Hoje, uma notícia está bombando no Hacker News: a taxa de desemprego na Califórnia subiu para 5,5%, a pior do país, e a indústria de tecnologia está enfrentando dificuldades: "O mercado de trabalho é muito cruel". > De acordo com os dados do governo estadual divulgados na sexta-feira, a taxa de desemprego na Califórnia em julho subiu para 5,5%, a mais alta entre todos os estados dos EUA. Isso se deve à contínua fraqueza da indústria de tecnologia e de outros empregos de escritório, além da baixa no mercado de recrutamento. A notícia atribui isso à fraqueza da indústria de tecnologia, que desempenha um papel crucial na economia da Califórnia. A discussão sobre essa notícia na comunidade do Hacker News foi intensa, com as pessoas analisando as causas subjacentes de diferentes perspectivas, revelando que a situação é muito mais complexa do que o título da notícia sugere. Acredito que a discussão acima resume bem por que o emprego na indústria de tecnologia está em baixa atualmente. 1. Primeiro, o ponto central é: o adeus às múltiplas consequências da "era de juros zero" Este é o ponto de vista mais mainstream e profundo na discussão. Muitas pessoas acreditam que a atual crise da indústria de tecnologia não é causada por um único fator, mas sim por uma reação em cadeia desencadeada pelo fim da "política de juros zero" (ZIRP, Zero Interest Rate Policy) dos últimos dez anos. - Estouro da bolha de capital: De aproximadamente 2012 a 2022, as taxas de juros extremamente baixas tornaram o capital anormalmente barato. Uma grande quantidade de capital de risco (VC) fluiu para a indústria de tecnologia, gerando inúmeros modelos de negócios que dependiam do "queimar dinheiro" para crescer, especialmente aqueles que careciam de valor real, como criptomoedas (Crypto) e empresas do metaverso (Metaverse). Com o aumento das taxas de juros pelo Federal Reserve, a era do capital barato chegou ao fim, levando à quebra da cadeia de financiamento dessas empresas, resultando em demissões em massa e falências. - Desequilíbrio entre oferta e demanda de talentos: Na era ZIRP, o mito dos altos salários na indústria de tecnologia atraiu uma grande quantidade de talentos. Os programas de ciência da computação (CS) nas universidades expandiram-se em massa, e os boot camps de programação proliferaram, juntamente com a imigração técnica, resultando em um aumento acentuado na oferta de engenheiros de software ao longo de uma década. No entanto, com a retração do capital, a demanda (especialmente de startups) caiu drasticamente, causando um sério excesso de talentos. - Efeitos colaterais em setores como biotecnologia: Setores como biotecnologia (Biotech), que também dependem de investimentos de longo prazo e alto risco, também foram severamente atingidos. Esses setores são ainda mais dependentes de capital barato do que a indústria de software. Após o fim da ZIRP, o capital dos VCs começou a secar, e as startups, após esgotarem seus "fundos de runway", não conseguiram obter novas rodadas de financiamento, tendo que demitir ou fechar. > (por tqi): "Na minha opinião, é cedo demais para dizer que a 'IA' teve um impacto substancial nas contratações de empresas de software. Uma explicação mais razoável é que, entre 2012 e 2022, a oferta de talentos de engenheiros de software aumentou drasticamente... enquanto na demanda, o capital de risco da era de juros zero foi principalmente direcionado a criptomoedas e empresas do metaverso que, na maioria, não conseguiram ter sucesso, resultando na falta de empresas maduras ou recém-listadas capazes de absorver esses talentos." 