Back to topic rankings2026年用Codex创业，就像2018年用显卡挖矿。 Anthropic 工程经理 Felix Rieseberg：面试不再考编程题，新人的冲劲正在跑赢资历
Felix Rieseberg 在 Anthropic 当工程经理，自己招人。他 10 月 27 日在个人博客说，这个月起，他面试时不再让候选人做传统的编程题。理由是 Claude 现在比人更会做这些题：考一道 React（常用的网页开发框架）小题，和考人汇编语言（最接近机器的底层语言）一样没意义。他团队里最能做出成果的人，跟这类测试考得好不好关系不大。
这说的是他自己的面试，Anthropic 全公司是否都这么做，文章没说。
Felix 在 Anthropic 先后带过 https://t.co/aTfkxmc7FM、Cowork 和 Claude Code 桌面版的工程团队，也是 Electron 的联合维护者。Electron 是很多桌面软件的底座，Slack、VS Code 的电脑版都用它做。他此前在微软、Slack、Stripe、Notion 工作过。
外界常说 AI 让初级程序员更难找工作。Felix 的看法乐观一些：有了 AI 写代码，一个人能做出多大成果，不再那么取决于他攒了多少年框架和代码库的经验。他看到一些入行不久的工程师，跑赢了代码可能写得更好、资历也更老的人。文章标题就叫“冲劲胜过资历”（Hunger beats tenure）。他还说“初级”这个词不准确，这篇其实写给在公司里没人脉、没地位、没话语权的工程师。
【新人看得见问题，但没人听】
Felix 认为，新人的本钱是还不知道公司里那些“规矩”。他面试 Notion 时，有一道题是设计离线模式。后来他才知道，这在 Notion 内部算刁难题：大家都认为离线模式做不出来，整个工作区的数据结构太复杂，没法整体同步；只下载单个页面，大家又觉得 CEO Ivan Zhao 不会接受这种体验。数据结构复杂是真的，CEO 会反对却只是一条没人核实过的“常识”。Felix 当时是新人，什么都不知道，就直接去问了。
他自己也当过“老员工”。刚进 Notion 时，他想给各团队装大电视，实时显示数据看板，在公司里碰了壁，没坚持下去。一年后新同事 Ji Pei 提了同样的想法，Felix 劝他别白费劲，自己早试过了。对方其实已经去问了，第二天电视就到了。Felix 说，那一年里他自己变成了老员工。
新人的短板是没人在乎你怎么想。过去把一个想法做出来很贵，公司通常靠少数几个人拍板哪些点子能上，新人得先熬出地位，公司才肯押注你的想法。就算是相信 AI 的公司，也多半只希望新人把分到的活干得更快。Felix 说，现在把东西做出来已经不贵了。
【他给新人的五条建议】
第一，盯着业务影响，别只做分到手的任务。他引用程序员博主 Patrick McKenzie 2011 年的建议：把自己绑在公司赚钱的那部分业务上。先弄清公司（大公司就看你所在的部门）到底想达成什么，看看你上级的上级在追什么目标，是个好参照。
第二，想一个大胆的点子，一旦成功，能让团队离这些目标近一大步。
第三，用一个周末把它做出来。Felix 见过个人或小团队直接拿着能跑的原型，跳过写需求文档、争取各方支持、排队等设计师和产品经理这一整套流程。
第四，一个原型只放一个好点子。他发现新人常把好几个想法塞进一个原型，三个好点子埋在 20 个烂点子里。原型的用处是把一个想法讲清楚，让领导很快看懂机会在哪，也看出你就是能把它做成的人。
第五，用好自己的新视角。做面向用户的产品，新人更懂外部用户的感受，Felix 说他在 Slack 和 Notion 的同事就很难体会外部用户用自家产品是什么感觉。做基础设施和工具，新人还没学过那些“为什么做不到”的理由。
【Claude Code 桌面版就是这么来的】
Felix 举了 Anthropic 自己的例子。Claude Code 原本在命令行终端里用，靠敲命令、看文字输出，公司里大家都用惯了。后来是两位入职不久的工程师 Anthony Morris 和 Alice Zhao，用一个周末做出了带图形界面的原型，大约八天后第一个公开版本就上线了。Felix 说，这个图形界面版现在很受欢迎。
不考编程题之后考什么，Felix 说他还没想好。目前他会翻简历和作品集，找那些能看出品味、同理心和有原则的思考的小原型。他在文章末尾请读者告诉他更好的办法。
