Hoy, hay una noticia que es muy popular en Hacker News, el contenido de la noticia es que la tasa de desempleo de California ha subido al 5.5%, el fondo de los Estados Unidos, y la industria de la tecnología está luchando: "El mercado laboral es demasiado cruel". > la tasa de desempleo de California subió al 5.5% en julio, la más alta entre todos los estados de los Estados Unidos, según datos del gobierno estatal publicados el viernes. Detrás de esto está la continua debilidad de los empleos en la industria tecnológica y otros trabajos de oficina, así como una recesión en el mercado de reclutamiento. La noticia atribuyó esto a la debilidad del sector tecnológico, que es una parte fundamental de la economía de California. La noticia fue discutida acaloradamente en la comunidad de Hacker News, y las razones subyacentes detrás de ella se analizaron desde sus propias perspectivas, mucho más complejas de lo que sugería el titular. Creo que esta discusión es un buen resumen de por qué el empleo en la industria de la tecnología es actualmente lento. 1. En primer lugar, el punto central es: decir adiós a las múltiples secuelas de la "era de la tasa de interés cero" Este es el punto más convencional y profundo de la discusión. Muchos creen que los problemas actuales de la industria tecnológica no son causados por un solo factor, sino más bien por un efecto dominó del final de la era de la Política de Tasa de Interés Cero (ZIRP) de la última década. - Estallido de la burbuja de capital: Desde aproximadamente 2012 hasta 2022, las tasas de interés extremadamente bajas hicieron que el capital fuera inusualmente barato. La afluencia de capital de riesgo (VC) a la industria tecnológica ha generado innumerables modelos de negocio que se basan en el crecimiento "ardiente", especialmente las empresas de criptomonedas y metaverso que carecen de valor real. A medida que la Fed subió las tasas de interés, la era del dinero barato terminó y las cadenas de dinero para estas empresas se rompieron, lo que provocó numerosos despidos y cierres. - Desequilibrio entre la oferta y la demanda de talento: En la era de ZIRP, el mito de los altos salarios en la industria tecnológica ha atraído una afluencia de talento. La expansión masiva de los programas de informática (CS) en las universidades, el florecimiento de los campos de entrenamiento y la inmigración técnica han llevado a un aumento dramático en la oferta de ingenieros de software durante la última década. Sin embargo, a medida que el capital disminuyó, el lado de la demanda, especialmente las nuevas empresas, se redujo drásticamente, creando un gran excedente de talento. - Efectos dominó en industrias como la biotecnología: Industrias como la biotecnología, que también dependen de inversiones a largo plazo y de alto riesgo, también se han visto muy afectadas. Estas industrias dependen aún más del capital barato que la industria del software. Después del final del ZIRP, los fondos de capital de riesgo se agotaron gradualmente y las nuevas empresas no pudieron obtener una nueva ronda de financiamiento después de quedarse sin "fondos de pista" (runway) y tuvieron que despedir empleados o quebrar. > (por tqi): "En mi opinión, es demasiado pronto para decir que la 'IA' tiene un impacto sustancial en la contratación de empresas de software. Una explicación más plausible es que entre 2012 y 2022, la oferta de talento para los ingenieros de software aumentó significativamente... Por el lado de la demanda, los fondos de capital riesgo en la era de la tasa de interés cero se invierten principalmente en empresas de criptomonedas y metaverso sin sentido, la mayoría de las cuales no han tenido éxito, lo que resulta en una falta de empresas cotizadas en etapa avanzada o nuevas