Vandaag was er een nieuwsbericht dat erg populair was op Hacker News. De inhoud van het nieuws is dat de werkloosheid in Californië is gestegen tot 5,5%, het hoogste in de VS, en dat de technologiesector het moeilijk heeft: "De arbeidsmarkt is te wreed." > Volgens gegevens van de staatsregering die vrijdag zijn gepubliceerd, is de werkloosheid in Californië in juli gestegen tot 5,5%, wat de hoogste is van alle staten in de VS. Dit is te wijten aan de aanhoudende zwakte in de technologiesector en andere kantoorbanen, evenals de zwakke wervingsmarkt. Het nieuws wijst op de zwakte in de technologiesector, omdat deze sector een cruciale rol speelt in de economie van Californië. Dit nieuws heeft geleid tot heftige discussies in de Hacker News-gemeenschap, waar mensen vanuit hun eigen perspectief de diepere oorzaken hebben geanalyseerd, die veel complexer zijn dan de titel van het nieuws doet vermoeden. Ik denk dat de discussie hierboven goed samenvat waarom de werkgelegenheid in de technologiesector momenteel laag is. 1. Ten eerste is het belangrijkste punt: de meervoudige gevolgen van het afscheid van het "nulrente-tijdperk" Dit is het meest gangbare en diepgaande punt in de discussie. Veel mensen geloven dat de huidige problemen in de technologiesector niet door één enkele factor worden veroorzaakt, maar door de kettingreactie die is veroorzaakt door het einde van het "nulrente beleid" (ZIRP, Zero Interest Rate Policy) van de afgelopen tien jaar. - Kapitaalzeepbel barst: Van ongeveer 2012 tot 2022 maakten extreem lage rentes kapitaal ongekend goedkoop. Een enorme hoeveelheid durfkapitaal (VC) stroomde de technologiesector binnen, wat leidde tot talloze bedrijfsmodellen die afhankelijk waren van "geld verbranden" voor groei, vooral die zonder echte waarde, zoals cryptocurrencies (Crypto) en metaverse-bedrijven. Met de renteverhogingen van de Federal Reserve eindigde het tijdperk van goedkoop kapitaal, wat leidde tot een breuk in de financieringsketen van deze bedrijven, resulterend in massale ontslagen en faillissementen. - Onbalans in vraag en aanbod van talent: In het ZIRP-tijdperk trok de mythe van hoge salarissen in de technologiesector veel talent aan. Universiteiten breidden hun computerwetenschappen (CS) programma's massaal uit, en programmeerbootcamps schoten als paddenstoelen uit de grond, samen met technische immigranten, wat leidde tot een dramatische toename van het aanbod van software-ingenieurs in tien jaar. Echter, met de terugtrekking van kapitaal, kromp de vraag (vooral van startups) dramatisch, wat resulteerde in een ernstig overschot aan talent. - Neveneffecten in sectoren zoals biotechnologie: Sectoren zoals biotechnologie, die ook afhankelijk zijn van langdurige, risicovolle investeringen, zijn ook zwaar getroffen. Deze sectoren zijn zelfs nog afhankelijker van goedkoop kapitaal dan de softwaresector. Na het einde van ZIRP drogen de VC-fondsen geleidelijk op, en startups kunnen, nadat ze hun "runway funding" hebben opgebrand, geen nieuwe financiering meer krijgen, wat hen dwingt tot ontslagen of faillissement. > (door tqi): "In mijn ogen is het nu te vroeg om te zeggen dat 'AI' een substantiële impact heeft op de wervingsprocessen van softwarebedrijven. Een meer redelijke verklaring is dat tussen 2012 en 2022 het aanbod van software-ingenieurs aanzienlijk is toegenomen... terwijl de vraagzijde, vooral van startups, voornamelijk gericht was op die onzin cryptocurrencies en metaverse-bedrijven, die het merendeel niet succesvol was, wat leidt tot een tekort aan bedrijven die deze talenten kunnen absorberen." 