今天有個新聞在 Hacker News 上很火，新聞內容是加州失業率攀升至5.5%，全美墊底，科技業步履維艱：“求職市場太殘酷了”。 > 根據週五發布的州政府數據，加州七月份的失業率攀升至5.5%，位居全美各州之首。這背後是科技行業和其他辦公室工作崗位的持續疲軟以及招聘市場的低迷。 新聞將此歸因於科技行業的疲軟，因為該行業在加州經濟中占有舉足輕重的地位。這條新聞在 Hacker News 社區上討論激烈，大家從各自的視角分析了背後的深層原因，遠比新聞標題所揭示的更為複雜。 我覺得這個上面的討論比較好的總結了為什麼現在科技行業就業低迷。 1. 首先最核心的觀點是：告別“零利率時代”的多重後遺症 這是討論中最主流、最深刻的觀點。許多人認為，當前科技行業的困境並非單一因素造成，而是過去十年“零利率政策”（ZIRP, Zero Interest Rate Policy）時代的終結所引發的連鎖反應。 - 資本泡沫破裂：從大約2012年到2022年，極低的利率使得資本異常廉價。大量風險投資（VC）湧入科技行業，催生了無數依賴“燒錢”增長的商業模式，尤其是那些缺乏實際價值的加密貨幣（Crypto）和元宇宙（Metaverse）公司。隨著美聯儲加息，廉價資金的時代結束，這些公司的資金鏈斷裂，導致大量裁員和倒閉。 - 人才供需失衡：在ZIRP時代，科技行業的高薪神話吸引了大量人才湧入。大學的計算機科學（CS）項目大規模擴招，編程訓練營（boot camp）遍地開花，加上技術移民，導致軟件工程師的供給在十年間急劇增加。然而，隨著資本退潮，需求端（尤其是創業公司）急劇萎縮，造成了嚴重的人才過剩。 - 生物科技等行業的連帶效應：生物科技（Biotech）等同樣依賴長期、高風險投資的行業也遭受重創。這些行業對廉價資本的依賴性甚至超過軟件行業。ZIRP結束後，VC的資金逐漸枯竭，初創企業在用完“跑道資金”（runway）後無法獲得新一輪融資，只能裁員或倒閉。 > (by tqi): “在我看來，現在說‘AI’對軟件公司招聘產生實質性影響還為時過早。一個更合理的解釋是，在2012到2022年間，軟件工程師的人才供給大幅增加... 而在需求端，零利率時代的VC資金主要投向了那些扯淡的加密貨幣和元宇宙公司，它們大多沒能成功，導致現在市場上缺少能夠吸納這些人才的後期或新上市公司。” 2. 遠程辦公的“双刃劍”：全球化外包的新浪潮 COVID-19 疫情普及了遠程辦公（Work From Home, WFH），這在當時被許多開發者視為福音，但現在，其負面效應開始顯現。 - 為外包鋪平道路：當開發者們極力爭取完全遠程工作的權利時，他們可能沒有意識到，這也為公司將崗位外包到成本更低的國家打開了大門。既然大家都是遠程，公司為什麼不雇用一個薪資只有美國工程師1/5、同樣優秀的印度或東歐工程師呢？ - “回不去了”的辦公室：一些評論者認為，科技公司推動的“返回辦公室”（Return to Office, RTO）政策，在某種程度上是為了保護本地就業崗位。一旦工作被證明可以100%遠程完成，那麼它就可以在全球任何地方完成，美國工程師的薪資優勢將不復存在。 - 外包質量的爭論：也有人反駁說，外包已經持續了幾十年，高質量的軟件開發仍然需要本地頂尖人才，因為溝通成本、時區差異和文化背景等問題難以解決。但支持外包觀點的用戶則認為，隨著遠程協作工具的成熟和管理模式的改進，這些障礙正被逐漸克服。 > (by aurareturn): “我從2022年起就在HN上說：所有支持完全遠程工作的北美開發者們，當你的公司決定用海外的人取代你時，你們會大吃一驚的。