en el mercado que puedan absorber estos talentos. ” 2. El "arma de doble filo" del trabajo remoto: una nueva ola de outsourcing global La pandemia de COVID-19 ha popularizado el trabajo desde casa (WFH), que fue visto como una bendición por muchos desarrolladores en ese momento, pero ahora sus efectos negativos están comenzando a aparecer. - Allanando el camino para la subcontratación: A medida que los desarrolladores luchan por el derecho a trabajar de forma totalmente remota, es posible que no se den cuenta, lo que también abre la puerta para que las empresas subcontraten trabajos a países de menor costo. Dado que todos son remotos, ¿por qué no contratar a un ingeniero indio o de Europa del Este que es solo 1/5 de un ingeniero estadounidense y es igualmente bueno? - Oficinas de "No regreso a la oficina": Algunos comentaristas creen que las políticas de "Regreso a la oficina (RTO" promovidas por las empresas de tecnología tienen como objetivo en parte proteger los empleos locales). Una vez que el trabajo demuestre ser 100% remoto, se puede hacer en cualquier parte del mundo y la ventaja salarial para los ingenieros estadounidenses ya no existirá. - Debate sobre la calidad de la subcontratación: Algunos argumentan que la subcontratación ha estado ocurriendo durante décadas y que el desarrollo de software de alta calidad aún requiere los mejores talentos locales debido a problemas como los costos de comunicación, las diferencias de zona horaria y los antecedentes culturales. Sin embargo, quienes apoyan la perspectiva de la subcontratación creen que estos obstáculos se están superando a medida que las herramientas de colaboración remota maduran y mejoran los modelos de gestión. > (por aurareturn): "He estado diciendo en HN desde 2022: todos los desarrolladores norteamericanos que apoyan el trabajo totalmente remoto, se sorprenderán cuando su empresa decida reemplazarlos con alguien del extranjero. Dado que todo es remoto, ¿por qué la empresa debería contratarlo por 5 veces el precio en lugar de un empleado extranjero que trabaja más duro y se queja menos? ... Apoyar la orden de regresar a la oficina puede salvar su carrera a largo plazo. ” 3. El papel de la IA: ¿Es una herramienta de productividad, una excusa para despedir empleados o un "vampiro" capital? Con respecto al papel de la inteligencia artificial (IA) en esta ola de pérdida de empleos, la discusión presenta una división compleja. - Efecto de reemplazo directo limitado: la mayoría está de acuerdo en que la IA actual no puede reemplazar completamente a los ingenieros de software experimentados. Pero ha comenzado a reemplazar algunas tareas junior y repetitivas, como algunas pequeñas tareas de consultoría. Un consultor se adelantó y dijo que el cliente dejó de contactarlo porque ChatGPT podría resolver algunos errores menores. - La "excusa perfecta" para los despidos: Una creencia común es que la IA se ha convertido en la "excusa perfecta" para que las empresas despidan empleados y reduzcan costos y aumenten la eficiencia. Incluso si la causa raíz de los despidos es una recesión económica o decisiones de gestión, las empresas están felices de empaquetarlo como un ajuste estratégico para "adoptar la IA y mejorar la eficiencia". - El "agujero negro" del capital: la IA juega otro papel clave: absorbe el único capital de riesgo que queda en el mercado que podría haber fluido a otros sectores tecnológicos. Los capitalistas de riesgo ahora están interesados casi exclusivamente en proyectos de IA, lo que ha exacerbado las dificultades de financiamiento de las nuevas empresas en el campo no relacionado con la IA. 4. ¿La "zona de óxido" de la industria tecnológica? Preocupaciones estructurales sobre el futuro Algunos panelistas expresaron