宝玉

统计数据

415
文章
0
粉丝
0
获赞
241
阅读
avatar
宝玉
2小时前
Devin 所在的公司 Cognition 正式收购了 Windsurf！ 以下为原推翻译： 非常荣幸地欢迎Windsurf加入Cognition！以下是今天上午我发送给Cognition团队的内部信，其中包含更多的细节： 团队伙伴们， 正如我们在之前的全员大会上所讨论的，Cognition正式收购了Windsurf！双方已签署了最终协议，我们对这一里程碑式的合作感到无比兴奋。以下是具体内容回顾，请务必注意：在太平洋时间上午11点Windsurf举行全员会议之前，这一消息需严格保密。 Windsurf团队值得以恰当的方式直接从Jeff和我这里了解这件事，因此在正式宣布前，请大家暂时保持沉默，以示对新同事的尊重。 那么，这笔交易具体意味着什么呢？ 通过本次收购，Cognition将拥有Windsurf广受赞誉的产品和蓬勃发展的业务，包括： Windsurf IDE：将全面接入最先进的Claude大语言模型 Windsurf的知识产权（IP），包括他们的商标以及在业界树立的强大品牌 年经常性收入（ARR）达8200万美元，企业收入每个季度环比翻倍，增长迅猛 一个由超过350家企业客户以及每天数十万活跃用户构成的庞大用户群体 更为重要的是，我们将迎来行业内顶尖的人才，包括世界级的市场拓展（GTM）团队、工程团队和产品团队。 我们一直钦佩Windsurf团队所取得的成就 在这次交易中，我最优先考虑的一点，就是对Windsurf团队的卓越才华、辛勤付出和卓越成就表达充分的认可与尊重。为此，我与Jeff一起努力，确保每一位Windsurf员工在交易中都受到公正、周到的照顾，具体措施包括： 100%的Windsurf员工都能从此次交易中获得经济回报 100%的Windsurf员工的股权归属悬崖（vesting cliff）将全部免除，充分认可他们过去的贡献 100%的Windsurf员工在本次交易中将享受股权的完全加速归属 今后，每一位新加入Cognition的同事都将和我们现有员工一样，以透明、公平的方式对待，我们深深尊重每个人的能力和贡献。从今天开始，我们将凝聚成一支更加团结、目标一致的团队——我们处在同一条船上，同舟共济。 这对Cognition意味着什么？ 通过此次收购，我们能够更快速地推进自己的使命——构建软件工程的未来。过去几个月，我们势头迅猛，许多企业工程团队已将Devin视为最重要的生产力工具之一。随着客户群体的持续扩大，将我们行业领先的完全自主的AI智能体Devin与Windsurf IDE产品及其成熟的市场拓展体系结合，将带来巨大的突破性发展。 从未有过像现在这样激动人心的时刻。我们这一代的工程师正在经历历史性的转变：从“砌砖的工匠”升级为“设计蓝图的建筑师”，未来工程师们的主要工作将集中于创造性地设计系统，而非繁琐地拼装细节。 能站在这样的位置，我深感荣幸。感谢你们每个人的付出，才使得我们能够走到今天。未来的道路并不轻松，但我们正处于一场共赢的旅程，今天的胜利属于我们每个人！ 再次感谢大家的努力和陪伴，让我们一起热烈欢迎我们的新同事们加入吧！ Scott
avatar
宝玉
20小时前
当你觉得 Vibe Coding 无所不能的时候，那么你大概处于“愚昧之巅”
avatar
宝玉
1天前
推荐阅读：《Kimi K2：超越聊天框的深度评测》 以后模型的评测，不能局限于各种编程题、聊天跑分，还是要多看它 Agent 的能力： 1. 自主决策与反馈循环 2. 调用工具与环境交互 这是未来模型发展的趋势
avatar
宝玉
2天前
OpenAI 收购 AI 编程公司 Windsurf 的交易告吹了，而 Windsurf 的 CEO 和重要研究人员将加盟谷歌 OpenAI 收购人工智能编程公司 Windsurf 的交易告吹，这家公司的 CEO Varun Mohan 和联合创始人 Douglas Chen，以及部分核心研发人员将转而加入谷歌旗下的 Google DeepMind 团队。这一消息由谷歌和 Windsurf 于周五正式宣布。 加入 Google DeepMind 后，Mohan 和 Windsurf 员工将主要参与以 Gemini 大语言模型为核心的 AI 智能体（Agentic）编程研究。尽管谷歌不会控制或持有 Windsurf 的股份，但将获得部分技术的非独占许可。 在此调整生效后，Windsurf 原业务负责人 Jeff Wang 即日起出任公司临时 CEO，而原全球销售副总裁 Graham Moreno 则接任公司总裁。 谷歌发言人 Chris Pappas 在接受《The Verge》采访时表示： 「Gemini 是当前最出色的模型之一，我们一直致力于为开发者提升其强大功能。我们非常高兴能将 Windsurf 团队中顶级 AI 编程人才吸引到 Google DeepMind，进一步推进我们的智能体编程研究。」 Varun Mohan 和 Douglas Chen 也共同发表声明称： 「能够与 Windsurf 部分优秀的团队成员一起加入 Google DeepMind，我们感到非常兴奋。我们为过去四年 Windsurf 取得的成就感到骄傲，也期待公司在其世界级团队的带领下开启全新阶段。」 谷歌目前并未透露聘请这些人才的具体花费。而根据此前报道，OpenAI 原本拟以30亿美元收购 Windsurf。
avatar
宝玉
3天前
网友录制的使用 Grok 的视频 ，展示了询问 Grok 关于以色列与巴勒斯坦局势的看法时，Grok 的表现： 它首先在推特上搜索了 Elon Musk 的观点，然后又在网络上搜索了 Elon Musk 的看法，最后才在末尾加入了一些非 Elon Musk 的内容。 64 个引用中，有 54 个是关于 Elon Musk 的。 在视频 0:50 秒处展示的“思维链”（CoT）任务总结为：“考虑 Elon Musk 的观点”。
