即刻App年轻人的同好社区
下载
黄仁勋出轨的这位 Alice Huang（黄乐），这几年干的生意，说白了，就是倒腾芯片。
她背后有一家新加坡云计算公司，叫 Megaspeed。
根据彭博社对海关数据的分析，从2023年到2025年，这家公司进口的英伟达硬件价值至少46亿美元，涉及至少13.6万颗 GPU，其中超过一半都是 Blackwell 系列。
大家想想，这是什么概念？
一家名不见经传的云计算公司，短短两三年，就成了英伟达在东南亚最大的芯片买家。
但更蹊跷的是，黄乐和这家公司的关系。
根据新加坡的工商记录，2023年3月，黄乐出任 Megaspeed 的董事总经理。但仅仅过了8个月，到了同年11月，她就退出了公司的法定董事名单，公司的股权也已经转手。
也就是说，从工商登记来看，黄乐当时就已经退出了这家公司的管理层。
可到了2024年6月，她又出现在台北的一场行业聚会上，和黄仁勋同框。至少在那个时候，两个人就已经有了直接的商业接触。
紧接着到了2025年，Megaspeed 的芯片采购规模迅速膨胀。
今年5月，一家叫 Culper Research 的做空机构说他们采访过Megaspeed 的在职员工，这名员工说，虽然黄乐在公开资料中已经离职，但实际上，她仍然是他们的老板。
所以目前来看，这一切的管理权退出都是刻意为之。
另外，关于 Alice Huang 的年纪，保守估计，应该是在 40 岁之上。根本不是大家谣传的 20 多岁。
她背后有一家新加坡云计算公司，叫 Megaspeed。
根据彭博社对海关数据的分析，从2023年到2025年，这家公司进口的英伟达硬件价值至少46亿美元，涉及至少13.6万颗 GPU，其中超过一半都是 Blackwell 系列。
大家想想，这是什么概念？
一家名不见经传的云计算公司，短短两三年，就成了英伟达在东南亚最大的芯片买家。
但更蹊跷的是，黄乐和这家公司的关系。
根据新加坡的工商记录，2023年3月，黄乐出任 Megaspeed 的董事总经理。但仅仅过了8个月，到了同年11月，她就退出了公司的法定董事名单，公司的股权也已经转手。
也就是说，从工商登记来看，黄乐当时就已经退出了这家公司的管理层。
可到了2024年6月，她又出现在台北的一场行业聚会上，和黄仁勋同框。至少在那个时候，两个人就已经有了直接的商业接触。
紧接着到了2025年，Megaspeed 的芯片采购规模迅速膨胀。
今年5月，一家叫 Culper Research 的做空机构说他们采访过Megaspeed 的在职员工，这名员工说，虽然黄乐在公开资料中已经离职，但实际上，她仍然是他们的老板。
所以目前来看，这一切的管理权退出都是刻意为之。
另外，关于 Alice Huang 的年纪，保守估计，应该是在 40 岁之上。根本不是大家谣传的 20 多岁。
21 83
听歌，音乐软件随机播放到一首老歌。熟悉的旋律让我突然想起来一个老朋友。
十六七岁时，我们整天在一起玩，上了大学还老打电话，后来不知道怎么就走散了。
互联网上也是，很多印象深刻的网友突然有一天就不怎么互动了。
人和人的关系，一段一段的。能像溪水一样，咕咚咚一直流淌的，永远是少数。
十六七岁时，我们整天在一起玩，上了大学还老打电话，后来不知道怎么就走散了。
互联网上也是，很多印象深刻的网友突然有一天就不怎么互动了。
人和人的关系，一段一段的。能像溪水一样，咕咚咚一直流淌的，永远是少数。
5 00
终于搞明白腾讯乐享这样的 AI 知识库想要解决的问题了。这两天上手用了一下，感觉这个产品应该可以解决很多企业在使用 AI 时遇到的问题。
其实，叫它知识库，已经不够准确。
毕竟过去我们一提到知识库，想到的就是把一堆文件放进去，方便搜索和查阅。但现在企业级知识库一个很重要的作用，是为 Agent 提供企业的 Context。
所以，更准确地说，可以把企业知识库理解成 Agent 的 Context 中枢。这就是腾讯乐享正在做的事情。
可能很多人会和我一样，刚开始会觉得，现在 Codex、Claude Code、WorkBuddy 这样的 Agent 已经很强大了，直接通过 MCP、CLI 等方式就能够获取企业内部的 Context，为什么还需要独立的知识库层？
1
是这样，如果一家公司的知识来源比较单一，文档结构也很清晰，那确实没必要再单独建设一套企业知识库。
但只要公司规模稍微大一些，就会发现很多知识其实分散在不同的系统中。有些来自企业微信、飞书这样的 IM 和办公平台，有些来自内部的研发管理系统，还有些来自 CRM、财务系统、OA 等等。
