶發性的、難以復現的Bug，價值無可估量。第二步，讓AI擁有“眼睛”，自己檢查工作。如果只是模擬操作，我覺得還不夠驚豔。真正的自動化，我覺得得讓它能自己檢查DevTools，自己檢查工作結果。http://localhost:3000/ 使用Chrome MCP 打開這個頁面，並輸入使用者名稱和密碼super_admin/123456，進入到我的頁面，在帳號設定中將手機號綁定/更換以及設定密碼這兩個填空欄全部刪除。最後核實這次修改是否按照預期進行。當我在最後加上了最後核實這次修改是否按照預期進行。 這句話時，Chrome MCP 會對介面進行一次截圖去檢視和記錄修改的結果。相當於他用自己的"眼睛"幫我們檢查了一遍，真正做到了我前面所說的"開眼"寫代碼。它不再是盲目執行指令的工具，而是一個能驗證結果、有閉環思維的夥伴。第三步，從前端開發到效能分析優化。Chrome MCP 在前端開發上的能力還遠不如此。我們還能讓它自動進行效能追蹤分析，診斷具體的效能瓶頸，例如過高的LCP（最大內容繪製）指標等。這個前端的終極難題，我現在把它拋給Chrome MCP。前端的頁面載入有點慢，Chrome MCP 去分析原因，讓它變快一些，再給我一個效能瓶頸的報告。Chrome MCP 發揮了它的優勢，我也直接一大個解放。再也不需要打開Chrome DevTools 效能介面去看渲染、指令碼執行、網路請求等耗時點了。現在Chrome MCP 自動幫我分析，找到了問題並直接上手改代碼。最後，一份詳盡的效能優化報告自動產生。我需要做的，僅僅是檢查一遍它的修改，然後提交。模擬器- 有"眼睛"的測試員- 性能優化專家。Chrome MCP 的出現，可以說徹底的改變了前端開發的方式，也可能徹底改變了前端開發者的命運。從繁瑣、重複的實現細節中解放出來，將更多精力投入更高維度的思考：系統架構的設計、業務邏輯的梳理、產品體驗的創新等。我們不再是那個需要時刻盯著儀表板的司機，而更像一個設定好目的地，並信任副駕駛能處理好路上一切狀況的領航員。讓機器做機器擅長的事，讓人回歸人擅長的創造。我想，這便是這場技術革命，帶給我們開發者最激動人心的未來。（阿倫AI工具庫）

最近，美國佐治亞州發生的一幕讓國際社會瞠目結舌：上千名執法者、幾百輛警車，甚至直升機和裝甲車齊齊出動，衝進韓國現代汽車和LG新能源合建的電池工廠，逮捕了475名工人，其中超過300人是韓國籍工程師和技術人員。他們被鐵鏈鎖住，有的被按倒在地，有的躲進污水池仍被拖出，場面如同對待重刑犯。而美方給出的理由，僅僅是“非法打工”。這些技術人員何至於淪為“非法打工者”？事實上，他們是拿了商務簽證、被韓國總部派來支援美國工廠項目的正規工程師。這座電池工廠本就是應美國政府“製造業回流”的號召而來，卻反遭美方粗暴對待，實在令人匪夷所思。事後川普的表態道出了真相：他們可以留下，但不能動手幹活，只准培訓美國工人。換句話說，美國要的不僅是韓國企業來投資，更要求它們把核心技術留下，把就業崗位留給美國人，甚至利潤也要大部分歸美國——至於韓國企業的成本和競爭力，那不是美國要考慮的事。這一事件，不過是近期韓國遭遇的一系列“暴擊”中的一環。此前，韓國剛剛在貿易談判中答應美國諸多苛刻條件：開放汽車醫藥市場、四年內採購千億美元能源、承受50%鋼鋁關稅，更須投資3500億美元——本質是把本國關鍵產業遷到美國。而這數字在李在明訪美後甚至追加到5000億，幾乎囊括三星、現代、LG等所有財團的核心產業。為什麼韓國如此“聽話”？究其根源，或許與國家立場和歷史脈絡有關。有人說“得國正，則國運昌”，而韓國恰是一個“得國不正”的典型。它既未經歷真正意義上的獨立革命，也未徹底清理日殖時期的舊勢力。從朴正熙到各大財閥，很多源頭可追溯至日本扶植的偽政府時期。建國後全靠美國援助和越南戰爭中的“勞務輸出”賺取第一桶金，缺乏自主積澱。這也導致其在安全與經濟上極度依賴美國。面對朝鮮上萬門火炮瞄準首爾的現實，韓國別無選擇，只能不斷向美國交納“保護費”，容忍一次次不平等條約。李在明訪美時遭遇的冷待和川普的“開門見山”——質疑其總統合法性、要求漲軍費、甚至索要美軍基地土地所有權，都反映出了韓國外交的屈辱與無奈。而美國的意圖已非常清晰：不只是要讓企業回流，更是要掏空盟友的技術與工業根基。同樣遭遇的或許還將包括日本、歐盟、沙烏地阿拉伯等——它們也都承諾了數千億的對美投資，涵蓋汽車、能源、半導體等核心領域。一旦技術被轉讓、產能被轉移，美國再輔以高額關稅，這些國家的工業體系將面臨空心化。“輕信美國，輕則困頓，重則亡國。”這句話在今天聽來依然警醒。妥協和退讓換不來尊重，最終只會讓自己淪為附庸。縱觀全球，真正能做到獨立自主、得國之路光明正大的，終究是那些敢於鬥爭、堅持自我道路的國家。這並不是簡單的國際新聞，而是一堂真實的地緣政治課：一個國家若沒有自主的決心和能力，再光鮮的經濟成果，也可能在強權面前瞬間崩塌。 (曾楊清評論)