2. De "tweesnijdende zwaard" van thuiswerken: een nieuwe golf van globalisering en outsourcing De COVID-19-pandemie heeft thuiswerken (Work From Home, WFH) populair gemaakt, wat destijds door veel ontwikkelaars als een zegen werd gezien, maar nu beginnen de negatieve effecten zich te manifesteren. - De weg vrijmaken voor outsourcing: Toen ontwikkelaars zich inspanden om het recht op volledig thuiswerken te verkrijgen, realiseerden ze zich misschien niet dat dit ook de deur opende voor bedrijven om banen uit te besteden naar landen met lagere kosten. Aangezien iedereen op afstand werkt, waarom zou een bedrijf dan niet een Indiase of Oost-Europese ingenieur aannemen die slechts 1/5 van het salaris van een Amerikaanse ingenieur verdient en net zo goed is? - "Niet meer terug naar kantoor": Sommige commentatoren geloven dat het "terug naar kantoor" (Return to Office, RTO) beleid dat technologiebedrijven bevorderen, in zekere zin is bedoeld om lokale banen te beschermen. Zodra blijkt dat werk 100% op afstand kan worden gedaan, kan het overal ter wereld worden gedaan, en zal het salarisvoordeel van Amerikaanse ingenieurs verdwijnen. - Discussie over de kwaliteit van outsourcing: Anderen beweren echter dat outsourcing al tientallen jaren bestaat en dat hoogwaardige softwareontwikkeling nog steeds lokale top talenten vereist, omdat problemen zoals communicatiekosten, tijdzoneverschillen en culturele achtergronden moeilijk op te lossen zijn. Maar voorstanders van outsourcing zijn van mening dat deze obstakels geleidelijk worden overwonnen met de volwassenheid van tools voor samenwerking op afstand en verbeterde managementmodellen. > (door aurareturn): "Ik zeg sinds 2022 op HN: alle Noord-Amerikaanse ontwikkelaars die volledig thuiswerken ondersteunen, zullen versteld staan wanneer hun bedrijf besluit om buitenlandse werknemers in jouw plaats aan te nemen. Aangezien het allemaal op afstand is, waarom zou een bedrijf dan vijf keer zoveel betalen voor jou, in plaats van een buitenlandse werknemer die harder werkt en minder klaagt?... Het ondersteunen van het terug naar kantoor-beleid kan op de lange termijn je carrière redden." 3. De rol van AI: een productiviteitsinstrument, een excuus voor ontslagen, of een "vampier" van kapitaal? De rol van kunstmatige intelligentie (AI) in deze golf van werkloosheid vertoont complexe verdeeldheid. - Beperkte directe vervangingseffecten: De meeste mensen zijn het erover eens dat de huidige AI nog niet in staat is om ervaren software-ingenieurs volledig te vervangen. Maar het begint wel enkele junior, repetitieve taken over te nemen, zoals kleine adviesopdrachten. Sommige consultants hebben verklaard dat klanten hen niet meer benaderen omdat ze kleine bugs met ChatGPT kunnen oplossen. - Het "perfecte excuus" voor ontslagen: Een algemeen standpunt is dat AI het "perfecte excuus" is geworden voor bedrijven om te ontslaan en kosten te besparen. Zelfs als de fundamentele redenen voor ontslagen economische neergang of beslissingen van het management zijn, zijn bedrijven blij om het te verpakken als een strategische aanpassing van "omarmen van AI en het verbeteren van de efficiëntie". - De "zwarte gat" van kapitaal: AI speelt een andere cruciale rol - het zuigt het resterende risicokapitaal op dat anders naar andere technologiegebieden zou kunnen vloeien. VC's zijn nu bijna alleen geïnteresseerd in AI-projecten, wat de financieringsproblemen voor startups in niet-AI-gebieden verergert. 