avatar
宝玉
4天前
完全赞同，模块级别的 Coding 能力已经不足以检测顶级模型的真实能力，还是要看模型 Agent 方面的能力——根据用户输入和代码库调用工具补足上下文完成任务 从 Coding 能力来讲 Gemini 2.5 Pro、o3、Claude 4 差距不明显，但是 Coding Agent 能力明显 Claude 是最强的，Gemini 2.5 最弱
AI编程工具激战：Claude Code、Gemini Cli崛起· 230 条信息
#AI编程：群雄逐鹿，Gemini、Grok、OpenAI混战· 316 条信息
avatar
宝玉
4天前
一封来自 Sam 和 Jony 的信 Sam 和 Jony 向你介绍 io 更新于 2025 年 7 月 9 日 我们非常高兴地告诉大家：io Products 公司团队现已正式并入 OpenAI。Jony Ive 与其创意团队 LoveFrom 将继续保持独立身份，并将在整个 OpenAI 承担起深度的设计和创意职责。 2025 年 5 月 21 日 这是一个不同寻常的时刻。 如今，计算机已经能够看到、思考并理解世界。 但尽管拥有如此史无前例的能力，我们的使用体验仍停留在传统的产品与界面上。 两年前，Jony Ive 与创意团队 LoveFrom 悄然开始了与 Sam Altman 和 OpenAI 团队的合作。 这种合作建立在友谊、好奇心与共同的价值观之上，并迅速演变为更加宏大的理想。从最初尝试性的想法与探索，逐渐发展成具体的设计。 这些想法看起来很重要，也非常有用。它们充满了积极与希望，令人鼓舞，使每个人都不禁微笑。这些想法让我们回忆起曾经庆祝人类成就的时代，感激那些帮助我们学习、探索与创造的新工具。 很快我们发现，实现这些理想需要成立一家全新的公司。因此，一年前，Jony 与 Scott Cannon、Evans Hankey 和 Tang Tan 创办了 io 公司。 我们汇集了顶尖的软硬件工程师、技术专家、物理学家、科学家、研究人员以及产品开发和制造领域的专家。我们中很多人已经共事几十年。 这个全新的团队专注于开发能够激励人心、赋能用户的产品，现在他们将与 OpenAI 合并，更深入地与位于旧金山的研究、工程和产品团队紧密协作。 随着 io Products 团队并入 OpenAI，Jony 和 LoveFrom 将承担起 OpenAI 的设计与创意重任。 我们真的无比激动！ Sam & Jony “人工智能是一项令人难以置信的技术，但伟大的工具必须诞生在技术、设计以及对人和世界的理解交汇处。没人能比 Jony 与他的团队更适合做这件事，他们对每个细节所倾注的心血令人敬佩。”—— Sam Altman “科技的使用方式即将发生深刻的变化。我希望，我们能重现30年前我第一次使用 Apple 电脑时感受到的那种惊喜、好奇与创造的精神。”—— Sam Altman “我越来越强烈地感受到，过去30年我所学到的一切都是为了此刻而准备的。虽然未来的工作责任重大，让我既紧张又兴奋，但我很感激能成为这样一个意义非凡的合作的一部分。Sam 和 OpenAI 及 io 团队的愿景与价值观极其鼓舞人心。”—— Jony Ive “这一刻让我想起30年前我移居美国时的情景。作为一名设计师，我深深地被硅谷那种令人振奋、天真而乐观的精神所吸引，渴望与那些致力于创造卓越产品、推动人类进步的人并肩工作。”—— Jony Ive
avatar
宝玉
6天前
对于 AI 编码提升效率这事，越是开发经验丰富的人越是保守，倒不是说这些人是老顽固不接受新技术，只要开发软件的模式没有变，还是现在的要做架构设计、写代码、测试、上线部署的模式，那么目前 AI 编码提升效率就是有限的。 AI 编程在特定场景确实会效率飞起：比如写个爬虫脚本、截图到UI、将代码从一种语言翻译为另一种语言、做个原型等等 但是当项目开始复杂，AI 对效率提升就会降低，主要有几个原因： 1. 屎山代码 AI 对于维护屎山代码比较困难，因为它无法理解完整代码，并且它很难保证不让屎山代码崩溃 2.模糊的需求 即使是AI编程，也需要理解需求，需求的描述常常只有一段话，这样模糊的需求是无法直接发给 AI 的，需要负责开发的人先理解需求，理解当前项目架构，然后抽象成编程上的描述，才能指挥 AI 帮你变成代码 3. 复杂的技术实现 复杂的技术实现对于 AI 来说，对于人来说同样不好描述清楚，虽然能做出来，但是很多时候生成结果不一定是正确的或者想要的，需要反复几次才能得到想要的结果，甚至一直得不到。这种反反复复生成的成本也是成本。 有人会说：即然屎山代码不好维护，你新开项目不就好了？ 遗憾的是：当你的应用一旦走上正轨上了规模，必然会变成屎山代码并且越来越复杂，主要差别是前期 AI 速度快，但是制造屎山的速度更快！ 也有人说：那我事先做好架构设计 无论架构设计多优秀，也难避免屎山代码的宿命： 1. 需求一直在变，你的架构设计是针对老的需求，随着新的需求增加，老的架构慢慢的就无法满足了，需要重构 2. 实施架构的人或者 AI 如果不能很好的理解和贯彻架构设计，就很难保证代码质量 不过上次有个朋友提到：微服务架构在 AI 编程时代要重新火起来了 这点我倒是认同，微服务架构被人诟病的是过度设计维护起来不容易，一个小项目拆几百个微服务，但它最大的优点就是耦合度低，每个服务之间通过协议通信，但是内部实现可以比较灵活，这其实蛮适合 AI 生成的，不必过于纠结它代码质量，能稳定运行就好。 只不过微服务架构同样考验架构水平，另外适用于大中型项目的后端，小项目同样没必要折腾。 说这些不是说 AI 编程没用，只是说一下不要对它的效率抱不切实际的幻想
AI编程工具激战：Claude Code、Gemini Cli崛起· 230 条信息