既然都是遠程，公司為什麼要花5倍的價錢雇你，而不是一個更努力、更少抱怨的海外員工呢？... 支持返回辦公室的命令，從長遠看，可能會保住你的職業生涯。” 3. AI的角色：是生產力工具、裁員藉口，還是資本“吸血鬼”？ 關於人工智能（AI）在這次失業潮中的角色，討論呈現出複雜的分歧。 - 直接替代效應有限：大多數人同意，目前的AI還無法完全替代有經驗的軟件工程師。但它已經開始替代一些初級、重複性的工作，比如一些諮詢類的小任務。有顧問現身說法，稱客戶因為可以用ChatGPT解決一些小bug而不再聯繫他。 - 裁員的“完美藉口”：一個普遍的觀點是，AI成為了企業裁員和降本增效的“完美藉口”。即使裁員的根本原因是經濟下行或管理層決策，公司也樂於將其包裝成“擁抱AI、提升效率”的戰略調整。 - 資本的“黑洞”：AI扮演了另一個關鍵角色——它吸走了市場上僅存的、本可以流向其他科技領域的風險投資。VC們現在幾乎只對AI項目感興趣，這加劇了非AI領域初創公司的融資困難。 4. 科技行業的“鐵鏽地帶”化？對未來的結構性擔憂 部分討論者從更宏觀的視角表達了對未來的憂慮，將科技行業與曾經輝煌後衰落的製造業“鐵鏽地帶”（Rust Belt）相類比。 - 工作崗位流失的重演：正如當年美國將製造業外包給中國一樣，現在IT和軟件開發工作正在大規模地流向印度、拉美和東歐。這可能導致曾經高薪的軟件工程師群體面臨長期的結構性失業。 - 政治和社會影響：如果大量中產階級科技工作崗位消失，可能會引發新的社會和政治問題，就像“鐵鏽地帶”的衰落至今仍在影響美國政治格局一樣。 - 移民與簽證政策的爭議 (H1B/O1)：一部分討論將矛頭指向了H1B等工作簽證，認為它們被濫用，壓低了本地工程師的薪資，並加劇了競爭。另一些人則堅決捍衛技術移民，認為正是這些來自全球的頂尖人才（如滑鐵盧大學的畢業生）構成了矽谷的創新基石。 5. 公司管理與文化變遷：“馬斯克效應” 一個有趣的觀點認為，馬斯克對推特（現X）的大規模裁員產生了示範效應。 - 裁員的合理化：當馬斯克解雇了推特超過75%的員工後，產品依然能夠運轉，這讓許多CEO開始反思：“既然他能做到，為什麼我不能？” 這打破了過去科技公司“人才越多越好”的思維定勢，使得大規模裁員在心理上和商業上都變得更容易被接受。 6. 政治與政策因素：稅法變更的爭議 一條技術性但影響深遠的線索是關於美國稅法的變更。 - 研發支出攤銷規則 (Section 174)：2017年特朗普政府的稅改法案（TCJA）中有一項條款，要求公司從2022年開始，必須將軟件開發的薪資等研發（R&D）支出在五年內分期攤銷，而不能像以前一樣在當年全額抵扣。這極大地增加了科技公司（尤其是初創公司）的稅務負擔，抑制了在美國本土的招聘意願。 - 近期法案的修復作用：最近通過的“重建美好未來法案”（Build Back Better, BBB）部分修正了這一問題，允許國內的研發支出再次立即抵扣。一些評論者認為，他們在7月份左右感受到招聘市場有所回暖，可能與此有關。 最後 從這些討論來看，現在加州科技行業就業低迷原因還挺複雜，並非單一因素造成的，也不能簡單的歸結為“AI取代人類”或“行業周期性衰退”，而是零利率時代結束後的經濟清算、遠程辦公帶來的全球勞動力市場重構、AI作為新技術和資本磁石的雙重衝擊、以及特定稅收政策變化等多種因素交織在一起的結果。 也不知道啥時候能走出這種困境？或者原因不僅僅是上面討論的這些。

