Keep on to blur preview images; turn off to show them clearly
J 人真的是太可怕了！！
🚧 building https://t.co/AJfZ3LMlgq https://t.co/SSdYgVYZsz https://t.co/s0m0tpQMDH https://t.co/Z3WryKZr0l 🐣learning/earning while helping others ❤️making software, storytelling videos 🔙alibaba @thoughtworks
https://t.co/fXLdLkAV2s
codegen @mistralai, husband
mistral’s applied ai team is hiring a lot, all profiles (SWEs, MLEs, scientists, etc.) welcome come tackle subjects like physical AI, time series, material sciences, cybersecurity etc. with a cracked team positions are around the globe with remote available (!) link below
https://t.co/fXLdLkAV2s
恭喜恭喜，真的是动手去做了，才会有后续。
哥飞，出海鼓励师，SEO爱好者，Adsense玩家，出海AI工具方向创业者。 同名公众号写了五百多篇出海搞流量免费教程文章。
项目并非任务的简单堆砌 —— 当前 AI 在自动化复杂工作时仍有核心瓶颈：AI 虽能处理单个任务，却难以驾驭整个项目。 作者 @snewmanpv 是 Google Docs 创始人，他以软件工程为切入点，强调项目管理的“整体大于部分之和”，并质疑一些“短期 AGI 时间线”论调——即 AI 一旦掌握月级任务，就能轻松扩展到年级规模。文章通过作者亲身经历和逻辑分析，客观剖析 AI 的差距，提醒我们高估 AI “填补空白”的速度。 核心论点：项目不是任务的“乐高积木” 作者开篇指出，评估 AI 能力时，人们常将工作拆解为“任务清单”（如编码、调试），但这是一种简化思维。现实中，任务间边界模糊，信息会“渗透”：完成一个子任务时，你不仅产出代码，还会积累对问题、代码库或数据的新洞见。这些“副产品”可能在后续任务中发酵，推动整体策略调整。如果将子任务分配给独立的 AI 智能体，并在完成后丢弃其“记忆”，这种学习链条就会断裂，导致 AI 难以形成连贯的进步。 作者引用放射科医生为例：他们不只解读图像，还需与患者和同事沟通——这些“模糊”活动无法简单拆分。同样，在软件工程中，项目管理依赖高层次技能，如持续适应和跨任务洞察，这些在任务清单中鲜有体现，却对成功至关重要。 对比案例：从小项目到巨兽的跃迁 为阐明观点，作者分享两段经历，突出规模带来的质变： · 小项目：Writely 原型（约1人年） 2005年，作者与两位伙伴用4个月敲定 Google Docs 的前身 Writely。这是个“即兴”过程：快速搭建服务器、UI 和同步机制，问题来了就修。整个系统易于脑中把握，无需长远规划，更多靠“直觉”和即时应对。虽有技术挑战（如浏览器兼容），但整体像“热身赛”——无需系统性工具或经验积累。 · 大项目：Scalyr 系统（约100人年） 2011年起，作者领导数十人团队，用10年构建日志分析平台 Scalyr，用于诊断复杂 Web 应用的故障。这要求全新技能： · 系统性问题解决：不止逐个修 bug，而是识别模式，一次性消除整类问题（如服务器协调故障）。这依赖多年经验和判断力。 · 战略规划：中途遇客户流失等危机，团队需重塑方向——评估架构、分解步骤、验证假设、及早纠偏。这像“指挥交响乐”，而非单人独奏。 · 性能诊断：在千服务器间瞬时分发任务，需精选关键数据点监控，避免信息过载。 作者强调：小项目的“智能体技能”（如任务分解、纠错）在大项目中往往失效，甚至成障碍。Writely 的“即兴”在 Scalyr 会酿成灾难。 AI 的“升级门槛”：超出当前范式的认知技能 文章借用管理学概念“What Got You Here Won’t Get You There”（带你到此的技能，无法带你更远），论证 AI 进步曲线并非线性。当前 AI（如 Claude Code）擅长短期任务，但扩展到大项目需“深层认知”： · 上下文管理：大项目生成海量细节，AI 须筛选相关信息，而非淹没其中。 · 持续学习与适应：资深工程师会“定制”技能，针对项目痛点优化代码和调试习惯—— AI 的“一次性”训练难以模拟这种积累。 · 元认知：不止执行，还需反思流程、预测瓶颈、迭代方法。作者引用 AI 研究员 Nathan Lambert 的观察：现代训练管道从简单几步，演变为多团队协调的复杂网络，需“预判风险”的领导力。 这些技能非“通用智能体”，而是领域特定、经验铸就。AI 掌握1年项目时，100人年规模仍遥远。 结论与启发：自动化需等待“AI 领导者” 作者重申：真正影响力的软件工程项目（如 Google Docs 的演化）往往从小起步，却需巨量投入。任务级自动化只是起点；全自动化需 AI 独立领导百人年项目。这挑战了“AI 能力曲线向上弯曲、即将爆发”的乐观图景——历史经验显示，规模跃升需全新 R&D，而非简单缩放。 文章地址
专注 - Context Engineering, AI(Coding)Agents. 分享 - AI papers, apps and OSS. ex Microsoft MVP 合作 - 私信/邮箱：shaomeng@outlook.com 📢 公众号/小红书: AI 启蒙小伙伴 🔗 信息卡提示词 🔽
Has anyone actually found that playing the keyword game is verifiably profitable? How do you even know a certain change leads to a certain different outcome?
iOS Dev. Building an appropriately-priced Speechify. 🔈