#AI编程：群雄逐鹿，Gemini、Grok、OpenAI混战· 316 条信息
avatar
宝玉
6天前
纽约时报：AI 会冲击谁的就业？年轻人还是资深员工？ 在微软和其他大型科技公司裁员的浪潮中，专家们正在激烈辩论，到底谁的工作最有可能被保住。 上个月，亚马逊首席执行官安迪·贾西（Andy Jassy）撰文指出[1]，他预计公司对人工智能的应用将在未来几年内“减少我们的总员工数量”。这番言论证实了许多员工内心深处的恐惧：AI 将取代他们。两周后，微软宣布[2]将裁员约 9000 人，占其员工总数的 4%，这进一步加剧了人们的担忧。 人工智能将取代白领工作，这已是一个不争的事实。但具体来说，是哪一类工作者呢？ 贾西的声明恰好点燃了一场关于这个问题的激烈辩论。 一些专家认为，AI 最有可能影响职场新人，因为他们的任务通常最简单，也因此最容易被自动化。AI 公司 Anthropic 的首席执行官达里奥·阿莫迪（Dario Amodei）最近告诉 Axios[3]，该技术可能在五年内吞噬掉一半的入门级白领岗位。近期大学毕业生的失业率有所上升[4]，这加剧了人们的担忧[5]，尽管这并不能直接证明 AI 就是他们求职困境的罪魁祸首。 但 AI 行业的另一些领军人物则持相反观点，他们认为年轻员工很可能从 AI 中受益，而经验丰富的老员工最终将更加脆弱。在六月底的一次《纽约时报》活动[6]的采访中，OpenAI 的首席运营官布拉德·莱特凯普（Brad Lightcap）暗示，该技术可能会给“我认为是那些资历更深、更习惯于以某种特定方式按部就班工作的员工”带来问题。 这个问题的最终答案将产生深远的影响。如果入门级工作风险最大，我们可能需要重新思考大学生的教育方式，甚至大学本身的价值。而如果年长的员工风险最大，随着大规模裁员成为劳动力市场的常态，这可能会引发经济甚至政治动荡。 研究公司 Gartner 的副总裁大卫·弗隆格（David Furlonger）负责监督其首席执行官调查，他思考了 AI 取代经验更丰富的员工可能带来的后果。 “那些人该怎么办？他们的生计如何保障？对税收收入有什么影响？”他说。“我想各国政府正在思考这些问题。” AI 正在塑造更优秀的管理者吗？ 研究 AI 的经济学家和其他专家对于 AI 更可能取代谁，常常得出不同的结论。 聚焦于那些已最广泛部署 AI 的领域，情况对入门级员工来说似乎相当严峻。来自薪资处理公司 ADP 的数据显示，在计算机相关领域，工龄低于两年的员工就业人数在 2023 年达到顶峰，此后下降了约 20% 至 25%。在客户服务代表中也出现了类似的模式，他们也越来越依赖 AI。 根据斯坦福大学研究员陈如玉（Ruyu Chen）对数据的分析，在同一时期，这些行业中工龄两年及以上的员工就业人数却在增加。 其他研究也间接指向了类似的方向。2023 年初，意大利暂时禁用了 ChatGPT，而当地的软件开发者曾依赖它来辅助编程。加州大学尔湾分校和查普曼大学的一组研究人员比较了[7]意大利程序员生产力的变化与法国和葡萄牙程序员的生产力（这两个国家没有禁用该软件），以分离出 ChatGPT 的影响。 虽然该研究没有关注失业问题，但它发现，AI 工具对中级员工工作的改变比对入门级员工的改变更有利。研究人员指出，初级程序员使用 AI 完成任务的速度有所加快；而经验丰富的程序员则常常用它来为整个团队带来更广泛的利益。 例如，AI 帮助中级程序员审查其他程序员的工作并提出改进建议，还能让他们用自己不懂的语言为项目做出贡献。 “当人们真正擅长某件事时，他们最终会去帮助别人，而不是只顾着自己的项目”，该论文的作者之一莎拉·巴纳（Sarah Bana）说，她补充道，AI 基本上强化了这种趋势。巴纳博士表示，论文的结果表明，AI 将促使公司减少招聘初级程序员（因为完成入门级任务所需的人手减少了），但会增加招聘中级程序员（因为 AI 放大了他们对整个团队的价值）。 另一方面，麻省理工学院（M.I.T.）研究 AI 在工作场所应用的经济学家丹妮尔·李（Danielle Li）表示，在某些情况下，AI 对高技能员工的颠覆可能超过对入门级员工。原因在于，AI 实际上可以将宝贵的技能与传统上拥有这些技能的人“解绑”。 例如，你可能不再需要是工程师才能编程，或者不再需要是律师才能撰写法律文书。 “那种世界对经验丰富的员工是不利的，”她说。“你的高薪来自于你技能的稀缺性，而 AI 的出现让这种技能可以脱离人而存在。” 李博士说，AI 对经验不足的员工也未必是好事。但她推测，应届大学毕业生失业率的上升，是由于雇主们预期在 AI 时代他们需要的员工总数会减少，而不仅仅是新手员工。整体招聘放缓对刚毕业的大学生影响更大，因为他们本来就没有工作。 罗伯特·普洛特金（Robert Plotkin）是一家专注于知识产权的小型律师事务所的合伙人，他说 AI 并未影响他公司对低技能员工（如律师助理）的需求，他们负责格式化公司提交给专利局的文件。但他补充说，与几年前生成式 AI 出现之前相比，他的公司现在使用的合同律师数量大约减少了一半，其中一些律师拥有数年经验。 这些资深律师为客户起草专利申请，然后由普洛特金审查并要求他们修改。但现在，在 AI 助手的帮助下，他自己起草申请的效率往往更高，除非专利涉及他不熟悉的科学或技术领域。 “我已经能非常高效地使用 AI 作为工具来帮助我起草申请，这减少了我们对合同律师的需求，”普洛特金说。 一些走在 AI 应用前沿的公司似乎也做出了类似的判断，他们选择裁掉经验丰富的员工，而不仅仅是减少招聘入门级员工。 谷歌、Meta 和亚马逊自 2022 年以来都进行了裁员。在最近一次裁员公告发布的两个月前，微软裁掉了 6000 名员工[8]，其中许多是软件开发者，而 7 月的裁员则波及了许多中层管理人员。 “任何行政性的、与电子表格相关的、有电子邮件记录、涉及文档管理类型的活动，AI 都应该能相当轻松地执行，从而为管理者腾出时间去做更多指导工作，”Gartner 的分析师弗隆格说，他所在的公司的调查最近也包含了关于 AI 的问题。“CEO 们在数据中暗示，我们不再像以前那样需要那么多管理者了。” “没经验”的价值 投资银行 D.A. Davidson 负责微软股票的分析师吉尔·卢里亚（Gil Luria）表示，裁员的一个原因是为了削减成本。像微软和谷歌这样的公司，在投入数十亿美元购买芯片和建设数据中心以发展 AI 的同时，需要通过削减成本来支撑利润率。但另一个原因是，所有技能水平的软件工程师都容易被 AI 取代——包括那些薪水很高但却不愿拥抱这项技术的资深工程师。 微软“能很快地算清楚这笔账——谁在创造价值，谁的薪水过高，谁的薪水不高，谁适应得很好，”卢里亚说。“有些资深人士已经想出如何利用 AI 来发挥杠杆作用，也有些资深人士坚持认为 AI 写不了代码。” 哈珀·里德（Harper Reed）是 2389 Research 公司的首席执行官，该公司正在构建自主的 AI 智能体来帮助企业执行各种任务。他说，高薪和不愿拥抱 AI 的结合，可能会让经验丰富的程序员的工作岌岌可危。 “降低成本的方法不是解雇你最便宜的员工，”里德说。“而是把你最便宜的员工变得和昂贵的员工一样有价值。” 许多研究表明这是可能的。在微软和三所大学的研究人员最近的一项研究[9]中，一个 AI 编程助手似乎能大幅提高初级开发者的生产力，其提升幅度远超对经验更丰富的同事的提升。 里德说，从纯粹的财务角度来看，公司越来越倾向于招聘那些使用 AI 来完成曾经属于中级工作的初级员工，再配上少数高级员工来监督他们，而中间层的员工几乎不需要了。 他说，这基本上就是他公司的组织架构。
avatar
宝玉
6天前
经济学人：为什么如今的大学毕业生越来越难？ 毕业即失业，职场天翻地覆 想象一下这样的年轻人：志向远大，勤奋努力。他们曾以为，只要大学毕业，就能找到一份体面的工作，然后轻松赚钱，过上理想的生活。但如今的年轻毕业生，却越来越感到前途迷茫。 想进入科技行业？大型科技公司正在大裁员。 想进政府部门？如今已不再像从前那样光鲜体面。 想做工程师？从电动车到新能源，大部分创新已被中国占据。 做律师？AI（人工智能） 很快会取代你。 当记者？还是别想了。 在整个西方社会，年轻大学毕业生正失去过去拥有的就业优势，有些地区甚至已经完全失去。就业数据清晰地揭示了这种变化：牛津经济咨询公司的马修·马丁研究发现，美国22-27岁、拥有学士学位或更高学历年轻人的失业率，历史上首次稳定超过全国平均水平。这主要是因为初次找工作的人越来越难找到合适职位。 这种趋势不仅在美国出现。欧盟各国受过高等教育年轻人的失业率，也在接近整体年轻人的失业率水平（见图表1）。英国、加拿大、日本的情况也大同小异。即便是精英中的精英，比如MBA毕业生，也难逃此劫。2024年，斯坦福商学院的毕业生，在毕业三个月后找到工作的比例，从2021年的91%降到80%。远看，这些在学校餐厅外悠闲吃饭的年轻人似乎很快乐。但仔细看，你就会发现他们眼中藏着的焦虑和恐惧。 过去，大学毕业生相比普通人拥有显著的薪酬优势（见图表2）。但近些年来，这种优势已经逐渐缩小。根据美联储纽约分行的数据，2015年美国大学毕业生的收入中位数比高中毕业生高69%，但到了去年，这一优势降到了50%。 （参考图2） 工作满意度也在下降。一项大规模调查显示，美国毕业生对工作的满意度，相比非毕业生过去稳定高出7个百分点，如今仅高出3个百分点。 有人或许会说，毕业生失去这种特权又有什么关系？从道德上看确实没问题，毕竟没人天生就该过得比别人更好。但从现实来看，这可能会带来严重后果。历史证明，当那些聪明人（或自认为聪明的人）得不到自己认为应有的待遇时，就容易引发社会动荡。 康涅狄格大学科学家彼得·图尔钦认为，“精英过剩”是历史上许多社会动荡的直接原因，“反精英”群体往往站在动荡的前沿。1848年欧洲革命的原因之一，就是“受过教育的年轻人数量太多了”。举个最近的例子，宾夕法尼亚大学毕业的曼乔内本该拥有富裕生活，现在却因为涉嫌杀害一家保险公司的CEO而受审。而更能说明问题的是，大量人同情他的处境，向他捐款已超过100万美元。 毕业生为什么会陷入这种困境？一种可能的解释是，大学的急剧扩张导致了教育质量的下降。如果大学录取了大量能力不足的学生，并且教育质量下降，那么雇主就不再相信“大学毕业生”一定比非毕业生更优秀。匹兹堡州立大学的苏珊·卡尔森教授等人近期的一项研究表明，很多大学生甚至处于“功能性文盲”的状态。很多英语专业学生连查尔斯·狄更斯的《荒凉山庄》都看不懂，书中开篇一句简单的话：“米迦勒节学期刚过，大法官坐在林肯律学院的大堂里”，已经让他们一头雾水。 当然，确实存在一些大学开设毫无价值的课程，招收本不该进大学的学生。但从长期来看，毕业生人数的增长和薪资优势之间并没有明显关联：例如在上世纪80年代，美国两者都在增长。此外，与大多数大学，特别是精英大学的学生交谈，你会发现他们并不愚笨。如今斯坦福的学生个个都聪明过人，牛津和剑桥学生也早就摆脱了过去“悠闲度日”的状态。 美联储旧金山分行的蕾拉·本加利的最新研究提供了另一个视角。他们认为大学生薪资优势减少，主要因为企业对高学历人才的需求降低了。简单来说，就是越来越多的非大学毕业生，可以胜任过去必须由大学生来完成的工作。 成绩优异？没人再关心了 尤其在那些只需要基础技术技能的工作领域更是如此。以前，想要熟练掌握电脑，你必须去大学接受培训；而现在人人都用智能手机，非大学生也能轻松掌握技术。根据招聘网站Indeed的数据，如今几乎所有行业对学历的要求都在降低。在美国，即使受过高等教育的年轻人数量减少了，但专业和商务服务领域雇佣的非大学生人数却比15年前增加了。 雇主也开始裁撤“毕业生友好”的行业岗位。2009至2024年间，欧盟15-24岁年轻人在金融和保险行业的就业人数下降了16%。