而且，在不同的系统里，同一件事可能还存在不同的版本。
比如同样一款产品，针对不同的客户、地区和销售渠道，可能有不同的报价。一份文档里写着 388 元，另一份写着 488 元。
这俩价格可能都没错，但 AI 在给客户准备报价时，到底应该使用哪一个？
其实这就是企业知识库的价值。
一方面，它可以连接企业内部不同的知识来源，把这些分散的信息统一组织起来。另一方面，它会对这些信息进行加工和治理。
否则，连接的系统越多，Agent 拿到的资料反而可能越混乱。
2
理解到这之后，接下来还有一个问题。
既然企业知识库这么重要，那我们自己做一套不就行了吗？这不就是 RAG 吗？
我之前其实也这么想过，而且自己还动手搭过类似的系统。
如果按照比较基础的 RAG 方案，我们通常会先把企业文档导入知识库，解析出其中的内容，再切成一个个片段，转换成向量，建立检索索引。
等 AI 需要查询某个问题时，再通过关键词或者向量检索，根据相似度找到最相关的几个片段，交给模型生成答案。
这个办法当然能够解决不少问题，但它有一个挺大的局限。
因为文档一旦被切成很多片段，就可能丢失原来的结构和上下文关系。
比如一份产品手册，里面有不同型号的价格、使用条件和适用地区。如果切片处理得不好，价格可能被分到一个片段，适用条件又在另一个片段里。
等 AI 检索的时候，可能只找到了价格，却遗漏了对应的使用条件。
而且，向量检索主要依赖语义相似度。但大家想想，我们在实际工作中查找资料，需要考虑的往往远远不止相似度。
比如一份资料是不是最新的，来自哪个部门，有没有经过正式审批，适不适用于当前的客户。
很多时候，最相似的那份资料，未必就是最应该使用的。
所以，如果只依赖基础的切片和相似度检索，处理复杂的企业知识，有时候就像盲人摸象。
它可能找到了大象的一条腿、一只耳朵，却没有把这些信息之间的关系弄明白。最后拼凑出来的答案，看起来有理有据，实际上可能并不完整。
3
这也是腾讯乐享这样的企业知识库，重点解决的问题。
研究了他们的技术方案之后，我发现，乐享在传统 RAG 的基础上，又增加了一整套知识加工和治理的流程。
通过 API、连接器等方式接入企业知识后，乐享会先对资料进行解析和清洗，再进一步理解这些知识背后的业务含义，以及它们之间的关系。
为此，他们设计了一套叫可信索引的技术方案，主要涉及本体（Ontology）、知识图谱和 LLM Wiki。
这三个东西，可以顺着知识的加工过程来理解。
本体主要解决业务概念的统一问题。 比如一家企业有哪些业务对象，各自有什么属性，以及它们之间遵循什么关系和规则。
举个例子，在腾讯云内部，同样一种云服务器产品，在不同系统中可能有不同叫法，有的叫 CVM，有的叫云主机。
对于熟悉业务的员工，这些名称很容易理解。但对 AI 来说，如果没有明确的业务定义，就可能把它们当成不同的东西。
所以，乐享会利用 AI 辅助提取企业内部的业务概念，再由相关的业务人员确认和调整，形成一套统一的定义。
有了这些定义，下一步就是构建知识图谱。
比如企业内部有哪些产品、型号、客户和销售渠道，不同产品分别对应哪些价格和版本，它们之间有什么关联。
乐享会从不同的资料中提取这些信息，把原本分散在不同文档里的知识关联起来。
这就有点像，原来我们只有一堆相互独立的文档，现在不仅知道每份文档里写了什么，还能知道它们之间存在什么关系。
不过，知识图谱虽然方便 AI 理解和检索，但对于普通员工来说，一张包含大量节点和关系的图，还是很难看懂。
所以，乐享又利用 LLM Wiki，把同一主题下的知识整理成结构清晰的知识卡片。
这样，员工可以直接查看和修改，Agent 也可以从中获取相关知识。
我觉得这套设计挺有意思。
4
当然，不同场景不一定需要用上全部能力。简单的知识问答，基础 RAG 可能就已经足够了。
但对于复杂的企业业务，这种知识组织方式确实有价值。
还是前面那个产品报价的例子。即使使用最聪明的模型，但如果它拿到的资料只有 388 元，没有对应客户的正确报价和适用条件，最后照样可能犯错。问题就出在一开始提供的 Context 不完整。
相比只依靠文字相似度检索，这样有机会找到更完整、更适用的信息。
不过，还有一个问题。
企业的知识是不断动态更新的。
如果知识库没有及时更新，即使前面的知识图谱建得再好，Agent 最后拿到的也可能是过期信息。
所以，乐享还对应做了一套持续的知识治理机制。
第一，通过 AI 巡检，发现知识库中重复、冲突、过期或者敏感的内容，再交给相关负责人确认和处理。
第二，员工在日常使用 Agent 时，如果发现某些信息不准确，或者找不到本来应该存在的资料，也可以把这些问题反馈回来，推动知识库更新。