2. A "espada de dois gumes" do trabalho remoto: a nova onda de terceirização global A pandemia de COVID-19 popularizou o trabalho remoto (Work From Home, WFH), que na época foi visto como uma bênção por muitos desenvolvedores, mas agora seus efeitos negativos começaram a aparecer. - Abrindo caminho para a terceirização: Quando os desenvolvedores lutam pelo direito ao trabalho totalmente remoto, eles podem não perceber que isso também abre a porta para as empresas terceirizarem empregos para países com custos mais baixos. Já que todos estão remotos, por que a empresa não contrataria um engenheiro indiano ou do leste europeu, igualmente talentoso, que ganha apenas 1/5 do salário de um engenheiro americano? - O escritório do qual não se pode voltar: Alguns comentaristas acreditam que a política de "retorno ao escritório" (Return to Office, RTO) promovida pelas empresas de tecnologia é, em certa medida, uma tentativa de proteger os empregos locais. Uma vez que o trabalho pode ser provado como 100% remoto, ele pode ser realizado em qualquer lugar do mundo, e a vantagem salarial dos engenheiros americanos deixará de existir. - Debate sobre a qualidade da terceirização: Outros argumentam que a terceirização já existe há décadas, e o desenvolvimento de software de alta qualidade ainda requer talentos locais de ponta, devido a problemas como custos de comunicação, diferenças de fuso horário e contextos culturais. No entanto, os usuários que apoiam a terceirização acreditam que, com a maturação das ferramentas de colaboração remota e a melhoria dos modelos de gestão, esses obstáculos estão sendo gradualmente superados. > (por aurareturn): "Desde 2022, venho dizendo no HN: todos os desenvolvedores da América do Norte que apoiam o trabalho totalmente remoto, quando sua empresa decidir substituir você por alguém do exterior, vocês ficarão surpresos. Já que todos estão remotos, por que a empresa gastaria 5 vezes mais para contratar você, em vez de um funcionário do exterior que trabalha mais e reclama menos?... A ordem de retornar ao escritório, a longo prazo, pode salvar sua carreira." 3. O papel da IA: ferramenta de produtividade, desculpa para demissões ou "vampiro" de capital? A discussão sobre o papel da inteligência artificial (IA) nesta onda de demissões apresenta divisões complexas. - Efeito de substituição direto limitado: A maioria das pessoas concorda que a IA atual ainda não pode substituir completamente engenheiros de software experientes. Mas já começou a substituir alguns trabalhos iniciais e repetitivos, como pequenas tarefas de consultoria. Alguns consultores relataram que os clientes não os contatam mais porque podem usar o ChatGPT para resolver pequenos bugs. - A "desculpa perfeita" para demissões: Um ponto de vista comum é que a IA se tornou a "desculpa perfeita" para as empresas demitirem e cortarem custos. Mesmo que a razão fundamental para as demissões seja a desaceleração econômica ou decisões da alta administração, as empresas estão felizes em apresentar isso como um ajuste estratégico de "abraçar a IA e aumentar a eficiência". - O "buraco negro" do capital: A IA desempenha outro papel crucial - ela absorve o pouco capital de risco que ainda existe no mercado, que poderia fluir para outros setores de tecnologia. Os VCs agora estão quase exclusivamente interessados em projetos de IA, o que agrava as dificuldades de financiamento para startups em setores não relacionados à IA. 4. A "desindustrialização" da indústria de tecnologia? Preocupações estruturais sobre o futuro Alguns participantes da discussão expressaram preocupações sobre