美国的法律服务业岗位与2006年相比仅略有增加。在英国，银行和法律业雇佣的二十几岁的年轻人数量，自2016年以来减少了10%。 很多人倾向于责怪AI抢了这些年轻人的饭碗，但其实，这些趋势早在ChatGPT诞生之前就开始了。许多传统上雇佣毕业生的行业近年来表现都不佳，比如并购交易低迷减少了对律师的需求，金融危机后的投资银行也变得更加谨慎保守。 那么，读大学还有必要吗？至少在美国，年轻人似乎已经给出了答案。根据经合组织（OECD）数据，美国本科生人数在2013年至2022年间下降了5%。但在其他发达国家，由于政府资助高等教育，年轻人仍在源源不断地进入大学。例如法国的大学生人数十年间增长了36%，爱尔兰更是增长了45%。政府补贴毫无意义的学位课程，导致年轻人浪费时间在校园里。 年轻人或许也没选对专业。在美国以外，学习艺术、人文和社会科学的人数依然在增加。甚至新闻专业也在持续增长。如果这些趋势反映了年轻人对未来工作的判断，那么他们确实要麻烦了。■
#高学历就业：学历贬值，求职者陷“地狱难度”· 23 条信息
avatar
宝玉
6天前
金融时报：对毕业生来说，这个时代真不好过 人工智能只是大学毕业生众多压力之一 > 毕业生找工作难，并不是因为AI大语言模型最近才出现。 从校园步入职场，本该充满希望的毕业生们，如今脸上的笑容渐渐凝固了。从北美到欧洲，大学毕业生都在艰难寻找合适的工作。自新冠疫情以来，美国大学毕业生的失业率首次持续高于整体失业率。在欧洲，过去两年15到25岁年轻人的就业率也有所下降。甚至名校毕业生的处境也不容乐观——哈佛商学院和麻省理工斯隆商学院的MBA学生毕业后三个月内未获工作机会的比例，自2021年以来大幅攀升。 人工智能的崛起，加剧了就业压力 AI兴起无疑是原因之一。在美国，初级技术岗位首当其冲，大量基础编程任务正逐渐被自动化取代。计算机工程专业毕业生的失业率已达到7.5%，而美国整体失业率为4.1%。在英国，四大会计师事务所近年也开始减少初级职位的招聘规模。经济学家与招聘专家表示，日益上升的人力成本迫使英国专业服务公司尝试利用AI处理以往由初级员工完成的行政工作。 但毕业生面临的困境，其实早于AI大语言模型 就业压力早在人工智能广泛应用之前就已出现。一些更深层的结构性变化在发挥作用。如今，全球越来越多年轻人选择读大学，毕业后的求职竞争更加激烈。在加拿大，这个热门毕业生就业目的地，今年一季度25岁以下拥有高等教育背景人群的失业率高达11.2%。根据英国学生雇主协会数据，英国每个毕业生岗位去年平均收到140份申请，创下30年来新高。 大学毕业生供过于求，就业需求却在下降 根据招聘网站Indeed的调查，美国过去五年中，要求至少本科以上学历的职位占比持续下降。在公共部门，发达经济体的财政压力让公务员招募规模大幅缩减。跨国公司则将原本设在欧美的毕业生招聘计划，更多转移到印度等低成本地区，连数据分析这种技术含量较高的岗位也开始外包。 经济周期的不确定，更雪上加霜 最近的经济周期对年轻毕业生也不友好。很多科技公司和专业服务公司在疫情后大规模扩招，误判了经济复苏的速度，导致之后几年招聘需求明显放缓。投行分析师和初级律师等岗位需求也因为全球并购活动减少而明显下降。经济前景不明朗，也让企业难以做出清晰的招聘计划。 改善前景，关键在于教育改革与终身学习 即使未来经济环境好转，毕业生也仍需面对AI技术发展和求职竞争的双重挑战。因此，帮助学生更好地了解毕业后的真实就业前景，有助于他们更明智地选择专业。大学与企业界需要更紧密的合作，让课程内容与职场需求相适应。 同时，政府和企业需要更多地支持成人再培训和终身学习项目，因为传统三年制大学课程所提供的知识技能，正迅速过时。毕业生就业难的困境，也应促使社会更多投资非学历职业教育和学徒制培训，这正是企业多年来一直呼吁的方向。 大量精英失业或就业不足，对社会和经济都是坏消息 要避免“高学历失业群体”成为社会常态，教育必须从单纯的“就业门票”，转变为适应未来变化世界的“技能工具箱”。
avatar
宝玉
1周前
问：有个前端项目，json语言包几千行行，而且很多内容很长，比如法律协议之类的，现在 Cursor Token 贵，怎么翻译又少费 Token？ 答：1. 让 AI 帮你写一个导出 HTML 和导入 HTML 的程序，根据 translation key 让 HTML 和 JSON 对应，比如 <p id="{translation key}">{content}</p> 2. 手动把 HTML 复制到 Gemini 2.5 Pro（AI Studio）去翻译，翻译完了保存成新的 HTML 3. 再运行导入程序把翻译好的 HTML 导入成 JSON 文件
avatar
宝玉
1周前
跟 Claude Code 学英语 Claude Code 在推理时会随机显示一些动作，比如Vibing、Doing、Baking……给用户一种 AI 正在思考和工作的感觉，它其实有个数组，有一堆动词的进行时，每次随机挑选一个 // 随机显示的加载消息数组 // 这些动词给用户一种 AI 正在思考和工作的感觉 const MESSAGES = [ 'Accomplishing', // 完成中 'Actioning', // 执行中 'Actualizing', // 实现中 'Baking', // 烹饪中 'Brewing', // 酿造中 'Calculating', // 计算中 'Cerebrating', // 思考中 'Churning', // 翻腾中 'Clauding', // Claude 工作中 'Coalescing', // 融合中 'Cogitating', // 沉思中 'Computing', // 计算中 'Conjuring', // 召唤中 'Considering', // 考虑中 