在 AI 领域打造你的职业：来自一线的真实对话
Source: Dev.to
受 Andrew Ng 和 Lawrence Moroney 的职业建议演讲启发
“看，AI 领域现在简直疯狂。作为一直深耕开发者倡导、跨平台开发和软件工程最佳实践的人，我正实时目睹这场变革，说实话？既令人兴奋，又混乱得要命。”
在过去一两年里有什么变化？
- 强大的工具 – 大型语言模型（LLMs）真正理解上下文，工作流更流畅，语音 AI 听起来更像人，以及能够显著提升生产力的编码助手。
- 新的 AI 构建块 – 大型语言模型、RAG‑增强工作流、语音 AI 和深度学习框架，这些在几年前要么非常困难，要么根本不存在。
Andrew 的观点： “我们现在拥有的 AI 构建块在一两年前是非常困难或根本不存在的：大型语言模型、RAG‑增强工作流、语音 AI 和深度学习框架。”
我已经尝试了从 AI 编码助手到自定义 MCP 服务器的各种工具，和六个月前相比，差距天壤之别。
Source: …
🚀 构建东西变得 极其快速
- 近期原型：
- 一个 video‑watcher persona system，能够即时生成定制广告视频。
- 多代理 AI 内容生成器。
- 一个 “simple” vibe‑coded Conclave RPG 游戏。
Andrew’s observation: “使用 AI 编码，获取软件的速度比以往任何时候都快得多。”
💡 受 Andrew Ng 的 “产品管理瓶颈” 概念启发
我在 React‑Native TV 项目和 AI 自动化流水线中看到的
- 最难的不是实现功能；而是 决定要构建什么、写清晰的规格说明、以及理解用户需求。
Andrew 的关键洞见： “当从一份写得很清晰的软件规格到代码的过程变得越来越容易时，瓶颈越来越在于决定要构建什么，或者为你真正想构建的东西写清晰的规格说明。”
- 团队动态在变化——传统的工程师‑对‑PM 比例（例如 8 工程师 : 1 PM）正压缩至 1 : 1，甚至 2 : 1。
Andrew 说： “我看到工程师‑对‑PM 的比例在下降——甚至可能是二比一或一比一……我合作的一些团队的人员配置是 1 PM 对 1 工程师。”
对开发者的启示： 如果你既能像产品人员一样思考，又能交付代码，那就非常有价值。
Andrew 强调： “能够同时塑造产品的工程师可以非常快速地前进……那些学会与用户交流、获取反馈、对用户产生深度共情，从而能够决定要构建什么的工程师，是移动最快的一群人。”
💡 Andrew关于保持在工具前沿的建议
- 在这个领域，工具每 3–6 个月 就会更换一次。
- 落后一代意味着 付出双倍努力却只能得到一半产出。
Andrew的经验： “如果你每三个月问我个人最喜欢的编码工具是什么，它实际上可能每六个月甚至每三个月就会换一次。落后半代使用这些工具，坦率地说会大幅降低生产力。”
实用技巧：
- 每周预留时间 来尝试新工具。我真的会在日历上专门划出时间。
💡 Andrew & Lawrence 对 构建和展示工作 的强调
- 不要只玩玩——构建能够解决真实问题的东西。
- 我最近的工作：自动化视频流水线、用于应用 KPI 的 MCP 服务器，以及内容自动化系统。这些不是玩具；它们解决了实际的工作流痛点。
Andrew 的鼓励： “只管去构建东西吧……你有机会去构建，而我认为向他人展示这些东西的机会比以往任何时候都更大。”
Lawrence 的建议： “不要让你的产出只为你现在的工作服务；让你的产出为你想要的工作服务。”
作品集提示： 展示你能够 交付生产代码或实际被人使用的工具，而不仅仅是原型。会议演讲固然不错，但交付的代码更能吸引关注。
🔥 真实案例
Andrej Karpathy 最近分享了他如何使用 Claude Code 在一次会话中逆向工程整个 Lutron 家庭自动化系统。AI：
- 发现网络上的控制器。
- 找到开放的端口。
- 拉取 PDF 文档。
- 连接设备。
- 通过开关厨房灯进行测试。
他现在正在 “vibe‑coding” 一个主指挥中心，以取代那蹩脚的官方应用。这正是构建真实事物的样子——使用 AI 工具来解决你实际遇到的问题。
💡 Andrew关于被指派到 Java 后端支付处理的学生的故事
- 教训： 名片上的品牌不如你学习的人的重要。
Andrew的警告： “他讲了一个关于斯坦福学生的故事，这名学生加入了一家拥有‘热门 AI 品牌’的公司，却被拒绝告知自己会加入哪个团队。签约后，他们被分配到后端 Java 支付处理，而不是 AI 工作，结果在一年沮丧后离职。”
需要关注的点：
- 真正好奇并保持技术前沿的工程师。
- 经常交付的团队，而不是只会谈论交付的团队。
- 能够进行实验且不会被立刻否决的工作环境。
Andrew的强调： “影响你学习速度和成功程度的最强预测因素是你身边的人……与其为拥有最热门品牌的公司工作，有时如果你找到一个由勤奋、知识渊博、聪明的人组成的优秀团队，致力于用 AI 做好事，即使公司标志不那么炙手可热，你往往也能学得更快。”
结论： 获得前沿技术的机会 以及 与聪明的人共事是无价的。这才是推动你职业前进的关键。
💡 Lawrence’s “Business Focus” Pillar