比如系统发现同一款产品存在两份不同的报价，就可以结合资料来源、版本和有效期，把差异呈现给管理员。
毕竟，AI 不能简单地认为最后更新的那份资料就一定正确。最近修改的可能只是还没有批准的草稿，而之前的正式报价仍然有效。
确认之后，相关知识和索引也需要同步更新，避免 Agent 下次继续使用错误信息。
4
其实，说白了，腾讯乐享做的事情，就是把企业原本分散、混乱的资料，整理成有明确关系、版本、来源和适用条件的知识。
这样 Agent 每次执行任务时，就不用反复从大量原始资料中寻找和判断，也能减少因为拿错信息而犯错的概率。
我现在越来越强烈的一个感觉是，对于企业里的很多日常任务，目前的模型能力其实已经够用了。真正影响 Agent 工作质量的，很多时候是它能不能拿到准确、完整的 Context。
比如前面提到的产品报价。假设 AI 拿到的资料只有 388 元，却没有拿到针对特定客户的 488 元报价，那即使使用最聪明的模型，也很难凭空知道这个差别。
最后给客户报错了价格，你很难说这是模型能力不够。问题很可能在于，一开始提供给它的信息就不完整。
所以我觉得，腾讯乐享这类企业知识库产品，接下来会越来越重要。
硅谷有一家叫 Glean 的创业公司，做的也是企业 Context。它在今年 5 月宣布，年化收入已经达到 3 亿美元，而 15 个月前才刚刚突破 1 亿美元。
毕竟，随着越来越多的工作交给 Agent，企业对 AI 的要求也会越来越高。模型能力当然还会继续提升，但每家企业自己的业务规则、客户信息和长期积累的经验，不会自动出现在模型里。
模型可以越来越聪明，但如果它不了解你的公司，很多工作依然做不好。
只有把企业的知识和经验准确的提供给Agent，这样它才可能逐渐接近企业内部资深员工的工作水平。
其实，叫它知识库，已经不够准确。
毕竟过去我们一提到知识库，想到的就是把一堆文件放进去，方便搜索和查阅。但现在企业级知识库一个很重要的作用，是为 Agent 提供企业的 Context。
所以，更准确地说，可以把企业知识库理解成 Agent 的 Context 中枢。这就是腾讯乐享正在做的事情。
可能很多人会和我一样，刚开始会觉得，现在 Codex、Claude Code、WorkBuddy 这样的 Agent 已经很强大了，直接通过 MCP、CLI 等方式就能够获取企业内部的 Context，为什么还需要独立的知识库层？
1
是这样，如果一家公司的知识来源比较单一，文档结构也很清晰，那确实没必要再单独建设一套企业知识库。
但只要公司规模稍微大一些，就会发现很多知识其实分散在不同的系统中。有些来自企业微信、飞书这样的 IM 和办公平台，有些来自内部的研发管理系统，还有些来自 CRM、财务系统、OA 等等。
而且，在不同的系统里，同一件事可能还存在不同的版本。
比如同样一款产品，针对不同的客户、地区和销售渠道，可能有不同的报价。一份文档里写着 388 元，另一份写着 488 元。
这俩价格可能都没错，但 AI 在给客户准备报价时，到底应该使用哪一个？
其实这就是企业知识库的价值。
一方面，它可以连接企业内部不同的知识来源，把这些分散的信息统一组织起来。另一方面，它会对这些信息进行加工和治理。
否则，连接的系统越多，Agent 拿到的资料反而可能越混乱。
2
理解到这之后，接下来还有一个问题。
既然企业知识库这么重要，那我们自己做一套不就行了吗？这不就是 RAG 吗？
我之前其实也这么想过，而且自己还动手搭过类似的系统。
如果按照比较基础的 RAG 方案，我们通常会先把企业文档导入知识库，解析出其中的内容，再切成一个个片段，转换成向量，建立检索索引。
等 AI 需要查询某个问题时，再通过关键词或者向量检索，根据相似度找到最相关的几个片段，交给模型生成答案。
这个办法当然能够解决不少问题，但它有一个挺大的局限。
因为文档一旦被切成很多片段，就可能丢失原来的结构和上下文关系。
比如一份产品手册，里面有不同型号的价格、使用条件和适用地区。如果切片处理得不好，价格可能被分到一个片段，适用条件又在另一个片段里。
等 AI 检索的时候，可能只找到了价格，却遗漏了对应的使用条件。
而且，向量检索主要依赖语义相似度。但大家想想，我们在实际工作中查找资料，需要考虑的往往远远不止相似度。
比如一份资料是不是最新的，来自哪个部门，有没有经过正式审批，适不适用于当前的客户。
很多时候，最相似的那份资料，未必就是最应该使用的。
所以，如果只依赖基础的切片和相似度检索，处理复杂的企业知识，有时候就像盲人摸象。