4. De "roestige zone" van de technologiesector? Structurele zorgen voor de toekomst Sommige deelnemers aan de discussie uitten hun zorgen over de toekomst vanuit een breder perspectief, waarbij ze de technologiesector vergelijken met de ooit bloeiende maar nu in verval geraakte "roestige zone" (Rust Belt) van de maakindustrie. - Herhaling van het verlies van banen: Net zoals de VS ooit de maakindustrie naar China uitbesteedde, verhuizen nu IT- en softwareontwikkelingsbanen massaal naar India, Latijns-Amerika en Oost-Europa. Dit kan leiden tot langdurige structurele werkloosheid voor de ooit goedbetaalde groep software-ingenieurs. - Politieke en sociale impact: Als een groot aantal middenklasse technologiebanen verdwijnt, kan dit nieuwe sociale en politieke problemen veroorzaken, net zoals de neergang van de "roestige zone" tot op de dag van vandaag de politieke verhoudingen in de VS beïnvloedt. - Controverse over immigratie- en visumbeleid (H1B/O1): Een deel van de discussie richt zich op werkvisa zoals H1B, die als misbruikt worden beschouwd en de salarissen van lokale ingenieurs onder druk zetten en de concurrentie verergeren. Anderen verdedigen echter de technische immigratie en beweren dat deze top talenten van over de hele wereld (zoals afgestudeerden van de Universiteit van Waterloo) de basis vormen voor de innovatie in Silicon Valley. 5. Bedrijfsbeheer en culturele veranderingen: het "Musk-effect" Een interessant punt is dat de massale ontslagen door Musk bij Twitter (nu X) een voorbeeldfunctie hebben gehad. - De rechtvaardiging van ontslagen: Toen Musk meer dan 75% van de werknemers van Twitter ontsloeg, bleef het product functioneren, wat veel CEO's aan het denken zette: "Als hij het kan, waarom kan ik het dan niet?" Dit doorbrak de eerdere gedachtegang van technologiebedrijven dat "meer talent beter is", waardoor massale ontslagen psychologisch en zakelijk gemakkelijker te accepteren werden. 6. Politieke en beleidsfactoren: de controverse over belastingwetgeving Een technische maar diepgaande aanwijzing betreft de wijzigingen in de Amerikaanse belastingwetgeving. - Regels voor afschrijving van R&D-uitgaven (Sectie 174): In de belastinghervormingswet (TCJA) van de Trump-regering in 2017 is er een bepaling die bedrijven verplicht om vanaf 2022 hun salarissen en andere R&D-uitgaven voor softwareontwikkeling over vijf jaar af te schrijven, in plaats van zoals voorheen in het jaar van uitgave volledig af te trekken. Dit verhoogt de belastingdruk voor technologiebedrijven (vooral startups) aanzienlijk en ontmoedigt de bereidheid om in de VS aan te nemen. - Herstel van recente wetgeving: De onlangs aangenomen "Build Back Better"-wet (BBB) heeft dit probleem gedeeltelijk gecorrigeerd door het opnieuw mogelijk te maken om binnenlandse R&D-uitgaven onmiddellijk af te trekken. Sommige commentatoren geloven dat ze rond juli een verbetering in de wervingsmarkt hebben gevoeld, wat hier mogelijk mee te maken heeft. Tot slot Uit deze discussies blijkt dat de redenen voor de huidige werkloosheid in de technologiesector in Californië vrij complex zijn en niet door één enkele factor worden veroorzaakt. Het kan niet eenvoudig worden teruggebracht tot "AI vervangt mensen" of "cyclical downturn in de sector", maar is het resultaat van een combinatie van factoren zoals de economische afrekening na het einde van het nulrente-tijdperk, de herstructurering van de wereldwijde arbeidsmarkt door thuiswerken, de dubbele impact van AI als nieuwe technologie en kapitaalmagnet, en veranderingen in specifieke belastingbeleid. Wanneer we uit deze situatie zullen komen, is nog onduidelijk. Of misschien zijn de redenen niet alleen de bovengenoemde.