su preocupación por el futuro desde una perspectiva más amplia, trazando paralelismos entre la industria tecnológica y el otrora glorioso y luego decadente "Rust Belt" manufacturero. - Repetidas pérdidas de empleos: Al igual que Estados Unidos subcontrató la fabricación a China, los trabajos de desarrollo de software y TI ahora fluyen a India, América Latina y Europa del Este a gran escala. Esto podría conducir a un desempleo estructural a largo plazo para el grupo de ingenieros de software que alguna vez estuvo bien pagado. - Impacto político y social: Si desaparece un número significativo de empleos tecnológicos de clase media, podría desencadenar nuevos problemas sociales y políticos, al igual que el declive del Rust Belt que todavía afecta el panorama político estadounidense en la actualidad. - Controversia sobre la política de inmigración y visas (H1B / O1): Parte de la discusión señaló con el dedo a las visas de trabajo como H1B, argumentando que se usaron indebidamente, lo que redujo los salarios de los ingenieros locales y aumentó la competencia. Otros son defensores acérrimos de la migración calificada, argumentando que son estos mejores talentos de todo el mundo, como los graduados de la Universidad de Waterloo, quienes forman la piedra angular de la innovación en Silicon Valley. 5. Gestión de la empresa y cambio cultural: "efecto Musk" Un punto de vista interesante es que Musk ha tenido un efecto ejemplar en los despidos masivos de Twitter (ahora X). - Racionalización de los despidos: Cuando Musk despidió a más del 75% de los empleados de Twitter, el producto seguía funcionando, lo que hizo reflexionar a muchos CEO: "Ya que él puede hacerlo, ¿por qué yo no?". Esto rompe la mentalidad de "más talento, mejor" de las empresas de tecnología en el pasado, haciendo que los despidos a gran escala sean más aceptables tanto psicológica como comercialmente. 6. Factores políticos y de política: controversia sobre cambios en la ley tributaria Una pista técnica pero de gran alcance es sobre los cambios en las leyes fiscales de EE. UU. - Regla de amortización de gastos de investigación y desarrollo (Sección 174): Existe una disposición en la Ley de Reforma Fiscal (TCJA) de la administración Trump en 2017 que requiere que las empresas amorticen los gastos de investigación y desarrollo (I&D), como los salarios de desarrollo de software, en cuotas durante cinco años a partir de 2022, en lugar de deducirse por completo en el año en curso como antes. Esto ha aumentado enormemente la carga fiscal sobre las empresas tecnológicas, especialmente las nuevas empresas, y ha desalentado las intenciones de contratación en los Estados Unidos. - Efecto restaurador de proyectos de ley recientes: El proyecto de ley Build Back Better (BBB) recientemente aprobado corrige parcialmente este problema, permitiendo que el gasto nacional en investigación y desarrollo se deduzca inmediatamente nuevamente. Algunos comentaristas creen que sintieron un repunte en el mercado de contratación alrededor de julio, lo que puede tener algo que ver con eso. Finalmente A juzgar por estas discusiones, las razones de la actual recesión del empleo en la industria tecnológica de California son bastante complejas, no causadas por un solo factor, ni pueden atribuirse simplemente a "la IA reemplazando a los humanos" o a la "recesión cíclica en la industria", sino el resultado de la recesión económica después del final de la era de la tasa de interés cero, la reestructuración del mercado laboral global provocada por el trabajo remoto, el doble impacto de la IA como una nueva tecnología y un imán de capital, y cambios en políticas fiscales específicas. No sé cuándo saldré de esta situación. O la razón no es solo la discutida anteriormente