原文：https://t.co/NyfDNs4wn3 Anthropic 平台工程负责人 Katelyn Lesse：上千个 AI 智能体一起干活，还缺程序员解决四个难题
AI 越来越会写代码，很多程序员开始怀疑自己的手艺还值不值钱。Anthropic 平台工程负责人 Katelyn Lesse 10 月 25 日发文说，她看到的情况正相反：接下来一两年，AI 想做成大事，得先靠程序员解决一批新问题。她说，现在是当工程师最有意思的时候之一。
Lesse 在 Anthropic 负责平台工程，据她接受 Kleiner Perkins 访谈时的介绍，团队约 200 人。她此前在 Stripe 和 Betterment 带过工程团队。这篇文章发在她的个人博客和 X 上，X 上阅读量约 61 万。
【这些问题从哪来】
AI 智能体，就是能自己调用工具、一步步完成任务的 AI 程序。Lesse 说，它最早只是聊天框，人盯着一问一答；后来模型能独立干更久、更难的活，开始搬到云端运行；再往后出现了多智能体系统：一个总管 AI 把任务拆开，分给一批助手去做，还有的 AI 专门负责打分、提建议。
她说，现在已经有人在搭由成千上万个智能体组成、连续工作不停的系统，用来做科研、新发现和硬件设计。规模一上来，就冒出了四类新问题。
【难题一：服务器怎么安排】
现在大部分软件跑在 Kubernetes 上，这是一套给服务器排班的系统，擅长管“一模一样的副本，哪个挂了换一个顶上”。Lesse 说智能体正好相反：每个都是独一份，记着自己干到哪了；大量时间在等模型回话、等工具、等别的智能体或等人回复，闲多久说不准，忙起来又可能一下冒出几千个。
Google 上个月开源的 Agent Substrate 就是冲这个问题做的。据 Google 官方博客，它能让闲着的智能体休眠、把资源腾出来，需要时半秒内唤醒。Lesse 说这块还有大量问题没解决。
【难题二：谁在干活，能干什么】
很多智能体用的是人的账号和权限，系统得分清某个操作是人做的，还是 AI 替人做的。更难的是授权：一个系统替你连干几周，你怎么事先讲清它能做什么、不能做什么？智能体之间互相派活时，一个智能体凭什么相信另一个？Lesse 说，确认身份可以借用现成技术，比如用很快过期的临时凭证代替长期有效的密钥；授权这块基本还是空白。
【难题三：一个被骗，全队遭殃】
Lesse 说，最近几个月，尤其最近几周，软件漏洞冒出来的速度超过了业界修补的速度，很多出在大量系统依赖的核心软件里。本月 PHP、GitLab、Node.js 就接连发布了严重漏洞的修复。上千个智能体跑在这些软件上，还要写来路不明的代码、读来路不明的网页，没修好的漏洞就危险得多。
多智能体还多一层风险：一个智能体被网页里藏的恶意指令骗了，可能把指令转给同伴，甚至写进共享记忆，让后来的智能体也照做。她的建议是让每个智能体在严格隔离的“沙箱”里干活，好比实验室把每份样本放进独立的密封箱，一个出事不会传染整屋。
【难题四：跑偏了要能叫停】
系统得记下每个智能体做了什么，而且任何智能体都改不了自己或别人的记录。还得有一个总闸，监控一发现问题，就能把整个系统一次停下，收回所有权限。Lesse 说最难的是判断系统有没有跑偏：一个智能体反复尝试访问不在白名单里的网站，可能是在搞破坏，也可能只是太想把任务做完。
文章最后，Lesse 对正在焦虑的工程师说，这些领域大多还没有现成答案，值得钻进去学、形成自己的判断。
原文：https://t.co/CDW4BthOgP
Agent Substrate 官方介绍：https://t.co/M5LtIg57lH 假如把我的 AI Coding 经验沉淀成一些最佳实践规则，可以给到大伙复用，会是怎么样的，于是乎，今天一下午我就在琢磨这个事情，手写反复调整后给到大伙，可以让你和你的 Agent 一起去学习。
需求
1. 从技术实现细节编程转变成许愿式编程，现在模型能力已经住足够强大，你只需要大胆把自己想法说出来，给它提足够高的要求和任务，不要担心 AI 实现不了。
2. 多给你的 Agent 讲做这件事情的背景和目标，少替他考虑技术细节，告诉它为什么要做，是给谁用的，做成什么样子你认为是最好的，具体的技术细节让它自己去判断，学会放手。
3. 优先用业界最好的模型，用差模型浪费的时候，一来回让你很不高兴的干活，二来也浪费了很多时间。
4. 要不要做一个新功能以及加一个新配置、开关的时候，让 Agent 来先问你找你确定，没有人用的功能、开关、文案都不要让他去加，慢慢把这一套你的产品规范让他沉淀起来。