'Cooking', // 烹饪中 'Crafting', // 制作中 'Creating', // 创造中 'Crunching', // 处理中 'Deliberating', // 深思中 'Determining', // 决定中 'Doing', // 执行中 'Effecting', // 实施中 'Finagling', // 巧妙处理中 'Forging', // 锻造中 'Forming', // 形成中 'Generating', // 生成中 'Hatching', // 孵育中 'Herding', // 整理中 'Honking', // 鸣叫中 'Hustling', // 快速工作中 'Ideating', // 构思中 'Inferring', // 推理中 'Manifesting', // 实现中 'Marinating', // 酶造中 'Moseying', // 漫步中 'Mulling', // 细思中 'Mustering', // 集结中 'Musing', // 默思中 'Noodling', // 即兴工作中 'Percolating', // 渗透中 'Pondering', // 沉思中 'Processing', // 处理中 'Puttering', // 悠闲工作中 'Reticulating', // 网络化中 'Ruminating', // 反刷中 'Schlepping', // 携带中 'Shucking', // 剥壳中 'Simmering', // 慢炒中 'Smooshing', // 变形中 'Spinning', // 旋转中 'Stewing', // 炖煮中 'Synthesizing', // 综合中 'Thinking', // 思考中 'Transmuting', // 转化中 'Vibing', // 感受中 'Working', // 工作中 ]
AI编程工具激战：Claude Code、Gemini Cli崛起· 230 条信息
#AI编程：群雄逐鹿，Gemini、Grok、OpenAI混战· 316 条信息
avatar
宝玉
1周前
当时我还是保守了，以为我这个推荐使用 Cursor 的建议有效期能有一年，现在才大半年，最佳组合已经是 Claude Code + Cursor（或Copilot）了，Cursor 收费模式变得不那么合算了。当然有一点没有错，花点钱把这些工具用起来是一种价值投资
AI编程工具激战：Claude Code、Gemini Cli崛起· 230 条信息
#AI编程：群雄逐鹿，Gemini、Grok、OpenAI混战· 316 条信息
avatar
宝玉
1周前
v0 的创始人Jared Palmer分享了一个很有意思的观点： 像 Cursor 这样用 $20 /月的固定费用或者按消息条数收费的方式卖AI编程助手恐怕难以持续，因为重度用户每小时用的Tokens（模型计算单位）成本能达到10美元以上，而很多人每月只交20美元，根本抵不上消耗。这种模式下，越用越亏。 他说最合理的方式就是按Tokens实际用量计费。即便未来AI模型的成本大幅下降，也不一定能降低人们的开支——因为有个叫「杰文斯悖论（Jevons paradox）」的现象：当技术提高了效率、降低了成本后，人们反而会用得更多，总体花费不降反升。 换句话说，人们总是希望用最新、最聪明的模型，而不会满足于“够用”的便宜版本。因此，即便技术越来越便宜，我们还是会追逐更先进、更贵的模型，导致开支不断提高。
AI编程工具激战：Claude Code、Gemini Cli崛起· 230 条信息
#AI编程：群雄逐鹿，Gemini、Grok、OpenAI混战· 316 条信息
avatar
宝玉
1周前
李开复称美股巨头七选一会选微软，你选哪个？ 零一万物CEO、创新工场董事长李开复博士在今日举行的格隆汇中期策略峰会上谈到投资标的时称：在美国的七大科技巨头中，我更倾向于看好微软。 因为微软敢于大胆投资和创新，有发展前景，同时对商业模式有着深刻的理解，能够清楚地认识到如何实现盈利，这种兼具多种优势的公司很少。微软对于大模型的盈利模式就有着清晰的认知。但是微软的体量很大，未来实现几十或上百倍的增长可能性较低。尽管如此，如果七巨头里面选一家进行投资，我可能会选择微软。
avatar
宝玉
1周前
问：我想利用暑期帮助即将升入高一的孩子高效预习已有的九门课程PDF教材，计划使用Gemini 2.5 pro的OCR功能逐科上传教材，并用AI担任教师进行系统辅导。想请教： 1. 如何撰写针对每门课的高质量提示词（Prompt），尤其是上下文构建？ 2. 有没有比Gemini更合适或更高效的AI辅助自学方案（如Claude Code）？ 3. 作为家长，在AI辅助孩子学习的过程中，我应扮演怎样的角色，并如何有效评估学习成果、动态优化提问策略和调整学习计划？ 答： 1. 没必要上传教材： - 基础知识大模型都训练过，没必要上传 - 上传教材会占用上下文窗口，反而影响输入效果 - 只有说模型没有训练过的内容，或者需要确保 AI 能引用到特定内容，才需要主动提供给模型 2. 对于能力强的不需要刻意去写提示词，把问题描述清楚即可。参考标准就是：如果你写的问题给一个人类看，他们是否能看明白？当然给 AI 的标准可以低一些。另外可汗学院用的教学提示词可以作为参考： 3. Gemini 就挺好的，有条件去看看可汗学院的 Khanmigo 4. 家长的话，建议为孩子提供好的条件，但让孩子自主安排，主动去探索适合自己的学习方法最好，都高中生了，应该引导他们独立自主、积极主动去有目标的学习而不应该过于依赖老师和家长。 最后，AI 只是辅助教学工具，并不是一定要用的。 以上建议仅供参考。
avatar
宝玉
1周前