o futuro de uma perspectiva mais macro, comparando a indústria de tecnologia à "Rust Belt" (cinturão da ferrugem) que outrora foi próspera e agora está em declínio. - Repetição da perda de empregos: Assim como os EUA terceirizaram a manufatura para a China, agora os trabalhos de TI e desenvolvimento de software estão se deslocando em massa para a Índia, América Latina e Europa Oriental. Isso pode levar a uma situação de desemprego estrutural de longo prazo para os engenheiros de software que antes recebiam altos salários. - Impactos políticos e sociais: Se uma grande quantidade de empregos tecnológicos de classe média desaparecer, isso pode desencadear novos problemas sociais e políticos, assim como o declínio da "Rust Belt" ainda influencia o cenário político dos EUA até hoje. - Controvérsias sobre imigração e políticas de visto (H1B/O1): Parte da discussão aponta o dedo para vistos de trabalho como o H1B, alegando que estão sendo abusados, pressionando os salários dos engenheiros locais para baixo e aumentando a competição. Outros defendem veementemente a imigração técnica, argumentando que são esses talentos de ponta de todo o mundo (como os graduados da Universidade de Waterloo) que formam a base da inovação no Vale do Silício. 5. Gestão empresarial e mudanças culturais: o "efeito Musk" Um ponto interessante é que as demissões em massa promovidas por Musk no Twitter (agora X) tiveram um efeito demonstrativo. - A racionalização das demissões: Quando Musk demitiu mais de 75% dos funcionários do Twitter, o produto ainda conseguiu funcionar, levando muitos CEOs a refletirem: "Se ele pode fazer isso, por que eu não posso?" Isso quebrou a mentalidade anterior das empresas de tecnologia de que "quanto mais talentos, melhor", tornando as demissões em massa mais aceitáveis tanto psicologicamente quanto comercialmente. 6. Fatores políticos e de políticas: controvérsias sobre mudanças na legislação tributária Uma linha técnica, mas de grande impacto, diz respeito às mudanças na legislação tributária dos EUA. - Regras de amortização de despesas de P&D (Seção 174): A reforma tributária do governo Trump em 2017 (TCJA) incluiu uma cláusula que exige que as empresas, a partir de 2022, amortizem as despesas de P&D, como salários de desenvolvimento de software, ao longo de cinco anos, em vez de deduzir o valor total no ano em que foram incorridas. Isso aumentou significativamente a carga tributária das empresas de tecnologia (especialmente startups), inibindo a disposição de contratar nos EUA. - O papel corretivo de legislações recentes: A recente aprovação da "Lei de Reconstrução de um Futuro Melhor" (Build Back Better, BBB) corrigiu parcialmente esse problema, permitindo que as despesas de P&D domésticas sejam deduzidas imediatamente novamente. Alguns comentaristas acreditam que sentiram uma melhora no mercado de trabalho em julho, possivelmente relacionada a isso. Por fim A partir dessas discussões, fica claro que a atual baixa no emprego na indústria de tecnologia da Califórnia é bastante complexa, não sendo causada por um único fator, e não pode ser simplesmente reduzida a "IA substituindo humanos" ou "recessão cíclica da indústria", mas é o resultado de uma combinação de fatores, incluindo a liquidação econômica após o fim da era de juros zero, a reestruturação do mercado de trabalho global devido ao trabalho remoto, o impacto duplo da IA como nova tecnologia e ímã de capital, e mudanças específicas nas políticas fiscais. Não sei quando conseguiremos sair dessa situação? Ou talvez as razões não se limitem apenas ao que foi discutido acima.

