weekly-summary-20260125
技术
手机端操作Claude Code
https://mp.weixin.qq.com/s/L5eyMWHZ74QwyRBSuiIjwA
为什么我还是无法理解transformer？
为什么我还是无法理解transformer？ - bigpunch的回答 - 知乎 https://www.zhihu.com/question/596771388/answer/1979919463718593963
想法
No only vibe coding, but also vibe something
好文摘抄
Google 14年工作的教训
https://addyosmani.com/blog/21-lessons/ 大约14年前，我加入谷歌，以为这份工作就是编写优秀的代码。
这个想法部分正确。但随着时间的推移，我越来越意识到，真正成功的工程师不一定是最优秀的程序员，而是懂得驾驭代码之外一切的人。
下面就是我得到的经验教训。有些教训是我走了几个月的弯路得到的，还有一些需要数年才完全领悟。它们都与具体的技术无关----技术变化太快，根本无关紧要。
（1）工程师想在大公司生存，必须学会沟通。
因为在大公司，团队是组织的基本单位，推进项目必须跟其他团队沟通。项目越大，你花在跟其他人、其他团队沟通的时间就越多，比编写代码的时间还多。大多数”慢”的团队实际上是不沟通的团队。
为了顺利沟通，清晰是第一位的要求。它不仅可以加快沟通，还能降低代码风险。最优秀的工程师都会用清晰易懂的代码来代替炫技。
为了提高表达的清晰性，你可以尝试写作和去教别人。如果你能用简单的语言解释某件事，你就是真的理解它了。
（2）想要得到晋升，必须有人为你说话。
职业生涯初期，我曾认为优秀的工作成果代表了一切，但我错了。代码默默地躺在代码库里，不会为你说话。
那些对你至关重要的会议，你本人很可能没有机会参加。你需要你的经理、同事在会上提到你、推荐你。他们可能这样做，也可能不会。
平时工作中，你尽量不要为自己增加阻力。如果开会的时候，你赢得每一场辩论，很可能就是在积累无声的阻力。你之所以”赢”，不是因为你说服了别人，而是因为他们不再与你争论，放弃了，将会在其他场合表达这种不满。
（3）专注于你能控制的事情，忽略你无法控制的事情。
很多事情，你改变不了，不要为这种事情烦恼。这不是被动接受，而是策略性分配精力。如果你把精力浪费在无法改变的事情上，就等于放弃改变那些原本可以改变的事情。
（4）简化工作往往可以提高绩效。
当系统运行缓慢时，人们的第一反应是增加缓存层、并行处理和更智能的算法。有时这样做没错，但我发现，删除不必要的工作几乎总是更有效果。下次进行优化之前，你要先问问自己这项工作是否应该存在。
（5）时间比金钱更有价值，你要抓紧时间。
职业生涯初期，你用时间换取金钱，各种事情都做----这无可厚非。但到了某个阶段，情况就完全不同了，你会开始意识到，时间才是不可再生资源。你要专注于那些对你最重要的事情，放弃其他事情。
高密度人才的组织方式
对技术祛魅：离钱近一点
工作多久会对技术祛魅? - doit的回答 - 知乎 https://www.zhihu.com/question/1975905664242034549/answer/1992304603560169753
从长远看成本
https://xxhk.org/0x0wua 一百多一个月不便宜 但如果一年一千多可以让你学会编程，那简直是太便宜了 一年一千多不便宜 但如果十年一万多能让你掌握一项面向未来的技能，那简直是太便宜了
为什么你必须“顺势而为”，以及这个“势”到底是什么
https://www.zhihu.com/question/1942230139388826226/answer/1956297474940606307 我们这代人，或者说我们这个行业，能赚到钱，能有发展，本质上靠的不是你比别人聪明多少，而是你有没有踩在时代的电梯上。 LLM不是一个单纯的技术升级，它是一个生产力范式的转移。 在大模型领域，大家几乎在同一起跑线。一个聪明且动手能力强的应届生，完全有可能在某个细分点上，做得比老人还好。 什么是大模型人才：具备算法认知、工程能力和业务sense 不要被一时的岗位数量多寡所迷惑。你要去的地方，是增量市场，是未来的核心战场，而不是存量博弈的红海。
算法工程师 (Algorithm Engineer) - 偏应用/工程方向：
这才是现在市场上需求量最大，也最适合你的岗位。这些人是技术和业务的翻译官，是把大模型能力真正落地产生价值的核心角色。
他们的日常工作包括但不限于：
搭建RAG系统：如何让大模型能够结合外部知识库（比如公司的产品文档、最新的财报）来回答问题？你需要选择合适的Embedding模型，设计高效的向量检索方案，还要写各种Prompt模板来引导模型生成答案。
构建Agent：如何让大模型像人一样，能够使用工具（比如调用API查天气、用代码解释器执行代码）来完成复杂任务？你需要设计Agent的思考-行动循环（ReAct），处理工具的调用和返回结果。
性能优化：用户输入一个问题，30秒才返回答案，这谁受得了？你需要做推理优化。比如用vLLM、TensorRT-LLM这样的框架来提高吞吐，做流式输出，让用户感觉不到延迟。
效果评估和迭代：模型上线了，效果好不好？不能靠感觉。你需要建立一套客观的评估体系，比如用RAGAS这样的框架来评估RAG系统的效果，然后根据评估结果，反过来优化你的系统。
他需要你对大模型的能力边界有清晰的认知（知道它能干什么，不能干什么）。极强的工程能力（Python基础扎实，熟悉常见的后端技术栈）。快速学习和动手能力。对业务的理解能力。
数学要求程度最弱。你甚至不需要完全搞懂Transformer的每一个细节，你只需要知道，输入是什么，输出是什么，有哪些关键参数可以调。你的核心价值在于，把这个强大的“黑盒子”，用工程化的手段，严丝合缝地嵌入到业务流程里去。