- 发布于
2026-第四十七周
- 作者

- 姓名
- AgedCoffee
- @__middle__child
该周报主要为各个地方内容的汇总整理
技术
我如何使用 AI(2026 年 10 月)——本·斯托洛维茨
作者在 2026 年 10 月回顾过去一年使用 AI 的变化:他从微软 Windows AI 团队工程师转为 Salesforce AI Research 研究工程师,月均 token 花费约 3000 美元;AI 已深度进入编程、检索、学习、转录等日常,但他通过个人 AI 政策、人工审查与选择性使用,抵御“AI 泥浆”和对创作与思考的侵蚀。
- 💼 背景变化:作者从大型工程团队转向研究支持与快速原型,AI 使用方式仍集中在编程、研究搜索、摘要转录与语音、写作、艺术音乐视频。
- 🧭 个人 AI 政策:他开始起草个人 AI 使用准则,希望为日常使用提供框架,并承认 AI 会渗入生活、扭曲规范,需要持续调整。
- 🤖 编程已被智能体改写:他每天管理约 5—6 个 Claude Code/OpenCode/Codex等智能体,让它们实现功能、修bug、跑测试、建PR;机器已写其90%以上代码。
- ⚡ 智能体优势:能快速原型、超快速试错、消除苦工,并让作者更敢于提出大改和代码审查建议。
- 🧑💻 但工程未解决:智能体独立运行会产出过度设计、难读、自嗨的“slop”,仍需人类品味、架构判断和测试验证;作者曾手写工具替换约 4000 行 vibe-code。
- 😵 使用代价:同时管理多个机器人对话令人过载疲劳,也带来编程手艺衰退的失落;代码审查转向架构、模式和智能体规则,而非逐行审查。
- 🔎 搜索与事实查询:Google AI 摘要已成默认入口,传统搜索“AI 优先”;产品搜索仍差且不可信,酒吧冷知识仍好用。
- 🎓 学习与教学:LLM 是强大老师,可逐步讲解、苏格拉底式提问、测验理解;但作者担心它太偏向“替你做”,削弱需慢思考的学习。
- 🧪 研究:文献搜索已成首选,但 LLM 仍可支持任意主张、带偏见;在新颖研究协作上表现不佳,容易让作者陷入“AI 雾”,人类专家仍更可靠。
- 🎙️ 摘要、转录与语音:摘要和转录“无聊地好用”,本地免费模型可 dictate 给电脑;语音除听写外仍未找到自然、私密、足够有用的场景。
- ✍️ 写作:仍不用 AI 从零写作或列大纲;仅让智能体写实验文档/README 并要求标明 AI 身份;AI 写作冗长空洞,编辑平庸且谄媚,但“找词”仍好用。
- 🎨 艺术、音乐与视频:图像生成整体净负面,因 AI slop 正取代人类艺术;AI 音乐在非商业、作为人类创造力透镜时有趣,商业化后令人反感;视频生成多为广告和垃圾内容。
- 🚀 结论与订阅:这一年是“勇敢新世界”的开端,AI 既产 corporate slop 也帮助人们学习和创造;他订阅 Claude Pro 与 GitHub Copilot Pro,已取消 OpenAI。
工具
更新
设计
其他
答案从未在明面上。先动手
文章面向 AI 时代刚起步的年轻职场人:不确定性并非这一代独有,回看才会显得清晰;与其等待迷雾散去,不如从“手艺 + 需求”出发,优先学习、主动建立真实连接、为自己争取机会,并在 disruption 的裂缝中寻找自己能填补的缺口,先开始再说。
- 🌫️ 每一代人的职业起点都充满不确定性;过去看似清晰只是后见之明,迷雾不是等待的理由。
- 🛠️ 用“手艺 + 需求”替代宽泛的 ikigai:持续打磨你忍不住反复做的事,再把它指向真实问题。
- 🔁 手艺让你看见需求,需求又告诉你下一步该学什么;保持这个循环,减少对单一岗位、技术或未来预测的依赖。
- 💰 不必在意义与金钱之间二选一;多数人可以在广阔中间地带做有价值且能体面谋生的工作。
- 🧭 不要让父母、学校或职业建议行业替你决定路径;“安全选择”本身也在快速变化,要诚实面对自己能否长期坚持。
- 📚 第一份工作应优先优化学习而非薪水:靠近更强的人、接触真实问题和行业运作;起薪不是终身收入的最终预测。
- 🚪 入门级招聘收紧时,别只海投简历;用具体短讯联系真人、做 demo 展示能力、认真准备并跟进,以真实连接突破噪音。
- 👥 找到同阶段伙伴并定期见面,再连接几位前辈;这是低成本的职业加速器,也能在申请无回音时提供支持。
- 🙋 早点为自己争取、押注自己;冒名顶替感会不断移动门槛,而有趣项目和更大舞台常属于敢开口的人。
- ✨ AI 时代判断力、品味、伦理和人际连接更珍贵;disruption 的裂缝就是新需求,找到你能填补的缺口并开始。
五项正在改变我对软件工程中人工智能看法的研究
这五篇研究共同表明:AI 正在显著压缩编码等上游工作,但瓶颈已转向评审、集成、验证与理解;代码生成提速并未等比例转化为交付价值,开发者体验和团队共享理解也可能被侵蚀。
- 🧪 GitHub Copilot 观察性剂量反应研究覆盖 16,223 名开发者、43 周,发现高使用周的人均每小时完成 PR 数约高 40%,且大 PR 收益更明显,说明提升不只是把工作切小。
- 🚚 NBER 对 10 万 + GitHub 开发者的研究显示,AI 使提交量从自动补全约 +40%、交互式代理 +140% 升至自主代理 +180%,但发布量最多约 +30%;AI 与人工努力仍以互补为主,替代弹性约 0.25。
- ⚖️ 一项为期 6 个月、95 名工程师的纵向研究发现,84% 参与者持续认为生产力提升,但报告至少一个维度 DevEx 变差的比例从 14% 升至 27%,出现“生产力—体验悖论”,心流最易受损。
- 🛠️ 对 860 名微软开发者的调查提出“有界委托”:开发者希望 AI 承担文档、边缘用例测试等装配工作,但不接管核心逻辑、架构和关键决策,并强调权限范围、数据来源、不确定性提示和最小权限四类护栏。
- 🧠 Margaret-Anne Storey 提出技术债、认知债与意图债三层框架:AI 有助于减少代码层技术债,却可能加速团队“不知道”的积累和意图缺失;三者会相互放大。
- 🚧 综合结论是:瓶颈已经下移,但工具、指标和团队设计尚未跟上;未来重点在于把验证、评审、集成和共享理解当作一等交付物来建设。