weekly-summary-20251005

技术

GLM4.6发布

https://mp.weixin.qq.com/s/Oacd6rMM3Rmn7k18HTjLrw

5种 Context Engineering 方法

https://mp.weixin.qq.com/s/P5lB1wjDajO1bXlxWSmjpQ
转移（Offload）、压缩（Reduce）、检索（Retrieve）、隔离（Isolate）和缓存（Cache）
![[IMG-20250929102320077.png]]

强化学习之父Richard Sutton最新采访：LLM是“死路一条”

https://mp.weixin.qq.com/s/N5t-eSnzv2DpeA1K4OQh7A
LLMs 的架构从根本上缺乏从实际互动（on-the-job）中持续学习的能力。无论我们如何扩大其规模，它们本质上仍然是在模仿人类数据，而不是通过与世界直接互动来理解世界并实现目标。

(精)如何将 AI 代码采纳率从30%提升到80%？

https://mp.weixin.qq.com/s/042Nwu3IfX9cm3XjhtRfiA
AI编码采纳率低的根本原因在于人类期望其独立完成模糊需求。

项目下的这个.ai目录的设计，很经典！

想法

给AI提供文档和数据结构定义

ReactFlow的经验：

1、把文档给AI，不然它根本不知道怎么用ReactFlow
https://reactflow.dev/learn
2、自己定义好数据结构，比如组件的数据类型、中间画布的分组
3、最好画个草图
4、基于Unreal Engine的设计风格

好文摘抄

组织能力才是 AI 公司真正的壁垒：湾区激进的组织管理形式

https://www.xiaoyuzhoufm.com/episode/68ccfa75a56ca3e0c438706c
分工太细的弊端
端到端的人员
人员职责的模糊化

CodeReview: Code Rabbit
https://www.coderabbit.ai/

AI Native：以AI为主，不是以人为主。
人是 Context Provider
人为AI提效，而不是AI给人提效。
以人为本 VS. 以AI为本。
Context Engineering.

为什么你的AI Workflow不work：你的Context不够、不对。

工具：

CodeRabbit：AI Code Review 工具，可以把一次代码审查的时间从 1-2 天缩短到 10 分钟
Linear：AI 项目管理工具，在其中创建任务后，可自动分配给 AI 生成代码
Devin：华人团队开发的 AI 编程工具
incident.io：日志分析与告警工具，可覆盖近一半的运维工作

https://github.com/qodo-ai/pr-agent

没有什么SOP是CC搞不定的。

AI Engineer需要的能力：六边形战士/一人公司：

1、快速学习者-Fast Learner
学到能跟AI沟通的程度。
问题只要定义清楚，就一定能解决。
2、Builder

3、对最终的结果负责
不分职责(前端、后端、运维…)，谁遇到谁修改。

velocity first 速度优先

怎么解决问题

把问题和目标确认清楚，然后分工。
具体怎么解决，不去限制，AI辅助搞定既可。

未来的人员模式

合伙人+合同工

怎么面试

给一个大活儿，2天让他搞定
1、他用了AI，那说明聪明
2、他不用AI，那说明是大牛
然后面试就聊聊他怎么做这个项目的

怎么吸引人

招人不如培养自己：招人之前，先想想现有团队人员能否把这个问题给解决了。

感触

1、适合创业团队和公司，但是在成熟公司中，会遇到很多阻碍(成熟团队追求的是稳中求进，稳是第一优先的，不能冒风险，因此会拖慢进度，给这种机制带来负面影响)
2、对人员的要求非常高：每个人基本都得是六边形战士，这很像当前很火的“一人公司”的模式
当然这个其实有个关键因素：需要配套的激励机制，其实10年前有类似的模式：互联网热潮阶段的敏捷开发，那时候我们没有PM，也不分开发测试，需求是大家一起讨论的，开发、测试、运维全部自己搞了。这非常锻炼人，但是那时候激励机制很强(来自产品成就感的激励和来自公司的福利激励)，大家也舍得投入，愿意职责上不设限。而现在比较难让大家进入那种状态了。
招不到牛逼的人，因为他们会涌向互联网头部大厂。