轉譯：為什麼大語言模型無法真正構建軟體 作者：Conrad Irwin 我花了大量時間做的一件事就是面試軟體工程師。這顯然是一項艱巨的任務，我不敢說自己有什麼絕招；但這段經歷確實讓我有時間去反思，一個高效的軟體工程師究竟在做什麼。 軟體工程的核心循環 當你觀察一個真正的行家時，你會發現他們總在循環執行以下幾個步驟： * 構建一個關於需求的心理模型。 * 編寫（希望如此？！）能夠實現需求的程式碼。 * 構建一個關於程式碼實際行為的心理模型。 * 找出兩者之間的差異，然後更新程式碼（或需求）。 完成這些步驟的方式有很多種，但高效工程師的過人之處，就在於他們能夠構建並維持清晰的心理模型。 大語言模型表現如何？ 平心而論，大語言模型在編寫程式碼方面相當出色。當你指出問題所在時，它們在更新程式碼方面也做得不錯。它們還能做所有真人工程師會做的事：閱讀程式碼、編寫並運行測試、添加日誌，以及（大概）使用除錯器。 但它們無法做到的是，維持清晰的心理模型。 大語言模型會陷入無盡的困惑：它們會假設自己寫的程式碼真的能用；當測試失敗時，它們只能猜測是該修復程式碼還是修復測試；當感到挫敗時，它們乾脆把所有東西刪掉重來。 這與我所期望的工程師特質恰恰相反。 軟體工程師會邊工作邊測試。當測試失敗時，他們可以對照自己的心理模型，來決定是修復程式碼還是修復測試，或者在做決定前先收集更多資訊。當他們感到挫敗時，可以通過與人交流來尋求幫助。儘管他們有時也會刪掉一切重來，但那是在對問題有了更清晰理解之後才會做出的選擇。 但很快就行了，對吧？ 隨著模型能力越來越強，這種情況會改變嗎？也許吧？？但我認為這需要模型在構建和優化方式上發生根本性的變化。軟體工程需要的模型，不僅僅是能生成程式碼那麼簡單。 當一個人遇到問題時，他們能夠暫時搁置全部的上下文，專注於解決眼前的問題，然後再恢復之前的思緒，回到手頭的大問題上。他們也能夠在宏觀大局和微觀細節之間自如切換，暫時忽略細節以關注整體，又能在必要時深入研究局部。我們不會僅僅因為往自己的“上下文窗口”裡塞進更多詞語，就變得更高效，那只會讓我們發瘋。 即便我們能處理海量的上下文，我們也知道當前這些生成式模型存在幾個嚴重的問題，這些問題直接影響了它們維持清晰心理模型的能力： * 上下文遺漏：模型不擅長發現被忽略的上下文資訊。 * 新近度偏見：它們在處理上下文窗口時，會受到嚴重的新近度偏見影響。 * 幻覺：它們常常會“幻想”出一些本不該存在的細節。 這些問題或許並非無法克服，研究人員也正在努力為模型增加記憶，讓它們能像我們一樣施展類似的思維技巧。但不幸的是，就目前而言，它們（在超出一定複雜度後）實際上無法理解到底發生了什麼。 它們無法構建軟體，因為它們無法同時維持兩個相似的“心理模型”，找出其中的差異，並決定是該更新程式碼還是更新需求。 那麼，現在該怎麼辦？ 顯然，大語言模型對軟體工程師來說很有用。它們能快速生成程式碼，並且在整合需求和文檔方面表現出色。對於某些任務來說，這已經足夠了：需求足夠清晰，問題足夠簡單，它們可以一蹴而就。 話雖如此，對於任何有點複雜度的任務，它們都無法足夠精確地維持足夠的上下文，來通過迭代最終產出一個可行的解決方案。你，作為軟體工程師，依然需要負責確保需求清晰，並保證程式碼真正實現了其宣稱的功能。 在 Zed，我們相信未來人類和 AI 智能體可以協同構建軟體。但是，我們堅信（至少在目前）你才是掌控方向盤的駕駛員，而大語言模型只是你觸手可及的又一個工具而已。

