首页
学习
活动
专区
圈层
工具
发布
首页标签工程师

#工程师

AI时代,AI怎么帮助我们制造业的工程师提升开发能力?

数据库界华少

六棱镜(杭州)科技有限公司 | 运维工程师 (已认证)

OceanBase OBCP、MySQL OCP 认证 墨天轮MVP、YashanDB YVP、金仓KVA、TiDB MVA,腾讯云架构师同盟
介问题,咱们制造业工程师有啥可焦虑的?😂 以前咱们干活,那是“图纸堆里找数据,车间里头吃灰尘”。现在有了AI,这就好比给你配了个“副驾”。 它能给你带来嘛? 首先,它是你的“外挂翻译+字典”。那些外文设备的说明书、几百页的技术标准,直接扔给AI,让它给你划重点,比你熬夜翻书强多了。 其次,它是你的“代码代写”。你想弄个自动化脚本处理一下测试数据,不用去报培训班学编程了,直接对着AI说“帮我写个读Excel并自动算平均值的脚本”,拿来一跑,齐活儿! 至于被淘汰?你得这么想:老板买台几百万的设备,还得靠你去调参数。AI连个螺丝都拧不了,它能淘汰谁啊? 拥抱AI,把那些重复填表、写废话报告的活儿全扔给它,咱们去干点更需要脑子和经验的硬核活儿!... 展开详请

62:FDE:测试工程师更适合做交付吗?

测试工程师转 FDE 的适配度被低估了,但要区分「测试思维」的哪一部分在迁移:1. 高度可迁移的能力:a. 「对系统行为的怀疑与验证」——FDE 的核心工作之一是评估 Agent 的行为边界(什么输入下会出错、错得多离谱),这就是测试用例设计的思路:边界值、异常路径、组合场景。测试工程师写测试集的经验直接平移到 eval 集设计——什么算 pass、什么算 fail、覆盖度怎么衡量,这套方法论测试工程师是现成的,多数「软件工程师转 FDE」的人反而要现学;b. 复现与最小化——报 bug 的基本功(把问题缩到最小可复现)就是 FDE 排查 Agent 行为异常的日常:为什么这个 prompt 触发幻觉、为什么这个工具调用失败,都是从模糊现象收敛到最小复现;2. 需要补的能力缺口:a. 对外交付的沟通面——FDE 的大量时间是和客户/业务方对齐「要 Agent 做到什么」(需求定义),测试的沟通对象是内部团队,对外沟通的 muscle 需要练;b. 快速搭建的工程手感——FDE 要现场搭原型、改 prompt、接工具,这是开发侧的活,测试背景的人手速可能不如 dev 背景的人。但这个缺口比 dev 背景补「评估方法论」的缺口小——工具(低代码 Agent 平台)在降低搭建门槛,而评估判断力的门槛降不下来;3. 交付适不适合:拆开看。FDE 的「交付」如果定义为「把 Agent 部署上线跑起来」,测试背景的人做 demo 搭建 + 评估验收都强,方案设计环节(架构选型)偏弱;定义为「从需求到验收全程 owner」,那测试背景的人适合的是「验收标准定义 + 评估体系搭建」这条专精线,而不是全栈 owner。结论:测试工程师是 eval-heavy 型 FDE 的最佳人选(评估、验收、质量门禁),交付 owner 角色则要配一个 dev 背景的搭档组队——单看岗位,招聘市场上 eval 专精的 FDE 比全栈 FDE 更稀缺,测试背景的人往这个差异化定位打,比补短板去卷全栈更有胜率。... 展开详请
测试工程师转 FDE 的适配度被低估了,但要区分「测试思维」的哪一部分在迁移:1. 高度可迁移的能力:a. 「对系统行为的怀疑与验证」——FDE 的核心工作之一是评估 Agent 的行为边界(什么输入下会出错、错得多离谱),这就是测试用例设计的思路:边界值、异常路径、组合场景。测试工程师写测试集的经验直接平移到 eval 集设计——什么算 pass、什么算 fail、覆盖度怎么衡量,这套方法论测试工程师是现成的,多数「软件工程师转 FDE」的人反而要现学;b. 复现与最小化——报 bug 的基本功(把问题缩到最小可复现)就是 FDE 排查 Agent 行为异常的日常:为什么这个 prompt 触发幻觉、为什么这个工具调用失败,都是从模糊现象收敛到最小复现;2. 需要补的能力缺口:a. 对外交付的沟通面——FDE 的大量时间是和客户/业务方对齐「要 Agent 做到什么」(需求定义),测试的沟通对象是内部团队,对外沟通的 muscle 需要练;b. 快速搭建的工程手感——FDE 要现场搭原型、改 prompt、接工具,这是开发侧的活,测试背景的人手速可能不如 dev 背景的人。但这个缺口比 dev 背景补「评估方法论」的缺口小——工具(低代码 Agent 平台)在降低搭建门槛,而评估判断力的门槛降不下来;3. 交付适不适合:拆开看。FDE 的「交付」如果定义为「把 Agent 部署上线跑起来」,测试背景的人做 demo 搭建 + 评估验收都强,方案设计环节(架构选型)偏弱;定义为「从需求到验收全程 owner」,那测试背景的人适合的是「验收标准定义 + 评估体系搭建」这条专精线,而不是全栈 owner。结论:测试工程师是 eval-heavy 型 FDE 的最佳人选(评估、验收、质量门禁),交付 owner 角色则要配一个 dev 背景的搭档组队——单看岗位,招聘市场上 eval 专精的 FDE 比全栈 FDE 更稀缺,测试背景的人往这个差异化定位打,比补短板去卷全栈更有胜率。