Traducción: Por qué los grandes modelos de lenguaje realmente no pueden construir software Por Conrad Irwin Una cosa que paso mucho tiempo haciendo es entrevistar a ingenieros de software. Obviamente, esta es una tarea difícil, y no me atrevo a decir que tengo ningún truco; Pero me dio tiempo para reflexionar sobre lo que hace un ingeniero de software eficaz. El ciclo central de la ingeniería de software Cuando miras a un verdadero conocedor, verás que siempre realiza los siguientes pasos en un ciclo: * Construir un modelo mental de necesidades. * Escribir (¡¿con suerte?!) ) que implementa los requisitos. * Construya un modelo mental de cómo se comporta realmente su código. * Encuentre la diferencia entre los dos y luego actualice el código (o requisito). Hay muchas maneras de lograr estos pasos, pero lo mejor de los ingenieros efectivos es su capacidad para construir y mantener modelos mentales claros. ¿Cómo funcionan los modelos de lenguaje grandes? Para ser justos, los modelos de lenguaje grandes son bastante buenos para escribir código. También hacen un buen trabajo al actualizar el código cuando señalas el problema. También pueden hacer todas las cosas que haría un verdadero ingeniero: leer código, escribir y ejecutar pruebas, agregar registros y (presumiblemente) usar el depurador. Pero lo que no pueden hacer es mantener un modelo mental claro. Los grandes modelos de lenguaje caerán en una confusión interminable: asumirán que el código que escriben es realmente utilizable; Cuando una prueba falla, solo pueden adivinar si es un código fijo o una prueba fija; Cuando se frustran, simplemente cortan todo y comienzan de nuevo. Esto es exactamente lo contrario de lo que esperaría de un ingeniero. Los ingenieros de software prueban mientras trabajan. Cuando una prueba falla, pueden usar su modelo mental para decidir si corregir el código o la prueba, o recopilar más información antes de tomar una decisión. Cuando se sienten frustrados, pueden pedir ayuda comunicándose con las personas. Aunque a veces borran todo y vuelven a empezar, es una elección que se hace después de una comprensión más clara del problema. Pero será pronto, ¿verdad? ¿Cambiará esto a medida que los modelos se vuelvan más capaces? ¿¿Quizás?? Pero creo que esto requiere un cambio fundamental en la forma en que se construyen y optimizan los modelos. La ingeniería de software requiere modelos que sean más que solo generar código. Cuando una persona se encuentra con un problema, puede dejar de lado temporalmente todo el contexto y concentrarse en resolver el problema en cuestión, y luego volver al gran problema en cuestión. También pueden cambiar entre el panorama general y los microdetalles, ignorando temporalmente los detalles para centrarse en el todo y profundizar en las partes cuando sea necesario. No nos volvemos más productivos simplemente metiendo más palabras en nuestra "ventana de contexto", solo nos volverá locos. Aunque podemos manejar una gran cantidad de contexto, sabemos que estos modelos generativos actualmente tienen varios problemas graves que afectan directamente su capacidad para mantener modelos mentales claros: * Omisión contextual: Los modelos no son buenos para detectar información contextual pasada por alto. * Sesgo de actualidad: Están sujetos a un sesgo de actualidad severo cuando se trabaja con ventanas de contexto. * Alucinaciones: A menudo "fantasea" con detalles que no deberían existir. Estos problemas pueden no ser insuperables, y los investigadores están trabajando para agregar memoria a los modelos para que puedan ejercitar habilidades de pensamiento similares a las nuestras. Pero desafortunadamente, por ahora, ellos (después de ir más allá de un cierto nivel de complejidad) no pueden entender realmente lo que realmente sucedió. No pueden crear software porque no pueden mantener dos "modelos mentales" similares al mismo tiempo, descubrir las diferencias y decidir si actualizar el código o actualizar los requisitos. Entonces, ¿y ahora qué? Obviamente, los grandes modelos de lenguaje son útiles para los ingenieros de software. Generan código rápidamente y se destacan en la integración de requisitos y documentación. Para algunas tareas, esto es suficiente: los requisitos son lo suficientemente claros, los problemas son lo suficientemente simples como para que se puedan hacer de la noche a la mañana. Dicho esto, para cualquier tarea de cierta complejidad, no pueden mantener suficiente contexto con la precisión suficiente para iterar y finalmente producir una solución viable. Como ingeniero de software, sigue siendo responsable de garantizar que los requisitos sean claros y que el código realmente cumpla con lo que dice hacer. En Zed, creemos en un futuro en el que los humanos y los agentes de IA puedan crear software juntos. Sin embargo, creemos firmemente (al menos por ahora) que usted es el conductor detrás del volante y que los grandes modelos de lenguaje son solo una herramienta más al alcance de su mano.