5. 你的想法可以很大，但是让 Agent 干活的时候，尽量让他每次拆分成最小的可用功能版本，不要一次写非常多的代码，即使提交，这样出问题了你可以随时撤回。
规则
6. 让你的 Agent 了解你的说话风格，比如说看看、分析一下这个问题的时候，它只需要去读代码分析问题不要去改代码，你说修复、修改的时候才去动手，每次提交、发布和删除的时候都找你确定。
7. Agent md、CLAUDE md 里面除去重点的项目型要求外，只写代码里面看不出来的那种规则，以及之前被否决过的方案也可以分流进去。对你而言密钥和 token 不要贴给 Agent，贴了就当已经泄露了，立马去更换一个。
8. 对于Agent必须遵守的规则不要完全信 prompt，可能会拦不住，一定要用规则脚本去限制，让它真实跑一遍通过后才算完成了。
编码
9. 开始写代码之前，先让 Agent 讲清楚要改什么地方，会影响到什么功能和效果，这样是为了补充你的上下文，方便后面更好判断决策做什么。
10. 一定要让 Agent 基于项目补充一个能够让自己验证各种结果的脚本，每次特定的时候需要去跑一下验证效果，完成功能后需要检查，让他输出结果给你看，并基于此逐步沉淀你的项目 Agent 测试功能集。
11. 假如有多个 Agent 同时干活的时候，让他们各自用一份独立的 worktree 代码目录，同时提交的时候只提交自己改的代码，不要碰他人的代码，等到各自改完合到一起，再完整跑一遍测试。
排查
12. 修 Bug 的时候先找到原因再去动手，假如两次都没有修好，就去加一些日志看真实的数据以及运行效果，不要盲目去猜问题在哪儿。
13. 假如尝试修复了3次还不对，直接清空上下文重新写清楚你的问题、诉求，以及尝试过的解法让 Agent 重新开始。
审查
14. 让写代码的 Agent 和 Review 审查代码的 Agent 分开，保持解耦，这样一方不会被另一方带偏。
15. Review 代码的时候最多让 Agent 跑 3轮，防止跑着停不下来，第二轮开始只看新改动的地方，不要再把之前 Review 的再看一遍。
16. 对于你和 Agent 判断危险的改动，越危险让他查得越深，特别对于删除、付费、发布这种单向门改动你都需要自己去看一遍，点一下，看实际效果。
发布
17. 每次提交的时候，让Agent 写清楚做了什么，怎么去验证这个改动，除了问题怎么来回滚，用于给到后面开发过程中 git 记录本身就是 Agent 的一个非常好的上下文。
18. 需要对外的功能，可以先给自己用，或者给一批愿意尝鲜的用户使用，不要一上来就全量，可以在你的软件里面假如 beta 更新的开关，防止全量有问题，也是对用户负责。
18. 先给自己和愿意尝鲜的人用，没问题再发给所有人。
复盘
19. Agent 需要对每一个线上 Bug 和用户反馈的问题都留一个测试案例，每次上线前都来跑一遍，防止继续踩坑，包括你换模型的时候也可以把这些旧问题全部都跑一遍，看看模型是否还行。
20. 修复问题的时候，让 Agent 学会举一反三，把同类的问题一起修复掉。优化功能的功能，完善视觉的时候也是一样，防止只改一个地方，忘记了其他的地方。
https://t.co/BPZSXz2ju2
南京大学蒋炎岩老师的个人博客，记录了自己负责教学的操作系统、计算机组成原理、软件工程的全部课程内容
其中较为著名的是《生成式软件工程》
主要回答了，在AI时代，为什么软件工程仍然不可替代且愈发重要，如何将软件工程思维应用于AI开发应用的全流程，实现软件开发的高效、清晰、稳定、易于维护，而不是产生大量AI slop，当算力部分乃至完全取代智力，我们如何正确驾驭
课程涵盖
欢迎来到未来
提示词与上下文工程
版本管理 (1) | Lab1: 个人数字助手
版本管理 (2)
软件工程的来龙去脉
需求和架构 (1)
需求和架构 (2) | Lab2: Deeper Research
Agent Native 开发
DeepSeek Harness
“欢迎来到未来”
不要只盯着硅谷，还有金融
大银行都很早就与模型公司合作AI化后台了，只是他们流程容错率比较低、钱比较多，行动比较慢
但过程就是个时间问题，ops, compliance, audit, risk, KYC/AML, finance, treasury…猜猜有多少人