昨天我在 CSDN 產品經理大會上發言。 三個月前，當我在 CSDN 的朋友邀請我參加產品經理大會時，我其實想拒絕。 原因是我的創業公司剛成立半年，我沒有太多見解可以與大家分享。 然而，我在 CSDN 的朋友說沒關係，大會還有三個月的時間，我也可以分享一些之前的產品經驗。 巧合的是，上週我們推出了 FlowSpeech，產品獲得了好評，月經常性收入（MRR）增長了三倍，年經常性收入（ARR）也超過了一個小目標。更重要的是，我們的用戶通過使用這個產品賺了真錢，這是我們產品實力的最佳證明。 所以當我昨天發言時，我跟大家開玩笑說這個 PPT 的價值暴漲，所以請大家仔細聆聽。

“作為一個農民，我只買有機食品；作為AI從業者，我只看非AI生成的內容”😅

Vibe Coding 是個糟糕的名詞，很有誤導性，它最大的意義是借助 AI 做原型開發，能幫助快速確定產品需求。在軟體工程中，原型開發的程式碼通常都是拋棄型的，在正式開發產品時需要重新做系統設計，再編碼和實現，Vibe Coding 的結果也是類似的，在確定完需求後，還是需要重新設計再開發。

上下文工程中，Agent要借助工具和環境互動獲取數據補齊上下文

計算機科學自學教程 TeachYourselfCS 如果你是一位自學成才的工程師，或者從編程培訓班畢業，那麼你很有必要學習計算機科學。幸運的是，不必為此花上數年光陰和不菲費用去攻讀一個學位：僅僅依靠自己，你就可以獲得世界一流水平的教育💸。 互聯網上，到處都有許多的學習資源，然而精華與糟粕並存。你所需要的，不是一個諸如「200+ 免費在線課程」的清單，而是以下問題的答案： 你應當學習 哪些科目，為什麼？ 對於這些科目，最好的書籍或者視頻課程 是什麼？ 在這份指引中，我們嘗試對這些問題做出確定的回答。

來了朋友們～我300萬用戶只賺20塊：AI工具的虛假繁榮 - ListenHub 講段子，誰不會啊。之前很多人對我在硬地駭客上分享的case很感興趣，專門用 @oran_ge 的listenhub做了一個段子播客。可以來聽～

許多朋友都在關心 ChatGPT 團隊版（Team）和企業版（Enterprise）的使用限制，現在官方發布了兩篇新的常見問題解答（FAQ）文章，對此進行了解釋。 * ChatGPT 團隊版 - GPT-5 和 GPT-4o 的使用無限制，但具體到不同模型版本有如下限制： * 每天 200 次 GPT-5 思維（Thinking）請求 * 每週 2800 次 GPT-5 思維迷你（Thinking mini）請求 * 每月 15 次 GPT-5 Pro 請求 * 每 3 小時 500 次 GPT-4.1 請求 * 每天 300 次 o4-mini 和 o3 請求 * ChatGPT 企業版 - GPT-5、GPT-4o 和 GPT-4.1-mini 的使用無限制，但具體到不同模型版本有如下限制： * 每週 200 次 GPT-5 思維（Thinking）請求 * 每月 15 次 GPT-5 Pro 請求 * 每週 20 次 GPT-4.5 請求 * 每 3 小時 500 次 GPT-4.1 請求 * 每天 300 次 o4-mini 請求 * 每天 100 次 o4-mini-high 請求 * 每週 100 次 o3 請求 * 每月 15 次 o3-pro 請求 FAQ 文章中還提到，目前 GPT-5 思維（Thinking）模型的限制是臨時性的，實際上比上面列出的長期限制要更高一些。

這一點確實：少在Prompt裡面說不要做什麼，而是應該做什麼。大模型這點和人很像，越是不讓做的越是容易被吸引注意力