Ayer fui a la Conferencia de Gerentes de Producto de CSDN para dar una presentación. Cuando mis amigos de CSDN me invitaron a dar un discurso en la Conferencia de Gerentes de Producto hace tres meses, en realidad quería rechazarlo. La razón es que mi startup solo se ha establecido durante medio año y no tengo mucha información para compartir con ustedes. Sin embargo, los amigos de CSDN dijeron que no importa, que aún faltan tres meses para la conferencia, que todavía hay tiempo, y que también podemos compartir algunas experiencias previas con el producto. Casualmente, después de que lanzamos FlowSpeech la semana pasada, la reputación del producto explotó, el MRR aumentó 3 veces, el ARR también rompió un pequeño objetivo y, lo que es más importante, nuestros usuarios ganaron dinero real al usar el producto, que es la mejor prueba de la fortaleza de nuestro producto. Entonces, cuando estaba dando un discurso ayer, bromeé con ustedes diciendo que el contenido de oro de este PPT hoy se ha disparado, por favor escuchen con atención.

"Como agricultor, solo compro alimentos orgánicos; Como profesional de la IA, solo miro el contenido no generado por la IA". 😅

Vibe Coding es un término malo y engañoso, y su mayor significado es que utiliza IA para la creación de prototipos, lo que puede ayudar a determinar rápidamente los requisitos del producto. En ingeniería de software, el código para el desarrollo de prototipos generalmente se abandona y el sistema debe rediseñarse, codificarse e implementarse al desarrollar oficialmente el producto.

En la ingeniería de contexto, el agente necesita utilizar herramientas y entornos para obtener datos y completar el contexto

Tutorial de autoaprendizaje de ciencias de la computación TeachYourselfCS Si eres un ingeniero autodidacta o te graduaste de un curso de programación, entonces es necesario que estudies informática. Afortunadamente, no tiene que gastar años y mucho dinero en un título: puede obtener una educación 💸 de clase mundial por su cuenta. En Internet hay muchos recursos de aprendizaje por todas partes, pero la esencia y la escoria conviven. En lugar de una lista como "200+ cursos en línea gratuitos", necesita respuestas a preguntas como: ¿Qué materias debes estudiar y por qué? ¿Cuál es el mejor libro o curso en video para estos temas? En esta guía, intentamos dar respuestas definitivas a estas preguntas.

Aquí vienen mis amigos~ Solo gano 20 yuanes por 3 millones de usuarios: el falso auge de las herramientas de IA - ListenHub ¿Quién no contaría un chiste? Mucha gente se interesó por el caso que compartí en Hard Ground Hacking, e hice un podcast específicamente en ListenHub de @oran_ge. Puedes escucharlo ~

Muchos amigos están preocupados por las limitaciones de uso de ChatGPT Team y Enterprise, y ahora se han publicado dos nuevos artículos de preguntas frecuentes (FAQ) para explicar esto. * ChatGPT Team Edition - GPT-5 y GPT-4o son ilimitados, pero existen las siguientes restricciones para diferentes versiones de modelos: * 200 solicitudes de pensamiento GPT-5 por día * 2800 mini solicitudes de GPT-5 Thinking por semana * 15 solicitudes GPT-5 Pro por mes * 3 solicitudes GPT-500 cada 4,1 horas * 300 solicitudes de O4-Mini y O3 por día * ChatGPT Enterprise: GPT-5, GPT-4o y GPT-4.1-mini son ilimitados, pero existen las siguientes restricciones para diferentes versiones de modelos: * 200 solicitudes de pensamiento GPT-5 por semana * 15 solicitudes GPT-5 Pro por mes * 20 solicitudes GPT-4.5 por semana * 3 solicitudes GPT-500 cada 4,1 horas * 300 solicitudes de O4-mini por día * 100 solicitudes de O4-mini-high por día * 100 solicitudes de O3 por semana * 15 solicitudes de O3-Pro por mes El artículo de preguntas frecuentes también mencionó que las limitaciones actuales del modelo de pensamiento GPT-5 son temporales y en realidad son más altas que los límites a largo plazo enumerados anteriormente.

Esto es cierto: menos en el mensaje de decir qué no hacer, sino qué hacer. El modelo grande es muy similar a las personas, y cuanto más no lo dejes hacer, más fácil será llamar la atención