它可能找到了大象的一条腿、一只耳朵，却没有把这些信息之间的关系弄明白。最后拼凑出来的答案，看起来有理有据，实际上可能并不完整。
3
这也是腾讯乐享这样的企业知识库，重点解决的问题。
研究了他们的技术方案之后，我发现，乐享在传统 RAG 的基础上，又增加了一整套知识加工和治理的流程。
通过 API、连接器等方式接入企业知识后，乐享会先对资料进行解析和清洗，再进一步理解这些知识背后的业务含义，以及它们之间的关系。
为此，他们设计了一套叫可信索引的技术方案，主要涉及本体（Ontology）、知识图谱和 LLM Wiki。
这三个东西，可以顺着知识的加工过程来理解。
本体主要解决业务概念的统一问题。 比如一家企业有哪些业务对象，各自有什么属性，以及它们之间遵循什么关系和规则。
举个例子，在腾讯云内部，同样一种云服务器产品，在不同系统中可能有不同叫法，有的叫 CVM，有的叫云主机。
对于熟悉业务的员工，这些名称很容易理解。但对 AI 来说，如果没有明确的业务定义，就可能把它们当成不同的东西。
所以，乐享会利用 AI 辅助提取企业内部的业务概念，再由相关的业务人员确认和调整，形成一套统一的定义。
有了这些定义，下一步就是构建知识图谱。
比如企业内部有哪些产品、型号、客户和销售渠道，不同产品分别对应哪些价格和版本，它们之间有什么关联。
乐享会从不同的资料中提取这些信息，把原本分散在不同文档里的知识关联起来。
这就有点像，原来我们只有一堆相互独立的文档，现在不仅知道每份文档里写了什么，还能知道它们之间存在什么关系。
不过，知识图谱虽然方便 AI 理解和检索，但对于普通员工来说，一张包含大量节点和关系的图，还是很难看懂。
所以，乐享又利用 LLM Wiki，把同一主题下的知识整理成结构清晰的知识卡片。
这样，员工可以直接查看和修改，Agent 也可以从中获取相关知识。
我觉得这套设计挺有意思。
4
当然，不同场景不一定需要用上全部能力。简单的知识问答，基础 RAG 可能就已经足够了。
但对于复杂的企业业务，这种知识组织方式确实有价值。
还是前面那个产品报价的例子。即使使用最聪明的模型，但如果它拿到的资料只有 388 元，没有对应客户的正确报价和适用条件，最后照样可能犯错。问题就出在一开始提供的 Context 不完整。
相比只依靠文字相似度检索，这样有机会找到更完整、更适用的信息。
不过，还有一个问题。
企业的知识是不断动态更新的。
如果知识库没有及时更新，即使前面的知识图谱建得再好，Agent 最后拿到的也可能是过期信息。
所以，乐享还对应做了一套持续的知识治理机制。
第一，通过 AI 巡检，发现知识库中重复、冲突、过期或者敏感的内容，再交给相关负责人确认和处理。
第二，员工在日常使用 Agent 时，如果发现某些信息不准确，或者找不到本来应该存在的资料，也可以把这些问题反馈回来，推动知识库更新。
比如系统发现同一款产品存在两份不同的报价，就可以结合资料来源、版本和有效期，把差异呈现给管理员。
毕竟，AI 不能简单地认为最后更新的那份资料就一定正确。最近修改的可能只是还没有批准的草稿，而之前的正式报价仍然有效。
确认之后，相关知识和索引也需要同步更新，避免 Agent 下次继续使用错误信息。
4
其实，说白了，腾讯乐享做的事情，就是把企业原本分散、混乱的资料，整理成有明确关系、版本、来源和适用条件的知识。
这样 Agent 每次执行任务时，就不用反复从大量原始资料中寻找和判断，也能减少因为拿错信息而犯错的概率。
我现在越来越强烈的一个感觉是，对于企业里的很多日常任务，目前的模型能力其实已经够用了。真正影响 Agent 工作质量的，很多时候是它能不能拿到准确、完整的 Context。
比如前面提到的产品报价。假设 AI 拿到的资料只有 388 元，却没有拿到针对特定客户的 488 元报价，那即使使用最聪明的模型，也很难凭空知道这个差别。
最后给客户报错了价格，你很难说这是模型能力不够。问题很可能在于，一开始提供给它的信息就不完整。
所以我觉得，腾讯乐享这类企业知识库产品，接下来会越来越重要。
硅谷有一家叫 Glean 的创业公司，做的也是企业 Context。它在今年 5 月宣布，年化收入已经达到 3 亿美元，而 15 个月前才刚刚突破 1 亿美元。
毕竟，随着越来越多的工作交给 Agent，企业对 AI 的要求也会越来越高。模型能力当然还会继续提升，但每家企业自己的业务规则、客户信息和长期积累的经验，不会自动出现在模型里。
模型可以越来越聪明，但如果它不了解你的公司，很多工作依然做不好。