服务降级的业务分级你们是怎么定的?降级开关如何防止腐化?

业务分级:不按服务名分,按「用户旅程 + 后果」分。每个功能回答三个问题:① 关掉它,用户还能不能走完主流程(浏览→下单→支付)?② 关掉会不会造成资金/数据错误(而不只是体验差)?③ 关掉多久可容忍?据此落三档:S0 核心交易(不降级,只做扩容和限流保护);S1 重要体验(评论、推荐、库存展示——可分钟级降级,降级要有替代输出如缓存快照/默认文案,不能白屏);S2 旁路能力(积分、消息推送、行为日志——随时可降,甚至平时就按需开关)。两个容易被忽略的规则:分级沿调用链向上继承——下游服务被 S0 业务依赖时自动按 S0 对待,按「依赖它的业务的最高级别」定级而不是它自己觉得自己不重要;分级清单由业务方与技术方联合评审并写入配置中心,跟版本变更同步更新,否则半年后分级表和现实就对不上了。 开关防腐化:核心是「第一次按下不能发生在故障时」。腐化的根因是开关加了没人验、代码演化后降级路径悄悄失效、没人敢动。四条对策: ① 定期真演练:月度/季度降级演练,真按下开关、真观察降级路径是否可用、真恢复。演练不过的开关视为「坏开关」,修复或删除; ② 新增开关三要素:PR 里新增降级开关必须附「验证方法、预期效果、恢复步骤」,缺一不合入——从源头保证每个开关都是可验证的; ③ 开关生命周期管理:配置中心集中管理 + 变更审计(谁改的、diff 可查、关键开关变更走审批),每半年清理一次「长期未触发且演练未覆盖」的开关——长尾坏开关是事故放大器; ④ 状态可见:开关状态打点上报,降级生效期间在核心监控大盘显式展示(横幅级),防止「降级了没人记得恢复」这种最尴尬的二次事故。 一句话:分级决定「谁可以被降」,演练决定「降级真的可用」——后者比前者更容易被忽略,也更容易出事。... 展开详请
业务分级:不按服务名分,按「用户旅程 + 后果」分。每个功能回答三个问题:① 关掉它,用户还能不能走完主流程(浏览→下单→支付)?② 关掉会不会造成资金/数据错误(而不只是体验差)?③ 关掉多久可容忍?据此落三档:S0 核心交易(不降级,只做扩容和限流保护);S1 重要体验(评论、推荐、库存展示——可分钟级降级,降级要有替代输出如缓存快照/默认文案,不能白屏);S2 旁路能力(积分、消息推送、行为日志——随时可降,甚至平时就按需开关)。两个容易被忽略的规则:分级沿调用链向上继承——下游服务被 S0 业务依赖时自动按 S0 对待,按「依赖它的业务的最高级别」定级而不是它自己觉得自己不重要;分级清单由业务方与技术方联合评审并写入配置中心,跟版本变更同步更新,否则半年后分级表和现实就对不上了。 开关防腐化:核心是「第一次按下不能发生在故障时」。腐化的根因是开关加了没人验、代码演化后降级路径悄悄失效、没人敢动。四条对策: ① 定期真演练:月度/季度降级演练,真按下开关、真观察降级路径是否可用、真恢复。演练不过的开关视为「坏开关」,修复或删除; ② 新增开关三要素:PR 里新增降级开关必须附「验证方法、预期效果、恢复步骤」,缺一不合入——从源头保证每个开关都是可验证的; ③ 开关生命周期管理:配置中心集中管理 + 变更审计(谁改的、diff 可查、关键开关变更走审批),每半年清理一次「长期未触发且演练未覆盖」的开关——长尾坏开关是事故放大器; ④ 状态可见:开关状态打点上报,降级生效期间在核心监控大盘显式展示(横幅级),防止「降级了没人记得恢复」这种最尴尬的二次事故。 一句话:分级决定「谁可以被降」,演练决定「降级真的可用」——后者比前者更容易被忽略,也更容易出事。