Translatie: Waarom grote taalmodellen geen software kunnen bouwen Auteur: Conrad Irwin Een van de dingen waar ik veel tijd aan heb besteed, is het interviewen van software-engineers. Dit is duidelijk een zware taak, en ik durf niet te zeggen dat ik een geheim wapen heb; maar deze ervaring heeft me wel de tijd gegeven om na te denken over wat een efficiënte software-engineer eigenlijk doet. De kerncyclus van software-engineering Wanneer je naar een echte expert kijkt, zie je dat ze altijd de volgende stappen in een cyclus uitvoeren: * Een mentaal model opbouwen van de vereisten. * Code schrijven (hopelijk?!), die aan de vereisten voldoet. * Een mentaal model opbouwen van het werkelijke gedrag van de code. * De verschillen tussen beide identificeren en vervolgens de code (of vereisten) bijwerken. Er zijn veel manieren om deze stappen te voltooien, maar het bijzondere aan efficiënte engineers is dat ze in staat zijn om duidelijke mentale modellen op te bouwen en te onderhouden. Hoe presteren grote taalmodellen? Eerlijk gezegd zijn grote taalmodellen behoorlijk goed in het schrijven van code. Wanneer je het probleem aanwijst, doen ze het ook goed in het bijwerken van de code. Ze kunnen alles doen wat echte engineers doen: code lezen, tests schrijven en uitvoeren, logs toevoegen, en (waarschijnlijk) een debugger gebruiken. Maar wat ze niet kunnen, is het onderhouden van duidelijke mentale modellen. Grote taalmodellen raken verstrikt in eindeloze verwarring: ze veronderstellen dat de code die ze schrijven echt werkt; wanneer tests falen, kunnen ze alleen maar raden of ze de code of de tests moeten repareren; wanneer ze gefrustreerd zijn, gooien ze gewoon alles weg en beginnen opnieuw. Dit staat in schril contrast met de eigenschappen die ik van engineers verwacht. Software-engineers testen terwijl ze werken. Wanneer tests falen, kunnen ze hun mentale model gebruiken om te beslissen of ze de code of de tests moeten repareren, of meer informatie moeten verzamelen voordat ze een beslissing nemen. Wanneer ze gefrustreerd zijn, kunnen ze hulp zoeken door met anderen te communiceren. Hoewel ze soms ook alles weggooien en opnieuw beginnen, is dat een keuze die ze maken nadat ze een duidelijker begrip van het probleem hebben gekregen. Maar dat gaat snel, toch? Zal dit veranderen naarmate de modellen krachtiger worden? Misschien?? Maar ik denk dat dit een fundamentele verandering in de manier waarop modellen bouwen en optimaliseren vereist. Het model dat software-engineering nodig heeft, is niet alleen in staat om code te genereren. Wanneer een persoon een probleem tegenkomt, kan hij tijdelijk alle context opzijzetten, zich concentreren op het oplossen van het huidige probleem, en dan weer terugkeren naar de grotere vragen. Ze kunnen ook soepel schakelen tussen het grote geheel en de kleine details, tijdelijk de details negeren om zich op het geheel te concentreren, en indien nodig dieper in de details duiken. We worden niet efficiënter door simpelweg meer woorden in ons "contextvenster" te proppen; dat maakt ons alleen maar gek. Zelfs als we enorme hoeveelheden context kunnen verwerken, weten we dat de huidige generatieve modellen verschillende ernstige problemen hebben die hun vermogen om duidelijke mentale modellen te onderhouden, rechtstreeks beïnvloeden: * Contextverlies: modellen zijn niet goed in het ontdekken van genegeerde contextinformatie. * Recency bias: ze worden sterk beïnvloed door recency bias bij het verwerken van het contextvenster. * Hallucinaties: ze "hallucineren" vaak details die er niet zouden moeten zijn. Deze problemen zijn misschien niet onoverkomelijk, en onderzoekers werken eraan om modellen geheugen te geven, zodat ze soortgelijke denkvaardigheden als wij kunnen toepassen. Maar helaas, op dit moment kunnen ze (boven een bepaalde complexiteit) eigenlijk niet begrijpen wat er aan de hand is. Ze kunnen geen software bouwen omdat ze niet in staat zijn om twee vergelijkbare "mentale modellen" gelijktijdig te onderhouden, de verschillen te identificeren en te beslissen of ze de code of de vereisten moeten bijwerken. Wat nu te doen? Het is duidelijk dat grote taalmodellen nuttig zijn voor software-engineers. Ze kunnen snel code genereren en presteren goed in het integreren van vereisten en documentatie. Voor sommige taken is dat al voldoende: de vereisten zijn duidelijk genoeg, het probleem is eenvoudig genoeg, en ze kunnen het in één keer oplossen. Dat gezegd hebbende, voor elke taak met enige complexiteit kunnen ze niet nauwkeurig genoeg de benodigde context behouden om door iteratie uiteindelijk een werkbare oplossing te produceren. Jij, als software-engineer, moet nog steeds verantwoordelijk zijn voor het waarborgen van duidelijke vereisten en ervoor zorgen dat de code daadwerkelijk de beloofde functionaliteit levert. Bij Zed geloven we dat de toekomst van menselijke en AI-agenten samen software kan bouwen. Maar we zijn er sterk van overtuigd (tenzij in het huidige geval) dat jij de bestuurder bent die het stuur vasthoudt, terwijl grote taalmodellen slechts een ander hulpmiddel zijn dat binnen handbereik ligt.