Transcrição: Por que os grandes modelos de linguagem não conseguem realmente construir software Autor: Conrad Irwin Uma das coisas em que passei muito tempo é entrevistar engenheiros de software. Isso é, evidentemente, uma tarefa árdua, e não me atrevo a dizer que tenho algum truque especial; mas essa experiência realmente me deu tempo para refletir sobre o que um engenheiro de software eficiente realmente faz. O ciclo central da engenharia de software Quando você observa um verdadeiro especialista, percebe que eles estão sempre executando repetidamente os seguintes passos: * Construir um modelo mental sobre os requisitos. * Escrever (esperamos que sim?!) código que atenda aos requisitos. * Construir um modelo mental sobre o comportamento real do código. * Identificar as diferenças entre os dois e, em seguida, atualizar o código (ou os requisitos). Existem muitas maneiras de completar esses passos, mas a grande habilidade dos engenheiros eficientes está em sua capacidade de construir e manter modelos mentais claros. Como os grandes modelos de linguagem se saem? Para ser justo, os grandes modelos de linguagem são bastante bons em escrever código. Quando você aponta onde está o problema, eles também se saem bem em atualizar o código. Eles podem fazer tudo o que engenheiros humanos fariam: ler código, escrever e executar testes, adicionar logs e (provavelmente) usar um depurador. Mas o que eles não conseguem fazer é manter um modelo mental claro. Os grandes modelos de linguagem ficam presos em uma confusão sem fim: eles assumem que o código que escrevem realmente funciona; quando os testes falham, eles só podem adivinhar se devem corrigir o código ou corrigir os testes; quando se sentem frustrados, simplesmente apagam tudo e começam de novo. Isso é exatamente o oposto das características que espero de um engenheiro. Os engenheiros de software testam enquanto trabalham. Quando os testes falham, eles podem consultar seu modelo mental para decidir se devem corrigir o código ou os testes, ou coletar mais informações antes de tomar uma decisão. Quando se sentem frustrados, podem buscar ajuda conversando com outras pessoas. Embora às vezes também apaguem tudo e comecem de novo, isso é uma escolha que fazem após ter uma compreensão mais clara do problema. Mas isso logo vai mudar, certo? À medida que a capacidade dos modelos aumenta, isso mudará? Talvez?? Mas eu acho que isso exigirá uma mudança fundamental na maneira como os modelos são construídos e otimizados. O modelo que a engenharia de software precisa não é apenas aquele que pode gerar código. Quando uma pessoa encontra um problema, ela pode temporariamente deixar de lado todo o contexto, concentrar-se na resolução do problema imediato e, em seguida, retomar seus pensamentos anteriores, voltando ao grande problema em questão. Eles também podem alternar livremente entre a visão macro e os detalhes micro, ignorando temporariamente os detalhes para se concentrar no todo, e aprofundando-se em partes específicas quando necessário. Não nos tornamos mais eficientes apenas porque colocamos mais palavras em nossa "janela de contexto"; isso só nos deixaria loucos. Mesmo que possamos lidar com uma quantidade massiva de contexto, sabemos que esses modelos geradores atuais têm vários problemas sérios que afetam diretamente sua capacidade de manter um modelo mental claro: * Omissão de contexto: os modelos não são bons em identificar informações de contexto que foram ignoradas. * Viés de novidade: eles são severamente afetados por um viés de novidade ao lidar com a janela de contexto. * Alucinações: eles frequentemente "fantasiam" detalhes que não deveriam existir. Esses problemas podem não ser insuperáveis, e os pesquisadores estão trabalhando para adicionar memória aos modelos, permitindo que eles usem técnicas de pensamento semelhantes às nossas. Mas, infelizmente, no momento, eles (após um certo nível de complexidade) realmente não conseguem entender o que está acontecendo. Eles não conseguem construir software porque não conseguem manter simultaneamente dois "modelos mentais" semelhantes, identificar as diferenças entre eles e decidir se devem atualizar o código ou os requisitos. Então, o que fazer agora? É evidente que os grandes modelos de linguagem são úteis para engenheiros de software. Eles podem gerar código rapidamente e se saem bem na integração de requisitos e documentação. Para algumas tarefas, isso já é suficiente: os requisitos são claros o suficiente, o problema é simples o suficiente, e eles podem resolver tudo de uma vez. Dito isso, para qualquer tarefa que tenha um pouco de complexidade, eles não conseguem manter contexto suficiente com precisão para, por meio de iterações, produzir uma solução viável. Você, como engenheiro de software, ainda precisa garantir que os requisitos sejam claros e que o código realmente implemente as funcionalidades que afirma ter. Na Zed, acreditamos que no futuro humanos e inteligências artificiais podem colaborar na construção de software. No entanto, acreditamos firmemente (pelo menos por enquanto) que você é o motorista que controla o volante, enquanto os grandes modelos de linguagem são apenas mais uma ferramenta ao seu alcance.