少招新人,几年后谁扛架构?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
正面看,初级岗位占比下降确实可能是组织信号:Anthropic报告显示技术部门初级员工占比从21%降至14%,同期公司规模扩至三倍,单看比例容易把扩张、招聘结构和AI提效混在一起,因此不能直接归咎AI。技术上传帮带不能只靠口头,需用测试、观测、灰度、回滚复盘等低风险任务,让新人在真实战场积累判断依据;产品上把低风险任务阶梯做成平台能力,让资深工程师通过成对评审和事故演练传判断;商业上先核对招聘总量、增长阶段和初级绝对人数,避免用单一口径讲错故事。 反面看,若只追求眼前提效,砍掉新人实战和指导机会,机会成本会在几年后显现:资深工程师来源变窄,关键岗位梯队断层,返工和导师负担上升,架构风险最终由组织买单。AI替代重复劳动,不应替代培养未来负责人的机会;把占比下降当唯一结论,既可能误伤招聘,也可能掩盖培养路径缺失。 定论是,少招新人不是原罪,失去培养路径才是。组织应季度评估新人独立交付速度与关键岗位梯队覆盖,把培养当作平台长期能力;这样几年后扛架构的人,才不会在今天的报表里被提前删掉。... 展开详请

AI生成测试用例能当质量门吗?

iEasyRunieasyrun.com 运营总监

日志用大模型改写,排障会迷路吗?

GavinGengai学习
会,而且是在你最急着排障的时候迷路。我把这个坑实打实踩过一次。 先说为什么会迷路:排障靠的是日志里的精确信号——报错堆栈的那一行、那个超时的毫秒数、那个诡异的返回码。大模型一改写,最喜欢干两件事:把长堆栈概括成一句服务调用失败,把 NullPointerException at com.xxx.Service:142 变成在处理用户请求时出现了空指针。信息没丢多少,但定位线索全断了,你拿着改写后的日志去搜,搜不到任何东西。 我现在的做法是分层:原始日志永远留一份不动,这是排障的底稿;让模型做的只是在原始日志基础上加注释,比如标出哪一段是慢查询、哪一段是异常,而不是替我重写。这样既能借AI的眼睛快速扫出异常,又不丢定位能力。 还有个坑:模型可能会补全它觉得合理的上下文,把你没说的因果加上去,排障时这种幻觉比没日志还坑。所以原则就一条——日志的事实层必须是机器原样,AI只动解读层。你敢把排障日志全交给模型改写,等于把导航仪的话筒拆了还指望它带路。... 展开详请