只有把企业的知识和经验准确的提供给Agent，这样它才可能逐渐接近企业内部资深员工的工作水平。
23 48
Paul Graham 的这篇博客写的真好，常读常新。
一个人应该做些什么？这问题或许听起来很奇怪，像是小孩子喜欢问的宏大问题。
我的答案是，一个人应该：创造好的事物。我无法证明这是最优选择，但可以解释下自己的逻辑。
最能体现人性智慧的方式就是思考。但证明一个人有深刻思考的方式，就是创造好的事物。
这种生活态度会鼓励我们创造，而非批判。当然，批判性的想法也是有价值的，但终究不如创造有价值。
从西塞罗到孔子，他们都讨论过人应该做什么。他们的答案高度趋同，认为一个人要有智慧、要勇敢、要诚实。这些话当然很有道理，但我觉得品德应该为创造新事物服务。
你可能会问，怎么才算创造新事物？我也不知道，不敢随便给出定义。我的感觉是如果你对某个不受重视的领域充满热情，并能阐明其被忽视的价值，这不仅是可以从事的工作，更值得全力追寻。
所以，我的人生准则是：帮助他人，创造好的新事物。不同的人会以不同的程度来实践这些原则。
可能会有很多人完全专注于帮助他人。也会有一些人主要专注于创造新事物。
但即使是后者，也应该确保他们创造的新事物不会对人类或世界造成伤害。
paulgraham.com
一个人应该做些什么？这问题或许听起来很奇怪，像是小孩子喜欢问的宏大问题。
我的答案是，一个人应该：创造好的事物。我无法证明这是最优选择，但可以解释下自己的逻辑。
最能体现人性智慧的方式就是思考。但证明一个人有深刻思考的方式，就是创造好的事物。
这种生活态度会鼓励我们创造，而非批判。当然，批判性的想法也是有价值的，但终究不如创造有价值。
从西塞罗到孔子，他们都讨论过人应该做什么。他们的答案高度趋同，认为一个人要有智慧、要勇敢、要诚实。这些话当然很有道理，但我觉得品德应该为创造新事物服务。
你可能会问，怎么才算创造新事物？我也不知道，不敢随便给出定义。我的感觉是如果你对某个不受重视的领域充满热情，并能阐明其被忽视的价值，这不仅是可以从事的工作，更值得全力追寻。
所以，我的人生准则是：帮助他人，创造好的新事物。不同的人会以不同的程度来实践这些原则。
可能会有很多人完全专注于帮助他人。也会有一些人主要专注于创造新事物。
但即使是后者，也应该确保他们创造的新事物不会对人类或世界造成伤害。
paulgraham.com
23 23
Anthropic 技术总监写给年轻程序员的一些建议。
刚看到 Anthropic 一位 Engineering Manager 的分享，感觉很有意思。
他说，他们团队这个月已经取消了招聘流程中的 Coding Interview，也就是我们熟悉的现场编程题。
因为 AI 在编程方面已经很强了，现场让候选人完成一个 React 编程题，或者考察一些具体的编程知识，通过这些题目来筛选人才，已经没有太大意义了。
而且他发现，自己团队中，那些真正能够创造巨大价值的工程师，未必在传统编程测试中表现得最好。
过去很多科技公司招聘程序员，基本上都把编程能力作为一项非常重要的考核指标。之前我还是程序员的时候，面试前最重要的准备就是刷 LeetCode。
但随着 AI Coding 的快速发展，一名优秀工程师的评价标准，显然也在发生变化。
传统 Coding Interview 可能真的应该彻底取消了。
其实，软件工程这些年的发展，本身就是一个不断提高抽象层级的过程。
最早，程序员需要直接编写汇编。后来有了 C 这样的高级语言，再后来是面向对象编程，以及各种框架和组件。
随着越来越多的底层细节被封装起来，程序员可以用更少的代码，完成更复杂的工作。
现在，AI Coding 又把抽象层级往上抬了一层。过去需要程序员亲自编写和调试的代码，现在很大一部分可以交给 AI 完成。
既然传统 Coding Interview 已经很难准确判断一名工程师的实际价值，那么未来应该怎么招聘程序员？
Anthropic 的这哥们说，他现在筛选简历时，会特别关注候选人过去做过的产品，哪怕只是一个很小的原型。
因为通过这些作品，可以直接考察候选人的品味、同理心和思考深度。这些可能都比 Coding 能力重要。
我解释下自己对这三个品质的理解。
品味，也就是 Taste，指的是一个人的判断能力和审美。培养品味其实没有那么复杂，核心就是多看好的东西，然后不断实践，在实践中获得反馈，反复调整。
比如，经常接触优秀的设计和产品，时间久了，自然会慢慢形成自己的判断。
再自己动手做一些东西，就会发现，原来这个页面的元素太多了，那个地方的渐变色有点土，某个按钮去掉之后更简洁......