Ontem fui dar uma palestra na conferência de gerentes de produto da CSDN. Três meses atrás, quando os amigos da CSDN me convidaram para dar uma palestra na conferência de gerentes de produto, eu realmente pensei em recusar. A razão é que minha startup foi fundada há apenas seis meses e eu não tinha muitas percepções valiosas para compartilhar com todos. No entanto, os amigos da CSDN disseram que não havia problema, a conferência ainda tinha três meses, havia tempo de sobra e eu poderia compartilhar algumas experiências anteriores de produtos. Por coincidência, na semana passada, após lançarmos o FlowSpeech, a reputação do produto disparou, o MRR aumentou 3 vezes, o ARR também ultrapassou uma pequena meta, e o mais importante é que nossos usuários ganharam dinheiro de verdade usando o produto, o que é a melhor prova da nossa força de produto. Então, ontem, durante a palestra, brinquei com todos dizendo que o valor desta apresentação em PPT disparou, e pedi que todos prestassem atenção.

"Como agricultor, só compro alimentos orgânicos; como profissional de IA, só vejo conteúdos que não são gerados por IA"😅

Vibe Coding é um termo ruim e muito enganoso, seu maior significado é ajudar no desenvolvimento de protótipos com a ajuda da IA, podendo ajudar a determinar rapidamente as necessidades do produto. Na engenharia de software, o código de desenvolvimento de protótipos geralmente é descartável, e durante o desenvolvimento formal do produto, é necessário refazer o design do sistema, reescrever o código e implementar. O resultado do Vibe Coding é semelhante, após determinar as necessidades, ainda é necessário redesenhar e desenvolver novamente.

No contexto da engenharia, o agente deve utilizar ferramentas e interagir com o ambiente para obter dados que completem o contexto.

Tutorial de autoaprendizagem em Ciência da Computação TeachYourselfCS Se você é um engenheiro que aprendeu por conta própria, ou se formou em um curso de programação, é muito importante que você estude Ciência da Computação. Felizmente, não é necessário gastar anos e uma quantia considerável de dinheiro para obter um diploma: apenas com o seu próprio esforço, você pode obter uma educação de nível mundial💸. Na internet, há muitos recursos de aprendizagem disponíveis, mas há uma mistura de qualidade e mediocridade. O que você realmente precisa não é de uma lista como "200+ cursos online gratuitos", mas sim das respostas para as seguintes perguntas: Quais disciplinas você deve estudar e por quê? Quais são os melhores livros ou cursos em vídeo para essas disciplinas? Neste guia, tentamos fornecer respostas definitivas a essas perguntas.

Chegaram amigos～ Eu ganhei apenas 20 yuan com 3 milhões de usuários: a falsa prosperidade das ferramentas de IA - ListenHub Contar piadas, quem não sabe? Muitas pessoas estavam interessadas nos casos que compartilhei no Hardland Hacker, então fiz um podcast de piadas usando o ListenHub do @oran_ge. Venham ouvir～

Muitos amigos estão preocupados com as limitações de uso da versão Team (Equipe) e da versão Enterprise (Empresarial) do ChatGPT. Agora, a equipe oficial publicou dois novos artigos de perguntas frequentes (FAQ) que explicam isso. * Versão Team do ChatGPT - O uso do GPT-5 e do GPT-4o é ilimitado, mas existem as seguintes limitações específicas para diferentes versões do modelo: * 200 solicitações de pensamento (Thinking) do GPT-5 por dia * 2800 solicitações de pensamento mini (Thinking mini) do GPT-5 por semana * 15 solicitações do GPT-5 Pro por mês * 500 solicitações do GPT-4.1 a cada 3 horas * 300 solicitações de o4-mini e o3 por dia * Versão Enterprise do ChatGPT - O uso do GPT-5, GPT-4o e GPT-4.1-mini é ilimitado, mas existem as seguintes limitações específicas para diferentes versões do modelo: * 200 solicitações de pensamento (Thinking) do GPT-5 por semana * 15 solicitações do GPT-5 Pro por mês * 20 solicitações do GPT-4.5 por semana * 500 solicitações do GPT-4.1 a cada 3 horas * 300 solicitações de o4-mini por dia * 100 solicitações de o4-mini-high por dia * 100 solicitações de o3 por semana * 15 solicitações de o3-pro por mês O artigo FAQ também menciona que, atualmente, a limitação do modelo de pensamento (Thinking) do GPT-5 é temporária e, na verdade, é um pouco mais alta do que as limitações de longo prazo listadas acima.

Este ponto é realmente válido: é melhor dizer o que deve ser feito em vez de dizer o que não deve ser feito. Os grandes modelos são semelhantes aos humanos nesse aspecto; quanto mais se tenta proibir algo, mais fácil é chamar a atenção para isso.