AAIF大图先砍Agent胶水代码吗?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
已采纳
AAIF若定义统一工具协议、记忆接口、模型路由和可观测事件,开发者能少写大量重试、鉴权、格式转换与回退代码。判断依据是Agent故障多来自胶水层不一致,标准层可把模型、工具、数据源解耦。验证可选一个已有Agent,替换工具调用与记忆模块,记录代码行数、联调时长、回归用例通过率,若胶水代码减半且回放一致,则值得推进。 AAIF不能消除业务胶水。领域权限、数据脱敏、幂等、人工审批和异常语义仍要开发者实现;若大图接口过粗,反而把复杂度藏进黑盒。边界在高并发写操作、强事务、私有协议和边缘设备,标准协议可能不覆盖。验证要故意制造工具超时、模型限流、记忆冲突,观察AAIF是否给出可编程回退点,而非只能整链重试。 开发策略是“先削重复胶水,不交业务控制权”。把AAIF当依赖注入层,保留适配器与逃生通道。每迭代以代码行数、P95延迟、回放通过率、故障定位时长四项验收;若接口无法暴露幂等键和追踪ID,就暂缓替换核心链路。通过契约测试后再扩到多Agent协作。... 展开详请

Open-Sora二次开发先改哪一层?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
已采纳
先动数据管道和 VAE 缓存这层,性价比最高。视频训练的大头是 VAE 反复编码,把 latent 离线缓存成文件,训练时直接读,显存和计算都省一大截,改动只落在 dataloader,风险低好回滚。第二刀切文本编码器,T5-XXL 又大又慢,换成轻量编码器或者把 text embedding 也离线缓存,效果立竿见影。调度器改动小收益也不错,适合拿来练手验证流程。DiT 主干放最后,那是真改架构,4090 单卡基本玩不动,8 卡 A100 也要严格控制改动规模,不然消融实验都跑不完,一个想法验证周期就是几天。先在数据层拿到确定收益,再往模型本身动刀。... 展开详请

开源文生视频模型怎样做基准测试?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
已采纳
正:从测试视角,开源文生视频模型基准测试要同时覆盖质量与工程指标。质量侧用VBench、CLIPScore、FVD和固定prompt集,覆盖人物、动物、运动、文字、镜头切换;工程侧测首帧延迟、总生成时长、吞吐、峰值显存和失败重试,环境固定A100/4090、分辨率、帧率、seed与采样步数。 反:但边界是FVD依赖参考分布,CLIPScore与人类观感常背离,人工评分又贵且主观;不同模型默认帧率、分辨率、水印和提示词模板不同,直接横比SVD、CogVideoX、Wan2.1会失真,测试集若只来自公开短视频,会漏掉电商与口播场景。 定:可执行验证是建立三层门禁:冒烟层跑10条prompt查崩溃与OOM,回归层跑100条算VBench与延迟,验收层由3名标注员盲评可用率;每次模型或依赖升级都产出对比报告,低于上版95%可用率或延迟劣化20%即阻断发布。... 展开详请

本体论能生成AIGC测试用例吗?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验

可以,但不是“有本体=自动高质量测试用例”。本体论能作为生成引擎的“约束与结构来源”,让 AIGC 批量产出“候选测试用例”,再由规则/校验/评分把质量拉到可落库、可执行的水平。如果缺少形式化约束、状态机语义和“判定标准(oracle)”,AIGC 仍会产生大量不可用或重复用例

GPT生成需求草案缺少边界怎么验证?