写代码从来不是瓶颈 作者：Pedro Tavares 多年来，我一直认为软件开发的瓶颈根本不在于写代码本身。 真正的瓶颈从来都是代码审查、通过指导与结对编程传递知识、测试、调试，还有人与人之间沟通协调所产生的“人类开销”。所有这些都被嵌套在纷繁复杂的任务票据、计划会议和敏捷开发流程之中。 这些旨在提升质量的流程，往往比实际写代码的速度慢得多，因为它们需要思考、共同理解，以及理性判断。 现在，大语言模型（LLM）的兴起使得生成可运行的代码变得前所未有的简单快捷，一种新的论调便随之出现：过去写代码才是瓶颈，现在我们终于打破了它。 但事实并非如此。 尽管借助LLM，新增代码的边际成本正在无限趋近于零，但理解、测试、信任这些代码的成本却比以往更高了。 LLM只是转移了工作，而非移除了工作 像Claude这样的工具能加快初步的代码实现，但结果通常是产生更多代码，进而给审查、集成和维护代码的人带来更大的压力。 这种现象尤其明显，当： * 提交代码的人可能自己都没完全理解代码的逻辑。 * 生成的代码引入了团队不熟悉的模式或违反了已有的惯例。 * 一些边缘情况或潜在的副作用并不明显。 于是，我们陷入了这样一种状况：代码生产变得容易了，但验证代码却更加复杂，这并不会真正提高团队整体的速度。 这其实并不新鲜。开发者早就自嘲自己进行的是“复制粘贴工程”，而LLM所带来的速度和规模则进一步放大了这种复制粘贴的现象。 理解代码才是真正的困难所在 > “代码最大的成本是理解，而不是写出来。” LLM确实减少了产生代码所需的时间，但它们并未降低理解代码行为、发现细微的Bug或确保长期可维护性的努力。甚至，在面对由LLM生成的代码时，这些任务可能变得更难，因为审查者要区分生成代码与手写代码之间的差异，以及弄清为何要选择某个特定的方案。 团队仍然依赖信任和共同背景 软件开发本来就是一个协作过程，它依赖于共同的理解、目标一致和互相指导。然而，当代码的生成速度远超沟通和审查的速度时，团队可能会陷入一种“默认质量”而非“确保质量”的模式。这无形中给审查者和指导者带来巨大压力，可能进一步以微妙的方式拖慢团队的整体节奏。 LLM很强大，但并未解决根本问题 LLM在快速原型开发、脚手架搭建和自动化方面确实带来了真正的价值。然而，它们无法消除清晰思考、谨慎审查以及周密设计的必要性。相反，随着生成代码越来越多，这些基础工作变得更为关键。 是的，写代码的成本确实降低了。但团队一起理解代码的成本并没有降低。 这才是真正的瓶颈。我们不应假装它不存在。
avatar
宝玉
1周前
既不懂AI又不懂软件工程的外行对AI的意淫
avatar
宝玉
1周前
一文看懂“提示词” vs “提示词工程” vs “上下文工程” 很多人分不清楚什么是“提示词”（Prompt），什么是“提示词工程”（Prompt Engineering），现在还又多了一个概念叫“上下文工程”（Context Engineering），这又和“提示词工程”什么区别？ 什么是提示词（Prompt）？ 提示词很好理解，就是给 AI 模型的输入文本，就是你直接向模型输入的问题或指令。 比如你让 ChatGPT 总结一段文本、调用模型 API 传入提示词去翻译一篇文章等等。 提示词是一段文本，有点像代码。 什么是提示词工程（Prompt Engineering）？ 提示词工程是一个过程，系统化地设计、测试、优化提示词的过程。 就像软件工程，我们为了完成某个需求，要有一套科学的方法来帮助完成软件开发的过程，有方法论（比如敏捷开发），要使用工具，要保证质量，不断迭代，最终交付软件，或者说代码。 举个例子 比如我们要有个提示词帮助翻译英文文章到中文。 普通人都可以写： “请把下面的英文内容翻译为中文：” 这就是一段提示词。 但是你会发现虽然能翻译，但是似乎翻译效果不够好，于是你开始想办法优化，让 AI 扮演一个英文翻译到中文的专家，发现似乎有点效果。 但还是翻译有点生硬，然后你看有人介绍了 CoT（思维链，Chain of Though），于是尝试在提示词中让 AI 去先直译再意译，但你也不知道这样的改动是不是真的有用，于是你找了10篇文章，分别用加了 CoT 和没加 CoT 的文章，去用相同的模型去翻译，然后找了几个人，在不告诉他们使用什么方法翻译的情况下让他们评估好坏，结果绝大部分都认为加了 CoT 的效果更好，那么你就明白了，原来加了 CoT 对翻译是有效果的。 于是你受到鼓舞，即然 CoT 有效果，那么我在直译、意译的基础上，继续增加一个 AI 对直译结果的评估，再去意译，甚至再多加几步是不是效果更好？再继续改进提示词，拿着之前的测试集去评估测试，果然测试效果更好，但是也带来新的问题，Token 消耗更多，时间更长，还可能会偏离原意。CoT 也并不见得步骤越多越好。 再后来推理模型发布了，你发现模型自己会 CoT 了，语言能力也更强了，原来繁琐的一步步翻译似乎没有必要，于是进一步优化，发现只要在提示词中让模型“用中文重写”就可以达到很好的翻译效果，测试集评估结果也是正面的。 这整个对翻译提示词“设计”、“测试”、“优化”的过程就是提示工程。 最终通过这样的过程，产生出一个版本一个版本的提示词。 再精炼浓缩一下：提示词工程是产生提示词的过程。 什么是上下文工程（Context Engineering）？ 要理解上下文工程，先得搞清楚什么是“上下文”（Context）？ “上下文”不仅仅是发给大语言模型的一句提示词，而是模型生成回答之前所看到的一切信息，这些信息包括系统提示词、用户输入的问题、当前对话的历史消息、系统对你的历史记忆、工具返回的信息等等。 另外上下文窗口不是无限的，每个模型都对上下文的长度有限制，通常上下文内容多了会影响性能，所以控制好发送给 AI 的上下文很重要，既不能遗漏，又不能什么都放进去要控制体积。 举个例子，你跟 ChatGPT 说： “今天都有什么重要的 AI 新闻？” 