品味很难通过学习某个理论就掌握，还是需要不断接触优秀的东西，再通过实践慢慢培养。
同理心的话，好像这个词前几年在国内职场也经常被提起。
简单来说，就是能够站在别人的角度思考问题，不要总沉浸在自己的世界里。
比如，很多工程师长期开发一款产品，对各种功能和操作流程已经非常熟悉，觉得很多设计理所当然。但对于普通用户来说，可能用起来就特别别扭。
优秀的工程师需要能够站在真实用户的角度，理解他们的需求和使用产品时的感受，发现那些自己已经习以为常的问题。
想起张一鸣以前讲过一句话，同理心是地基，想象力是天空，中间是逻辑和工具。
这个理解挺好的。毕竟，如果连用户真正需要什么都不了解，产品做得再复杂，功能再丰富，也未必有什么价值。
最后是 Principled Thinking，其实就是一个人的逻辑思维能力。
开发产品的过程中，总会面临各种各样的选择。为什么要开发这个功能，为什么采用这样的技术方案，又为什么放弃其他方案？
这些决定背后，都应该有清晰的判断依据。尤其是现在有了 AI，技术实现越来越容易，但也不能想到什么就做什么，更不能 AI 给出什么方案，就直接照着执行。
说完面试，我们再聊下年轻程序员的出路。毕竟现在有一种特别流行的观点，认为 AI 对年轻工程师，尤其是缺少工作经验的程序员越来越不友好。
但 Anthropic 这哥们却有不同的看法。
因为他发现，一些刚进入公司的年轻工程师，正在快速超越那些工作经验更丰富、甚至编程能力更强的资深工程师。
一个很重要的原因是，过去需要多年积累的技术经验，现在 AI 已经能够帮年轻人弥补一部分。
即使编程能力还没那么强，他们也有机会快速把自己的想法变成产品，创造出更大的业务价值。
而且，年轻人还有一个很大的优势，就是敢想敢干，有激情，也有野心。
大部分人年轻的时候都是这样，荷尔蒙爆棚，看到什么新鲜的东西都想试试，也没有那么多历史包袱。
进取心胜过资历。
当然，年轻工程师也有自己的劣势。比如他们在组织里没有那么高的地位，也缺少足够的话语权，在一些具体的问题上缺乏经验，所以下的判断可能会绕弯路。
这些就是硬币的两面。但核心是，年轻的工程师没必要妄自菲薄。AI 对所有人都是巨大的机会，没有厚此薄彼。
他给年轻工程师提供了几条建议，我觉得真是金玉良言啊，对所有人都适用。
第一，不要只盯着分配给自己的任务。
早在 2011 年，Patrick McKenzie 就写过一篇很经典的文章，叫《Don't Call Yourself a Programmer》。
里面有句话非常经典：企业雇用工程师，是为了创造商业价值，而不只是编写程序。
对于年轻工程师来说，首先应该搞清楚自己的公司究竟想实现什么目标。如果公司规模比较大，那至少应该理解自己所在部门最重要的业务目标是什么。
甚至可以再往上思考一层，看看自己主管的主管，究竟在为什么事情负责。
要不然很多工程师还是会把自己局限到代码当中。
但公司真正关心的，可能是提高客户留存率、改善产品体验，或者增加收入。
第二，提出一个足够大胆的想法。
不要只想着在现有产品上做一些小修小补。
既然已经理解了公司的业务目标，那就应该认真思考，有没有什么新的产品或者技术方案，能够明显改善业务表现。
哪怕这个想法听起来有点激进，也值得尝试。
因为现在有了 AI，很多过去需要投入大量人力和时间才能验证的想法，已经可以用很低的成本尝试了。
第三，利用一个周末，把想法做出来。
这也是我觉得整篇文章里非常有启发的一条建议。
Anthropic 一些年轻工程师，或者只有几个人的小团队，直接跳过了过去那些繁琐的流程。
他们没有先花大量时间编写 PRD，也没有到处争取产品经理和设计师的支持。
而是利用 AI，在一个周末做出了可以实际运行的产品原型。
然后再拿着原型去沟通。
这两种方式的差别还是很大的。
因为当你只有一个想法的时候，其他人很难判断它到底有没有价值。但有了能够运行的原型，大家就可以直接上手体验，也更容易理解这个想法的价值。
而且，这个原型本身也证明了你有能力把事情做出来。
第四，一个原型最好只表达一个核心想法。
很多年轻工程师容易犯一个错误，就是过于兴奋，恨不得把自己想到的所有功能，全部塞进一个产品里。
结果，可能有三个想法非常优秀，却被另外二十个没什么价值的想法掩盖了。
他认为，制作原型最重要的目的，是让管理者快速理解这个想法为什么值得做，以及你为什么有能力继续推动这个项目。
所以，没有必要为了展示技术能力，把原型做得特别复杂。
把一个真正有价值的想法表达清楚，就已经足够了。
第五，充分利用新人视角。
在一家公司待久了，很多人会逐渐习惯现有的工作方式，甚至把过去的一些经验当成不可改变的限制。
但刚加入公司的年轻人，没有那么多历史包袱。很多老员工觉得不可能实现的事情，他们反而愿意重新尝试。
而且，现在有了 AI，很多过去需要投入大量资源才能尝试的想法，年轻人自己就可以先动手做出来。
举个例子，Claude Code 最开始主要通过命令行交互，很多工程师已经习惯了这种工作方式。
但后来，两位加入公司时间不算长的年轻工程师，利用一个周末，就做出了 Claude Code 图形界面的原型。大约八天之后，第一个公开版本就发布了。