GavinGengai学习
这是 AI 辅助需求工程的典型坑:模型给的草案"读起来很对、落地时没法验收"。问题不在模型能力,而在我们没给它"可证伪"的约束。 分享一套我反复验证过的三步法,把模糊需求逼成可验证的边界。 第一步:逼出量化验收口径 模型最爱写"提升体验""优化性能"这种词。直接回一句:"请把这条需求翻译成 3 个可测指标,每个都要有数字和测量方式。"比如"提升体验"要落到"页面首屏加载 < 1.5s""核心操作步数从 5 降到 3""错误率 < 0.5%"。没有数字的验收口径,等于没验收。 第二步:让模型自己举反例 这是最关键的一步。问它:"假设这个需求上线后出故障,最可能的 3 种失败场景是什么?分别发生在什么边界条件下?"模型往往会暴露它自己草案里的漏洞——比如"高并发下缓存击穿""空数据/超长文本未处理""权限边界未隔离"。这些反例就是你该写进测试用例的边界。 第三步:最小 demo 实测而非文档评审 别在文档层面反复改。拿草案里风险最高的一个点,用最小成本跑一个能跑的 demo(甚至写个脚本模拟边界输入),看实际行为是否符合预期。文档能骗人,运行结果不会。 可复用提问模板 "请基于以下背景输出需求草案。要求:①每条都带量化验收指标;②主动列出 3 个最易出错的边界场景;③标注哪些假设需要真人确认、不能由你替我决定。" 一句话总结:验证边界的核心不是"改文档",而是"把不可证伪的描述变成可证伪的命题"——量化、反例、实测,三件缺一件都不算验证过。 你平时让 AI 出需求时,最常被哪类"看起来对但落不了地"的坑绊住?评论区聊聊你的场景,我整理一份"AI 需求草案自检清单"发出来。... 展开详请
这是 AI 辅助需求工程的典型坑:模型给的草案"读起来很对、落地时没法验收"。问题不在模型能力,而在我们没给它"可证伪"的约束。 分享一套我反复验证过的三步法,把模糊需求逼成可验证的边界。 第一步:逼出量化验收口径 模型最爱写"提升体验""优化性能"这种词。直接回一句:"请把这条需求翻译成 3 个可测指标,每个都要有数字和测量方式。"比如"提升体验"要落到"页面首屏加载 < 1.5s""核心操作步数从 5 降到 3""错误率 < 0.5%"。没有数字的验收口径,等于没验收。 第二步:让模型自己举反例 这是最关键的一步。问它:"假设这个需求上线后出故障,最可能的 3 种失败场景是什么?分别发生在什么边界条件下?"模型往往会暴露它自己草案里的漏洞——比如"高并发下缓存击穿""空数据/超长文本未处理""权限边界未隔离"。这些反例就是你该写进测试用例的边界。 第三步:最小 demo 实测而非文档评审 别在文档层面反复改。拿草案里风险最高的一个点,用最小成本跑一个能跑的 demo(甚至写个脚本模拟边界输入),看实际行为是否符合预期。文档能骗人,运行结果不会。 可复用提问模板 "请基于以下背景输出需求草案。要求:①每条都带量化验收指标;②主动列出 3 个最易出错的边界场景;③标注哪些假设需要真人确认、不能由你替我决定。" 一句话总结:验证边界的核心不是"改文档",而是"把不可证伪的描述变成可证伪的命题"——量化、反例、实测,三件缺一件都不算验证过。 你平时让 AI 出需求时,最常被哪类"看起来对但落不了地"的坑绊住?评论区聊聊你的场景,我整理一份"AI 需求草案自检清单"发出来。

只写正常流怎么补全异常用例?

李福春游戏发行平台,跨境电商,低代码,物联网,数字人商业项目架构师
正:测试视角应强制每个需求至少包含正常流、边界流和异常流三层用例;正常流写“用户登录成功”,异常流需覆盖密码错误5次锁定、令牌过期、网络超时后重试。可从鉴权、限流、幂等、审计四个维度生成反例。 反:无限补全异常场景会使测试爆炸,测试团队可能陷入与需求无关的低概率故障;有些异常在需求阶段根本无人能确认,如第三方通道返回乱码,测试只能根据猜测写断言,误报率高。 定:异常用例按风险分级补全,高危资金和权限类必须覆盖90%以上反例,普通展示类覆盖输入空值和超时即可;测试执行时用故障注入验证真实行为,需求未写明的异常以错误码约定为基线。可执行验证是统计每条需求是否包含“正常/异常”双向用例,异常用例不足3条的标记为不可测。... 展开详请