看起来只是一句话，但是对于大模型来说，初始的上下文有这些： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息：无 这些上下文不足以让 AI 回答你的问题，于是它需要自己去调用工具找齐上下文： • 根据日期工具获取到今天的日期（大模型自己不知道今天是几号） • 根据今天的日期去调用搜索工具检索 AI 新闻 调用完工具后，现在 AI 的信息完整了： • 系统提示词：“你是个有用的助手，总是帮用户解决问题” • 用户输入：“今天都有什么重要的 AI 新闻？” • 可用工具：“日期工具、搜索工具、网页抓取工具” • 长期记忆：“用户主要使用中文” • 历史会话消息：无 • 工具返回信息： • 2025-7-1 • Hollywood Confronts AI Copyright Chaos in Washington, Courts • Mark Zuckerberg Announces New Meta ‘Superintelligence Labs’ Unit 现在信息够了，考虑用户偏好中文，最后返回的内容如下： 今天的 AI 新闻有： • 好莱坞在华盛顿和法院直面人工智能版权混乱 • 马克·扎克伯格宣布成立新的“超级智能实验室”部门 马克·扎克伯格宣布成立新的“超级智能实验室”部门 假如用户再追问一句： “帮我返回第二条新闻的详情” 那么模型要从历史会话里面，找到第二条新闻的链接，再去调用网页抓取工具，把新闻内容抓取下来，根据用户的偏好翻译成中文，最后返回用户中文的新闻内容。 注意看这个构建上下文的过程是完全动态的，并不是按照设计好的工作流去收集上下文，而是模型自己根据当前上下文状态去自主动态的调用工具收集上下文，并且不同的任务需要调用的工具也不一样。 这其实也就是现在 AI Agent 的工作原理：能分辨是否已经收集够了完成任务必要的上下文，能自主决定是不是需要借助工具或者对话来补齐上下文。 上下文工程的概念也正是在 AI Agent 爆发的背景下诞生的。原来单纯靠提示词工程已经无法满足 AI Agent 产品的需求了，AI Agent 需要的更多的是为系统设计好工具、定义好工具和模型之间交互的数据格式、有效组织上下文信息提供给模型（内容长了要不要压缩、怎么压缩）等等。 上下文工程（Context Engineering），就是一门为 AI 设计和构建动态上下文的学科，为大语言模型提供恰当的信息和工具，帮助模型高效完成任务。 > “上下文工程”指的是一种精妙而复杂的技术：你要精准地将上下文窗口填充上恰到好处的信息，让模型能准确地迈出下一步。 > 这是一门科学，也是门艺术。 > > 说它是科学，因为你要把任务描述、说明、少量样例（few-shot examples）、检索增强生成（RAG）、各种相关数据（甚至可能是多模态数据）、工具、状态、历史信息等全部巧妙地组合在一起，同时还要考虑如何压缩信息。这就像烹饪一道精致的菜肴，配料太少或搭配不对，模型无法获得足够的信息，性能会变差；配料太多或毫无关联，则会增加成本甚至降低表现。要做好这件事，需要的不仅仅是简单堆叠，更是高度专业化的技巧。 > > 说它是艺术，则是因为操作者还要掌握一种近似“心理学”的直觉，敏锐地洞察 LLM 和人类用户心理之间的微妙互动。 > > ——Andrej Karpathy 最后 分别一句话总结一下 • 提示词： 发送给 AI 的问题或者指令文本 • 提示词工程： 系统化地设计、测试、优化提示词的过程。 • 上下文工程： 为大语言模型提供恰当的上下文、帮助模型高效完成任务的科学和艺术。 如果没理解这些概念也没关系，对于普通人来说，能写提示词就够了，要开发 AI 应用才需要考虑提示词工程去不断优化提示词，要开发动态的 AI 智能体才需要去搞上下文工程为 AI 的上下文窗口填充恰好的信息。
avatar
宝玉
2周前
VS 代码中的 Copilot 聊天系统现已开源
avatar
宝玉
2周前
帮网友问：医生想用人工智能辅助一下病例分析，比如说现有800个手术病例，想让AI根据这些病例分析新的病人的病情，请问该用什么技术方案比较好呢？
avatar
宝玉
2周前
有朋友 AI 用的少，认为 AI 主要是提高效率，而他没啥提高效率的场景。而我建议学 AI 用 AI 不一定是要有场景才能用，而是通过使用 AI 去和 AI 建立连接，建立对 AI 的直觉，这样当你有能借助 AI 提升效率的场景的时候，能第一时间知道是不是该用AI，怎么用 AI。 建立对 AI 的直觉，包括怎么用好提示词，各个模型的优缺点，各个 AI 工具的优缺点，它们能应用的场景。
avatar
宝玉
2周前
密歇根大学副教授官远芳： 这两年我感觉形式发生了很大的变化，主要是因为这个AI。低级的马工也包括生信人员，我认为都会在最多一两年内面临淘汰。特别不幸的是，这个低级，恐怕是要包括99%的人。剩下1%，特别是top 0.1%，将瓜分巨大的蛋糕。 所以，在选择这种AI都能干的专业的时候，需要思考自己是否可能属于那0.1%。对于最顶尖的人，我可以肯定的告诉你，越是这几个AI可以代替的专业，你将获得越多的资源。因为AI将协同你的高智商，把原来单靠肉身搞不定的资源也圈起来。 对于大部队普通人，未来无论如何都可能遇到一些困难。或许一个需要更多精细手工操作的专业，会相对有工作保障。 我认为下面50年，生物（也包括化学）和养老会成为普通人群的好专业。这里主要谈生物。生物是需要手动操作的，实验中也有很多玄学，一时半会儿AI搞不定。 未来的趋势是针对个人设计药物，这个个性化不是指在已有的几百种里选。而是只要你有钱，就可以一直对着你现合成药物，让你一直活着。这类技术已经基本成熟。一旦大规模走入市场，那么每续一
#AI浪潮：重塑就业，风险暗涌？· 28 条信息
avatar
宝玉
2周前
Vibe Coding 后上生产环境