这些事情highly tedious, zero-error，对人很头大，对AI毫无压力 我有预感，明年一大部分收入很可能会源于 vibe coding
不管这个东西是叫 FDE 还是企业咨询（甚至你管它叫外包也好）
我都发现我有一个非常好的机会去了解外部的需求，而满足这个需求的杠杆又极高 —— 他们用 10 个人干一个月的事儿，我一个人只需要半下午
量变就会产生质变，很多在以前看来可做可不做，收益也不是很高的事情，现在突然变得 ROI 极高 研究了近几年十家利用AI赚钱的一人公司，年营收从几十万美元到数百万美元不等。他们的商业模式很相似：利用现成的AI模型解决具体需求，通过SEO、X 等渠道持续获客，再通过订阅或按次收费实现自动化交付。一人公司的核心不是一个人做所有工作，而是一个人经营一套能够持续赚钱的商业系统。 https://t.co/z3oTz7Ml52
Anthropic 工程负责人暴论：传统的编码面试已经死了
他们不在面试过程中让面试人写代码了，比如做算法题和用代码实现小功能。
借助 AI ，初级工程师是非常有希望快速超过那些资历更老的工程师的，他给了一些建议：
1. 追求商业影响力，而不是只埋头看需求列表。公司雇你是为了让你创造商业价值，而不是仅仅为了编程
2. 一定要有一些大胆的想法，尤其是在 AI 能力突飞猛进的今天，这更重要
3. 用一个周末把它做出来，快速完成
4. 专注一个非常好的想法。不要想把多个想法塞到一个原型和一个产品里面，一个产品主要做一件事
5. 善用你作为新人的新鲜视角和用户视角。因为你很年轻，对用户有共情能力，可以敏锐地感知到产品的问题
谢谢评论 说一点我的愚见 我三个月前想法还是和你一样的 关注代码质量 关注diff 关注一些实现细节 专注于多 agent review 并且靠我来把关 修那个不修哪个 就是怕我自己的项目被它们完全搞成黑盒我看不懂了
但是慢慢我首先不认真的看源代码了，zed 也不怎么打开了，第一时间我还怅然若失，后来我开始不看 diff 了，后来 review 我也渐渐让 Agent 去做主了，只是像Anthropic 一样的规则，review 要能收敛，最多三轮，超过就打回来。后来我都开始放权了，部署等等。只要把测试和验证做好，我已经不需要知道细节了 也就是现在我已经接受它是完全黑盒了
可以看一下我发的的 Anthropic流程
Anthropic 是怎样解决 code review 的，每周数千个 PR，是我很喜欢的一篇文章 发了多次：https://t.co/54T2yeQkAZ
我相信这个产品也已经大部分都是黑盒了 但是有正确的workflow 还是能够做到可靠交付和长期负责 Dan Koe 这篇很棒，我有亲身感受，总结一下分享给大家！大众对百万粉大 V、遥不可及的炫富生活和完美身材已经脱敏；相反，一个毫无技术背景的 40 多岁宝妈仅凭一个「30 天挑战」数字产品就能完成百万美元级发售。社交媒体正在演变为去中心化教育系统，人们真正共鸣并愿意付费的对象 - “You are the niche”
创作者的三阶演化：
第一阶：网红（Influencer）被注意力本身支配。内容优化目标是「消费完即忘的廉价多巴胺」，高度熵增，对人类思考能力的破坏远超 AI；
第二阶：个人品牌（Personal Brand）被转化漏斗支配。每条帖子都是指向课程、模板或训练营的一步，虽有真实教育价值（社会净正值），但容易被短期转化率捆绑；
第三阶：思想匠人（Artisan）——用社交媒体补贴并滋养一套超越算法的终身作品体系（如 James Clear、Jordan Peterson，乃至跨越生死的 Alan Watts 与马可·奥勒留）。注意力和金钱只是「在读者脑中留存并改变其行为的作品与思想」的自然副产品。
AI 时代最后的护城河是观点（Perspective）与思想博物馆（Idea Museum）：当任何人都能用 AI 在 10 秒内生成 1,500 字漂亮废话时，唯一无法被 AI 替别人生成的资产，是你读过的书、听过的播客、与他人的争论以及人生经历复利交织出的「现实解释框架」。
许多人写不出东西，是因为想法在 24 小时内就会蒸发，且没有把自己的视角显性化。解法是建立包含已验证爆款结构（Validated Ideas）与私藏挚爱思想（Favorite Ideas）的思想博物馆，并在输入端远离同质化新闻热搜，只摄入「几乎每句话都好到无法忽视」的高思想密度源（例如冷门老书、深度博客、5–10 位高密度思考者）。