最佳机会出现在你了解为什么在构建某件事时。无论是为十英尺观看距离优化电视界面，还是为内容创作设计 AI 工作流，了解业务背景都会让你的价值无限提升。
Lawrence’s framework:
“业务聚焦是不可谈判的……一切都以生产为导向。一切都偏向生产……底线就是底线。”
💡 Lawrence Moroney 的 “AI 分化” 预测
你面前有两条路径：
| 路径 | 描述 |
|---|---|
| 大 AI | 基于云端的 LLM，海量算力，平台服务（例如 Claude、GPT‑4）。 |
| 小 AI | 可自行托管的模型，边缘计算，专用场景。 |
Lawrence 的见解： “在未来五年会出现分化……大 AI 将是我们今天所见的，随着大语言模型变得更大，以推动通向 AGI 的愿景……另一边是可自行托管的模型，它们正迅速涌现到整个生态。”
两者皆为有效。我在两者之间切换——使用云端 LLM 进行内容生成，同时也在思考电视平台的边缘处理。选择与你的兴趣和想要解决的问题相契合的方向即可。
Source: …
💡 Lawrence 的 “Vibe Coding” 框架 & 技术债务
AI 系统会快速累积技术债务。我在构建自动化流水线时深有体会。把技术债务想象成金融债务。
“像平时考虑债务一样，对吧？买房子……你最终要向银行偿还大约一百万美元，而你只拥有五十万的房产。这可能是个不错的债务……而坏债务则是用高利率信用卡冲动消费。”
每次使用 AI 生成代码时，问问自己：这值得我承担的技术债务吗？
避免不良技术债务的框架
- 明确的目标已达成 – 你清楚自己需要构建什么，而不是随意生成代码。
- 交付业务价值 – 这对业务有什么帮助？“这真的很酷”不足以说明。
- 人类可理解 – 你的团队能否理解并维护这段代码？
在 AI 促成的快速原型开发与可持续架构之间取得平衡。记录你的工作——你的未来自己（以及团队）会感谢你的。
“在生成代码的时代，代码本身很便宜。完成的代码、经过工程化的代码并不便宜。” – Lawrence
💡 Lawrence 对 “炒作剖析” 的讨论
AI 领域充斥着炒作，你需要学会从噪音中筛选出信号。
关键洞见：
“社交媒体的货币是互动。准确性不是社交媒体的货币……如果你是那种能够从噪音中过滤出信号并鼓励他人关注信号而非噪音的人，那你将拥有巨大的优势。”
当有人说 “我们需要实现代理（agents）” 或 “我们需要 AI” 时，你的第一个问题应该是 “为什么？”
故事： 一家欧洲公司的 CEO 找 Lawrence 实现代理，因为“大家都在说这能节省业务成本”。Lawrence 一直追问 为什么，直到他们发现真正的需求是：通过把研究时间从工作量的 80 % 降到 20 % 来提升销售人员的效率。
学会把事物 尽可能平凡化，才能真正理解它们。剥去魔法和炒作，看看底层到底在发生什么。
💡 Lawrence的建议：避免成为**“One‑Trick Pony”**
我不仅仅是 AI 人员；我还从事电视平台、React Native、开发者倡导、内容创作、新 SDK 和工具的摩擦记录工作。这种广度让你更具韧性，也更有趣合作。
“不要成为只会做一件事的单一技巧小马。我曾与一些才华横溢的人共事，他们在编写特定 API 或框架方面非常出色，但随后行业发展，他们却被甩在后面。” – Lawrence
💡 Lawrence的强调：现在一切都关于生产
超越概念验证。学习部署、监控、扩展。标准已经从 “你能做出酷炫的演示吗？” 转变为 “你能交付业务价值吗？”
“现在在 AI 领域工作到底是什么感觉？就在两三年前，AI 工作的标准是‘只要你能做到，就是了不起的’。不幸的是，这种情况已经不复存在。今天你会看到 P‑word: production。” – Lawrence
💡 Andrew 与 Lawrence 关于 展示你的工作
分享你的学习成果。 在 dev.to 上写文章，参加会议演讲，创建 GitHub 仓库。社区反馈循环极其宝贵，它会打开你未曾预料的机会。
示例： 当 Lawrence 在 Google 面试时，他没有回答随意的问题，而是展示了自己编写的代码——一个在 Google Cloud 上运行的 Java 应用，用于预测股票价格。
“我的整个面试过程都是他们询问我的代码……这让我有能力沟通我所了解的事物。” – Lawrence
💡 Lawrence 对 “代理性” 的拆解
如果你要与 AI 代理一起工作，请了解四步模式：
- 理解意图 – 使用大语言模型（LLM）把握需要完成的任务。
- 规划 – 声明可用工具并制定计划。
- 执行 – 使用这些工具来获得结果。
- 反思 – 将结果与初始意图对照，必要时迭代。
这不仅仅是流行词的遵循——它是对 AI 系统的工程化纪律。
💡 Lawrence 对 AI bubble 与行业成熟的讨论
可能会有一个泡沫出现。Lawrence 阐述了其结构：
- 顶部的炒作。
- 大规模的风险投资资金枯竭。
- 不切实际的估值。
- 各种模仿产品遍地开花。
- 底部只有少量真实价值的核心。
从 .com 泡沫中得到的教训：
“Amazon、Google……他们做对了。他们理解了构建 .com 的基本原理。他们理解了在 .com 上建立业务的基本原理。当炒作的泡沫破裂时，他们并没有……” – Lawrence
幸存者将是那些…
- 专注于基础
- 构建真实的解决方案