上线只说“别崩”怎么定义SLO?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
SLO 不是空话,是一组可量化、可报警的承诺。 可用性按业务分层:核心链路(支付、下单)99.95% 起步,二级业务 99.9%,后台管理 99.5%。一刀切全公司 99.99% 成本差十倍。 延迟用 P95/P99 不用平均值。平均值被少数慢请求拉高,但用户体感是 P95。读 P95 < 200ms,写 P95 < 500ms,长任务单独走异步。 错误率看业务错误,不是 HTTP 500。404、参数校验失败是客户端错误,不计入。真正的服务错误率 = (5xx + 业务失败) / 总请求,5 分钟窗口聚合。 落地关键是 Error Budget。99.95% 一个月允许停 21 分钟,超了就冻结发版、优先做稳定。SLO 写出来是逼团队在速度和稳定之间做取舍,不是装饰。... 展开详请

我们这一代,会不会真的是最后一代需要把代码写得很好的工程师?下一代工程师最核心的能力,又会是什么?

薛晓刚-

欧冶云商股份有限公司 | 数据库首席 (已认证)

腾讯云TVP、CCF数据库专委会执行委员、Oracle ACE-Pro、腾讯云架构师名人堂、腾讯云数据库MVP
现在有几种情况 1 学生们都开始在没有扎实基础和实践上大量使用AI。我前段时间做了一个大学生全国比赛的评委。作为唯一一个产业界评委,我看到了学生们勇于使用AI的精神。有的学生什么都不会,就靠使用AI从500多支参赛队伍中进入了决赛。在这个过程中也学习到了很多。这是值得可定的。只不过这些是比赛,不是实战。 2 在AI使用上老师可能不如学生的能力。所以老师们无法教很多实战(本来产学研也是脱节的),而理论知识现在AI下的理论都每个月层出不穷,处于一线实际的我们也应接不暇。所以这问题也会导致学生们只能靠天赋异禀了。 3 去年我就说过企业因为经营压力问题,使用AI替代初中级工程师。导致本来学生们出来可以慢慢实战积累经验的途径被中断了。也就是现在所说的无法就业。最终我们是技术上传承出现了断代。 4 也许有企业还能招收应届生,但是快速交付的节奏下,没有心思研究基本功。也是AI代为完成。只有极少数可能深耕。所以还是会断代。 5 有了AI学习自己之前不熟悉的领域的能力增强了。知道了怎么突破边界(因为自己知道边界内的细节也知道为什么自己无法突破边界),但是新生一代没有这种痛苦经历,应该是AI快速完成了。他们不知道细节。(极少数天赋和有异于常人的能去触碰这些传统工艺) 其他非技术原因: 1 当下很多企业或许不需要质量(当然这种想法在我们看来是不对的,所以他们不需要写的好,只要及格能用就行。企业焦虑要生存,要用进度和速度去拼抢市场。这其实是供需不平衡,增加进度不能带来营收,至少为了早一步吃蛋糕把别人饿死) 2 企鹅岛上我们对话,企业很多问题是技术以外的事情。技术部门和保安一个级别,我们也要跳出技术看。别太把自己当回事。除非是技术驱动或者技术为核心竞争力的公司。 3 也许本身我们就是翻译人员(既懂人话,又懂计算机的话)。但是随着AI取代同声传译,以后也不会有太好的同声传译一样。