现在大家也都看到了，Claude Code 的图形界面已经成为很多人使用这款产品的重要方式。
所以，回过头来看，我觉得 Felix 说的进取心胜过资历，还是很有道理的。
尤其是在 AI 时代，很多过去需要大量资源才能完成的事情，现在一个人就有机会做出来。
对于那些有想法、愿意主动尝试的年轻人来说，这确实是一个非常好的时代。
刚看到 Anthropic 一位 Engineering Manager 的分享，感觉很有意思。
他说，他们团队这个月已经取消了招聘流程中的 Coding Interview，也就是我们熟悉的现场编程题。
因为 AI 在编程方面已经很强了，现场让候选人完成一个 React 编程题，或者考察一些具体的编程知识，通过这些题目来筛选人才，已经没有太大意义了。
而且他发现，自己团队中，那些真正能够创造巨大价值的工程师，未必在传统编程测试中表现得最好。
过去很多科技公司招聘程序员，基本上都把编程能力作为一项非常重要的考核指标。之前我还是程序员的时候，面试前最重要的准备就是刷 LeetCode。
但随着 AI Coding 的快速发展，一名优秀工程师的评价标准，显然也在发生变化。
传统 Coding Interview 可能真的应该彻底取消了。
其实，软件工程这些年的发展，本身就是一个不断提高抽象层级的过程。
最早，程序员需要直接编写汇编。后来有了 C 这样的高级语言，再后来是面向对象编程，以及各种框架和组件。
随着越来越多的底层细节被封装起来，程序员可以用更少的代码，完成更复杂的工作。
现在，AI Coding 又把抽象层级往上抬了一层。过去需要程序员亲自编写和调试的代码，现在很大一部分可以交给 AI 完成。
既然传统 Coding Interview 已经很难准确判断一名工程师的实际价值，那么未来应该怎么招聘程序员？
Anthropic 的这哥们说，他现在筛选简历时，会特别关注候选人过去做过的产品，哪怕只是一个很小的原型。
因为通过这些作品，可以直接考察候选人的品味、同理心和思考深度。这些可能都比 Coding 能力重要。
我解释下自己对这三个品质的理解。
品味，也就是 Taste，指的是一个人的判断能力和审美。培养品味其实没有那么复杂，核心就是多看好的东西，然后不断实践，在实践中获得反馈，反复调整。
比如，经常接触优秀的设计和产品，时间久了，自然会慢慢形成自己的判断。
再自己动手做一些东西，就会发现，原来这个页面的元素太多了，那个地方的渐变色有点土，某个按钮去掉之后更简洁......
品味很难通过学习某个理论就掌握，还是需要不断接触优秀的东西，再通过实践慢慢培养。
同理心的话，好像这个词前几年在国内职场也经常被提起。
简单来说，就是能够站在别人的角度思考问题，不要总沉浸在自己的世界里。
比如，很多工程师长期开发一款产品，对各种功能和操作流程已经非常熟悉，觉得很多设计理所当然。但对于普通用户来说，可能用起来就特别别扭。
优秀的工程师需要能够站在真实用户的角度，理解他们的需求和使用产品时的感受，发现那些自己已经习以为常的问题。
想起张一鸣以前讲过一句话，同理心是地基，想象力是天空，中间是逻辑和工具。
这个理解挺好的。毕竟，如果连用户真正需要什么都不了解，产品做得再复杂，功能再丰富，也未必有什么价值。
最后是 Principled Thinking，其实就是一个人的逻辑思维能力。
开发产品的过程中，总会面临各种各样的选择。为什么要开发这个功能，为什么采用这样的技术方案，又为什么放弃其他方案？
这些决定背后，都应该有清晰的判断依据。尤其是现在有了 AI，技术实现越来越容易，但也不能想到什么就做什么，更不能 AI 给出什么方案，就直接照着执行。
说完面试，我们再聊下年轻程序员的出路。毕竟现在有一种特别流行的观点，认为 AI 对年轻工程师，尤其是缺少工作经验的程序员越来越不友好。
但 Anthropic 这哥们却有不同的看法。
因为他发现，一些刚进入公司的年轻工程师，正在快速超越那些工作经验更丰富、甚至编程能力更强的资深工程师。
一个很重要的原因是，过去需要多年积累的技术经验，现在 AI 已经能够帮年轻人弥补一部分。
即使编程能力还没那么强，他们也有机会快速把自己的想法变成产品，创造出更大的业务价值。
而且，年轻人还有一个很大的优势，就是敢想敢干，有激情，也有野心。
大部分人年轻的时候都是这样，荷尔蒙爆棚，看到什么新鲜的东西都想试试，也没有那么多历史包袱。
进取心胜过资历。
当然，年轻工程师也有自己的劣势。比如他们在组织里没有那么高的地位，也缺少足够的话语权，在一些具体的问题上缺乏经验，所以下的判断可能会绕弯路。
这些就是硬币的两面。但核心是，年轻的工程师没必要妄自菲薄。AI 对所有人都是巨大的机会，没有厚此薄彼。
他给年轻工程师提供了几条建议，我觉得真是金玉良言啊，对所有人都适用。
第一，不要只盯着分配给自己的任务。
早在 2011 年，Patrick McKenzie 就写过一篇很经典的文章，叫《Don't Call Yourself a Programmer》。