没人拥有话题，你只拥有视角！受众上社交媒体不是为了找全新话题，而是看喜欢的创作者如何重新诠释老母题。对任何一个常见观点写出 5 个折射角度：
1. 我钟爱的思想家会怎么说？
2. 对过去的自己怎么说？
3. 如何重新定义？
4. 大众共识是什么而我反对哪一点？
5. 对普通人日常意味着什么？
例如将老生常谈的 “限制带来创造力” 重构为：“限制不带来创造力，限制带来决断力——因为空白页是伪装成灵感问题的决策问题”。未来四周的极简启动路线图：
Week 1（建思想博物馆）：在手机上配好随时捕捉灵感的入口，建立 5 位高密度创作者观察列表，每天存 1 个核心想法；
Week 2（逆向工程与五维改写）：找 3 位中腰部创作者做逆向拆解；每天对 1 个想法写 5 个不同视角，挑选最好的发出；
Week 3（信号反馈）：持续发布，重点观察哪些帖子引发了最多的评论回复与具体提问；
Week 4（最小可行产品闭环）：挑出最痛的 1 个高频问题，写成 1 页纸精华指南免费发放以收集邮件列表，随后将其扩展为完整的数字产品/社群，并持续迭代 12 个月。
内容是市场调研，产品是经验的延伸✨
我的判断路径
1、卖工具也好，卖咨询也好，生产力场景的核心是让别人赚到钱，然后别人分你钱
当然，这个钱可能是预付，比如我知道 MacBook 能帮我赚钱，所以我不管最终赚不赚到，我先买 MacBook
2、dbskill 跑了几个月，我意识到，我的 skill 可以帮很多人赚钱，但是真正用上的人只有 1%
3、所以赚钱的机会就是：如何让 99% 的人用上 dbskill
4、用上 dbskill 两大门槛：1️⃣ 不会使用通用 Agent 2️⃣ 不会写提示词，不知道用哪个 skill 干啥事
5、问题 1️⃣ 通过微信解决，直接在微信里面扫码开箱即用，直接不用学了，bot 智能决策应该调用什么 skill
6、问题 2️⃣，即便在微信里面，我不会写提示词，AI 不说话、人也不说话，skill 依然不会被调用，那就 proactive，让 AI 主动说话，让 AI 主动告诉你，你还有什么事情没干完，而它接下来准备用什么技能帮你干好这个事情，你只需要说：“1” 就可以了
7、可是 AI 怎么才能完成这个事情呢？上下文从哪来呢？解决方案有三：
A、开场的时候主动对话，主动收集信息
B、对于不能搭建知识库的用户，售卖一个搭建知识库的服务，这个知识库既可以服务 codex，也可以服务 dondon bot
C、对于已有知识库的用户，用户直接在微信把一个压缩包发给 dondon bot 就行了，一键拥有上下文 现在的 FDE = 企业咨询➕小程序网站外包➕倒卖 token➕Agent 开发
什么事儿都能往这个词上面套
当一个人说他做了一单 FDE，99%的情况是：他接了一个小程序外包（接入了 DeepSeek API） to C的业务逻辑每几年就要变一次，现在两三年前业务能力就已经过时废了，现在大批失业找不到工作的，都是这种人
而to B混得好的人，关系都是自己的，人与人之间的信任才是真正可复用可放大的资源😅
所以年轻人听建议要慎重😄
AIControversialAll-time data
AI商业交付讨论延伸至FDE外包与付费产品
中文X围绕商业交付的讨论新增FDE概念泛化、企业客户信任和知识产品付费三个角度。dontbesilent认为，企业咨询、小程序网站外包、Token转售和Agent开发都被装进FDE标签，并以接入DeepSeek API的小程序外包讽刺概念包装。大漂亮从消费端与企业端业务差异出发，强调客户关系和人与人之间的信任具有复用价值。indigo转述Dan Koe文章及数字产品发售案例，认为用户更愿意为能够产生共鸣的经验型内容付费。这些内容延续从工具能力转向客户价值、获客与商业交付的脉络，但不是同一项目的经营记录。候选材料没有FDE业务样本统计、客户留存数据或发售收入凭证，不能验证相关比例、成功案例及商业模式的普适性。
#商业交付#FDE#DeepSeek API#客户信任#知识产品
Topic heat
6425
Posts
14
Views
55.9万
Creators
11
Topic trend
From first appearance to last update, with a seven-day minimum window.
All related posts
14 posts in total