也许以后可能就没有这个专业了。 核心竞争力: 学习能力,通过AI学习各种能力。 沟通是项目管理最重要的能力没有之一。尤其在中国。沟通上在事情成败占比很大。有的需求可以通过沟通不做或者降低预期。比死磕技术难题来的容易。 设计能力。设计一小步的改变可能问题解决了一大半。当然这是基于沟通上说,我们这样改设计可以吗? 情商。就像同盟几个理事长一样,能融合本部各种技术人才。 心态。包容不同意见。讨论不争吵,冒犯时候也能克制很重要。这么多年我在这里吃了很多亏。很多事情看淡点也没什么不好。 以上胡说八道了一些,江哥多包涵。... 展开详请
现在有几种情况 1 学生们都开始在没有扎实基础和实践上大量使用AI。我前段时间做了一个大学生全国比赛的评委。作为唯一一个产业界评委,我看到了学生们勇于使用AI的精神。有的学生什么都不会,就靠使用AI从500多支参赛队伍中进入了决赛。在这个过程中也学习到了很多。这是值得可定的。只不过这些是比赛,不是实战。 2 在AI使用上老师可能不如学生的能力。所以老师们无法教很多实战(本来产学研也是脱节的),而理论知识现在AI下的理论都每个月层出不穷,处于一线实际的我们也应接不暇。所以这问题也会导致学生们只能靠天赋异禀了。 3 去年我就说过企业因为经营压力问题,使用AI替代初中级工程师。导致本来学生们出来可以慢慢实战积累经验的途径被中断了。也就是现在所说的无法就业。最终我们是技术上传承出现了断代。 4 也许有企业还能招收应届生,但是快速交付的节奏下,没有心思研究基本功。也是AI代为完成。只有极少数可能深耕。所以还是会断代。 5 有了AI学习自己之前不熟悉的领域的能力增强了。知道了怎么突破边界(因为自己知道边界内的细节也知道为什么自己无法突破边界),但是新生一代没有这种痛苦经历,应该是AI快速完成了。他们不知道细节。(极少数天赋和有异于常人的能去触碰这些传统工艺) 其他非技术原因: 1 当下很多企业或许不需要质量(当然这种想法在我们看来是不对的,所以他们不需要写的好,只要及格能用就行。企业焦虑要生存,要用进度和速度去拼抢市场。这其实是供需不平衡,增加进度不能带来营收,至少为了早一步吃蛋糕把别人饿死) 2 企鹅岛上我们对话,企业很多问题是技术以外的事情。技术部门和保安一个级别,我们也要跳出技术看。别太把自己当回事。除非是技术驱动或者技术为核心竞争力的公司。 3 也许本身我们就是翻译人员(既懂人话,又懂计算机的话)。但是随着AI取代同声传译,以后也不会有太好的同声传译一样。也许以后可能就没有这个专业了。 核心竞争力: 学习能力,通过AI学习各种能力。 沟通是项目管理最重要的能力没有之一。尤其在中国。沟通上在事情成败占比很大。有的需求可以通过沟通不做或者降低预期。比死磕技术难题来的容易。 设计能力。设计一小步的改变可能问题解决了一大半。当然这是基于沟通上说,我们这样改设计可以吗? 情商。就像同盟几个理事长一样,能融合本部各种技术人才。 心态。包容不同意见。讨论不争吵,冒犯时候也能克制很重要。这么多年我在这里吃了很多亏。很多事情看淡点也没什么不好。 以上胡说八道了一些,江哥多包涵。

技术人如何在确定性与商业模糊性之间做决策?