里面有句话非常经典：企业雇用工程师，是为了创造商业价值，而不只是编写程序。
对于年轻工程师来说，首先应该搞清楚自己的公司究竟想实现什么目标。如果公司规模比较大，那至少应该理解自己所在部门最重要的业务目标是什么。
甚至可以再往上思考一层，看看自己主管的主管，究竟在为什么事情负责。
要不然很多工程师还是会把自己局限到代码当中。
但公司真正关心的，可能是提高客户留存率、改善产品体验，或者增加收入。
第二，提出一个足够大胆的想法。
不要只想着在现有产品上做一些小修小补。
既然已经理解了公司的业务目标，那就应该认真思考，有没有什么新的产品或者技术方案，能够明显改善业务表现。
哪怕这个想法听起来有点激进，也值得尝试。
因为现在有了 AI，很多过去需要投入大量人力和时间才能验证的想法，已经可以用很低的成本尝试了。
第三，利用一个周末，把想法做出来。
这也是我觉得整篇文章里非常有启发的一条建议。
Anthropic 一些年轻工程师，或者只有几个人的小团队，直接跳过了过去那些繁琐的流程。
他们没有先花大量时间编写 PRD，也没有到处争取产品经理和设计师的支持。
而是利用 AI，在一个周末做出了可以实际运行的产品原型。
然后再拿着原型去沟通。
这两种方式的差别还是很大的。
因为当你只有一个想法的时候，其他人很难判断它到底有没有价值。但有了能够运行的原型，大家就可以直接上手体验，也更容易理解这个想法的价值。
而且，这个原型本身也证明了你有能力把事情做出来。
第四，一个原型最好只表达一个核心想法。
很多年轻工程师容易犯一个错误，就是过于兴奋，恨不得把自己想到的所有功能，全部塞进一个产品里。
结果，可能有三个想法非常优秀，却被另外二十个没什么价值的想法掩盖了。
他认为，制作原型最重要的目的，是让管理者快速理解这个想法为什么值得做，以及你为什么有能力继续推动这个项目。
所以，没有必要为了展示技术能力，把原型做得特别复杂。
把一个真正有价值的想法表达清楚，就已经足够了。
第五，充分利用新人视角。
在一家公司待久了，很多人会逐渐习惯现有的工作方式，甚至把过去的一些经验当成不可改变的限制。
但刚加入公司的年轻人，没有那么多历史包袱。很多老员工觉得不可能实现的事情，他们反而愿意重新尝试。
而且，现在有了 AI，很多过去需要投入大量资源才能尝试的想法，年轻人自己就可以先动手做出来。
举个例子，Claude Code 最开始主要通过命令行交互，很多工程师已经习惯了这种工作方式。
但后来，两位加入公司时间不算长的年轻工程师，利用一个周末，就做出了 Claude Code 图形界面的原型。大约八天之后，第一个公开版本就发布了。
现在大家也都看到了，Claude Code 的图形界面已经成为很多人使用这款产品的重要方式。
所以，回过头来看，我觉得 Felix 说的进取心胜过资历，还是很有道理的。
尤其是在 AI 时代，很多过去需要大量资源才能完成的事情，现在一个人就有机会做出来。
对于那些有想法、愿意主动尝试的年轻人来说，这确实是一个非常好的时代。
13 16
《高效能人士的七个习惯》中，关于关注圈和影响圈，作者是这么论述的：
1、我们每天都会关注很多问题，比如今天天气如何，上班路上是否堵车，老板会不会给我涨薪，某个工作该怎么做，房价会不会跌，董宇辉的直播怎么看的人少了。
2、这些问题中，有些自己可以掌控，有些则无能为力。如果一个人总把焦点放在那些无能为力的事情上，那久而久之，他会变得消极，凡事喜欢上纲上线，争论一些自己根本没有办法改变的事情。
3、积极主动的人心里清楚，应该把精力放在那些自己能够改变或者影响的事情上。总盯着无能为力的事，比如别人的缺点，或者大环境的问题，那只能让自己越来越消极。
4、永远把 80% 的精力着眼于自己能够控制和影响的事情上。这样，随着能量的增强，你的影响圈也会越来越大，能够改变的事情也会越来越多。
5、如果我们长期关注那些我们影响不了的事情，那自身的气场、能量会不断缩小；反之，改变自己，积极主动，那做事的能量便会不断增强。
6、这个思维方式对我的影响是决定性的。我觉得强者和弱者的区别也在这里。
1、我们每天都会关注很多问题，比如今天天气如何，上班路上是否堵车，老板会不会给我涨薪，某个工作该怎么做，房价会不会跌，董宇辉的直播怎么看的人少了。
2、这些问题中，有些自己可以掌控，有些则无能为力。如果一个人总把焦点放在那些无能为力的事情上，那久而久之，他会变得消极，凡事喜欢上纲上线，争论一些自己根本没有办法改变的事情。
3、积极主动的人心里清楚，应该把精力放在那些自己能够改变或者影响的事情上。总盯着无能为力的事，比如别人的缺点，或者大环境的问题，那只能让自己越来越消极。
4、永远把 80% 的精力着眼于自己能够控制和影响的事情上。这样，随着能量的增强，你的影响圈也会越来越大，能够改变的事情也会越来越多。
5、如果我们长期关注那些我们影响不了的事情，那自身的气场、能量会不断缩小；反之，改变自己，积极主动，那做事的能量便会不断增强。
6、这个思维方式对我的影响是决定性的。我觉得强者和弱者的区别也在这里。
36 25