Gisteren sprak ik op de productmanagerconferentie van CSDN. Drie maanden geleden, toen vrienden van CSDN me uitnodigden om te spreken op de productmanagerconferentie, wilde ik eigenlijk weigeren. De reden was dat mijn startup pas zes maanden geleden was opgericht en ik niet veel waardevolle inzichten had om te delen. Maar de vrienden van CSDN zeiden dat het niet erg was, de conferentie was nog drie maanden weg, er was genoeg tijd en ik kon ook wat eerdere productervaring delen. Toevallig, nadat we vorige week FlowSpeech lanceerden, was de productreputatie geweldig, de MRR steeg met 3 keer, en de ARR overschreed ook een klein doel, en belangrijker nog, onze gebruikers hebben echt geld verdiend door ons product te gebruiken, wat het beste bewijs is van onze productkracht. Dus tijdens mijn presentatie gisteren maakte ik een grapje en zei ik dat de waarde van deze PPT nu recht omhoog is geschoten, dus luister goed.

"Als boer koop ik alleen biologische voedingsmiddelen; als AI-professional kijk ik alleen naar niet door AI gegenereerde inhoud"😅

Vibe Coding is een slecht gekozen term, die zeer misleidend is. De grootste betekenis ervan is het gebruik van AI voor prototyping, wat kan helpen om snel de productbehoeften vast te stellen. In de software-engineering zijn de codes voor prototyping meestal wegwerpproducten; bij de officiële ontwikkeling van het product is het nodig om het systeemontwerp opnieuw te doen, en vervolgens opnieuw te coderen en implementeren. Het resultaat van Vibe Coding is vergelijkbaar: na het vaststellen van de behoeften is het nog steeds nodig om opnieuw te ontwerpen en te ontwikkelen.

In context engineering moet de agent gebruikmaken van tools en omgevingen om gegevens te verkrijgen en de context aan te vullen.

Zelfstudie Computerwetenschappen TeachYourselfCS Als je een zelfgeleerde ingenieur bent of bent afgestudeerd aan een programmeeropleiding, dan is het essentieel om computerwetenschappen te leren. Gelukkig hoef je hier geen jaren en veel geld aan uit te geven om een diploma te behalen: alleen met jezelf kun je een wereldklasse opleiding krijgen💸. Op het internet zijn er talloze leermiddelen, maar er is een mix van goede en slechte informatie. Wat je nodig hebt, is geen lijst zoals "200+ gratis online cursussen", maar antwoorden op de volgende vragen: Welke vakken moet je leren, en waarom? Wat zijn de beste boeken of videocursussen voor deze vakken? In deze gids proberen we duidelijke antwoorden op deze vragen te geven.

Vrienden, ik heb 3 miljoen gebruikers en heb maar 20 euro verdiend: de valse bloei van AI-tools - ListenHub Grappen vertellen, wie kan dat niet? Veel mensen waren eerder geïnteresseerd in de case die ik op Hardland Hacker heb gedeeld, en hebben speciaal met @oran_ge's ListenHub een grappenpodcast gemaakt. Je kunt het komen luisteren~

Veel vrienden zijn bezorgd over de gebruiksbeperkingen van de ChatGPT Teamversie en de Enterpriseversie. Nu heeft het officiële team twee nieuwe FAQ-artikelen gepubliceerd die dit uitleggen. * ChatGPT Teamversie - Het gebruik van GPT-5 en GPT-4o is onbeperkt, maar er zijn specifieke beperkingen voor verschillende modelversies: * 200 GPT-5 Denk (Thinking) verzoeken per dag * 2800 GPT-5 Denk mini (Thinking mini) verzoeken per week * 15 GPT-5 Pro verzoeken per maand * 500 GPT-4.1 verzoeken elke 3 uur * 300 o4-mini en o3 verzoeken per dag * ChatGPT Enterpriseversie - Het gebruik van GPT-5, GPT-4o en GPT-4.1-mini is onbeperkt, maar er zijn specifieke beperkingen voor verschillende modelversies: * 200 GPT-5 Denk (Thinking) verzoeken per week * 15 GPT-5 Pro verzoeken per maand * 20 GPT-4.5 verzoeken per week * 500 GPT-4.1 verzoeken elke 3 uur * 300 o4-mini verzoeken per dag * 100 o4-mini-high verzoeken per dag * 100 o3 verzoeken per week * 15 o3-pro verzoeken per maand In het FAQ-artikel wordt ook vermeld dat de beperkingen van het GPT-5 Denk (Thinking) model tijdelijk zijn en in werkelijkheid hoger zijn dan de hierboven vermelde langetermijnbeperkingen.

Dit is zeker waar: zeg minder in de prompt wat je niet moet doen, en meer wat je wel moet doen. Grote modellen zijn hierin vergelijkbaar met mensen; hoe meer je iets verbiedt, hoe meer het de aandacht trekt.