这个问题堪称技术管理者(以及想进阶的资深IC)的灵魂拷问。技术人天生喜欢确定性——二进制的0和1、可复现的测试用例、明确的SLA指标。而商业世界只有概率——市场可能买账,也可能不买账。 结合我看到的实战案例,技术人在确定性(技术逻辑)与模糊性(商业逻辑)之间的决策,可以总结为一套“三层过滤”的决策框架,而非依赖灵光一现。 一个经典场景的实战推演 场景:销售突然签下一个大客户,要求“一周内”支持一个奇怪的多租户隔离逻辑,但公司未来战略并不明确。 菜鸟技术人:拒绝,说“架构不支持,需要三个月重构”。 老鸟技术人: 接受模糊性(商业需要这笔钱)。 提出“临时管道方案”:不重构整体,而是在API网关层写一个适配器(Adapter),专门针对这个客户做硬编码映射。 明确告知各方:“一周上线可以,但这是单租户特供版,性能仅支持QPS=100。如果后续有3个类似客户,我们必须停下新功能开发两周做通用层。” 签字画押。把商业的模糊性,转化为一个清晰的技术开关和触发条件。 技术人做决策时,要守住两条红线: 数据一致性红线:商业可以亏钱,但绝对不能把用户A的钱算到用户B头上(账务绝对确定)。 可用性红线:商业可以慢一点变现,但不能在“双11”或者大客户演示时宕机(SLA绝对确定)。 在这两条红线之上,弹性、耦合度、代码优雅度,全部都可以随商业波动而“模糊”。记住,技术的价值不是追求完美,而是用可控的确定性,去对冲商业的不可控性。... 展开详请
这个问题堪称技术管理者(以及想进阶的资深IC)的灵魂拷问。技术人天生喜欢确定性——二进制的0和1、可复现的测试用例、明确的SLA指标。而商业世界只有概率——市场可能买账,也可能不买账。 结合我看到的实战案例,技术人在确定性(技术逻辑)与模糊性(商业逻辑)之间的决策,可以总结为一套“三层过滤”的决策框架,而非依赖灵光一现。 一个经典场景的实战推演 场景:销售突然签下一个大客户,要求“一周内”支持一个奇怪的多租户隔离逻辑,但公司未来战略并不明确。 菜鸟技术人:拒绝,说“架构不支持,需要三个月重构”。 老鸟技术人: 接受模糊性(商业需要这笔钱)。 提出“临时管道方案”:不重构整体,而是在API网关层写一个适配器(Adapter),专门针对这个客户做硬编码映射。 明确告知各方:“一周上线可以,但这是单租户特供版,性能仅支持QPS=100。如果后续有3个类似客户,我们必须停下新功能开发两周做通用层。” 签字画押。把商业的模糊性,转化为一个清晰的技术开关和触发条件。 技术人做决策时,要守住两条红线: 数据一致性红线:商业可以亏钱,但绝对不能把用户A的钱算到用户B头上(账务绝对确定)。 可用性红线:商业可以慢一点变现,但不能在“双11”或者大客户演示时宕机(SLA绝对确定)。 在这两条红线之上,弹性、耦合度、代码优雅度,全部都可以随商业波动而“模糊”。记住,技术的价值不是追求完美,而是用可控的确定性,去对冲商业的不可控性。

资深工程师如何训练AI时代的权衡力?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
权衡力本质是对代价的敏感度,AI 时代它反而更值钱,因为 AI 产方案的速度远快于人验证方案的速度。练法很朴素:一是每次让 AI 出方案后强制自己问三个问题,这个方案在什么量级下会崩、出故障怎么兜底、半年后别人敢不敢改;二是把过去踩过的坑整理成自己的反模式清单,AI 不了解你公司的业务约束和历史包袱,这些上下文才是护城河;三是故意让 AI 生成一个对立方案,逼自己在两个都合理的选项里做取舍,并把理由写成决策记录。取舍写多了,权衡就从手感变成方法,这也是 AI 短期内替代不了的部分:它给选项,你扛后果。... 展开详请

Lean 4自动证明离数学家多远?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。

还很远,但方向对了。Lean擅长把已知定理形式化并验证推导无误,相当于帮数学家做机械校对。真正困难的是提出问题、选择策略、判断哪些引理值得建立。AI目前能补全短引理、搜索已有库,但原创性和数学直觉仍是人的领地。未来更可能是人机协作:人定方向,机器填细节。

为啥现在还没有腾讯云 ADP 前沿部署工程师 (FDE) 认证的购买链接?

AI来了,校招/初级工程师的培养路径要怎么改?

在token plan方式的自定义模型使用中无法路由自动切换模型问题,哪些人遇到过?是否有解决成功的,这个公司的工程师解决不了这个问题!

领券