P60 · AI 原生初创 / 资深工程师 LLM · 05.18 早报-ginobefun

P60 · AI 原生初创 / 资深工程师 LLM · 05.18 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

大家好

欢迎收听best blocks 每日早报

今天是二零二六年五月十八日

星期一

我是你们的主播

今天是ep 六十一个整述

感谢你们一路陪伴我们走到第六十期

今天我们精选了十篇内容

覆盖ai 创业

工程实战

硬件产业三条主线

三篇精讲分别是ann roropic 官方出品的创始人创业手册

一位g hb 资资工程程真实记录的十五个月llm 使用进化

以及lennis podcast 邀请一位在苹果

Meta

Open ai 都主导过硬件团队的高管给出的ai 原件初业判断

如果你是正在考虑用ai 创业的技术人

或者已经在摸索如何把ai agent 接入日常开发工作流

那今天这期应该会对你很有帮助

素览环节还有七条内容

都是近几天工程社区比较热门的话题

我们一会儿一起过

好

先来看第一篇

第一篇

创始人手册

打造ai 原生初创公司

这是anthroropic 官方博客的一篇文章

由宝玉翻译

并补充了中文读者视角的注解

发表在他的博客上

文章的核核心主张是

到了二零二六年

创始人这两个字的含义已经被彻底改写了过去

一家公司的创始人是什么人

决定了他能做什么

技术创始人写代码

非技术创始人搞业务

这条边界清晰可见

但现在

Ai 把这堵墙拆了

没有工程背景的人

文章把可以发布生产及软件

只懂写代码不懂市场的工程师也可以自己完成竞品分析

财务建模

甚至拿出一份专业的融资ppt

文章里有个词

我觉得智能体的指挥家

传统创始人是埋头苦干的员工

现在的创始人是ai 智能体的指挥家

你不再是写代码的人

你是决定做什么

为什么做的人

然后让ai 去执行

文章把创业旅程拆成四个阶段

构思 Mvp 发布

扩展

每个阶段都给出了具体的工具站和操作建议

在构思阶段

文章给了一个我觉得很有价值的警告

Ai 反而让未经验证就动手做的风险变高了

因为开发成本已经接近零

创始人很容易在没验证问题是否真实存在的情况下

就经做出了一个能跑的原型

然后他们会拿着原型说

你看

市场验证了

其实根本没有

这是一个很典型的自我欺骗路径

文章里有个说法是

一个能跑的原型不是验证的结果

它是拿去做压力测试的道具

真正的验证是用户访谈的反馈

在工具选择上

文章区分了三种cloud 使用方式

Clod chat 用于快速对话和简单任务

Cloud code 用于需要接入文件

日历

Crm 等外部系统的知识型工作

Cloud code 则是工程师用来直接在代码库理工作

智智体编程环境这它者底层层同同一个结型

在工作空间完全不同了

文章里还有一个判断非常值得记

Ai 时代的确认篇

误有了超级滤镜

如果你让ai 去验证你的点子

他一定会帮你找到支持的证据

如果你让他估算市场规模

他会给出一个让投资人看了流口水的数字

解要也在同一个工具里

就是让ai 反着来

专门去找推翻译假设的理由

用它当魔鬼代言人

而不是拉拉队

宝玉翻翻译里还补了不少中文试的的据

比如对自力更生创业种子前轮融资

事前验式推演

这些概念的解释适合国内读者直接上手阅读

如果你对ai 创业感兴趣

今天这篇是我强烈推荐精读的一手材料

第二篇是来自github 一位资深工程师的个人博客文章标题翻译过来是

二零二六年我作为资深工程师如何使用llm

这篇文章好在哪里

好在他非常诚实

而且是前后对比的结构

把一年多前的状态和现在的状态并排放在一起

让你一眼就能看出变化有多大

这位工程师一年多前也写过一篇同主题的文章

当时他用ai 做什么

主要是智能自动补全

偶尔问问不熟悉领域的问题

把一次性的研究代码当做搜索引擎用

有几件事他明确说当时不用ai 做

不让他写完整的pr

不让他写adr 这种技术文档

不用他做大型代码库的调研

现在呢

最大的变化是每一个代码改动他都先交给agent 去做

然后自己做一遍审查

不是偶尔

是每次

是默认流程

他在github 大量使用github copilot t app

每天几十个agent 绘话

在排查bug 这件事上

他的描述特别有意思

他现在把每一个bug 不管难不难

都先交给agent 去诊断

因为agent 能正确诊断百分之八十的问题

上周他碰到一个很棘手的bug

前后开了十四次agent 绘话才找到答案

你可能会觉得

十四次

这不说明agent 没用吗

他的解读正好相反

人类的价值在于那十四次绘画之间做的事情

从日志里挖上下文

构建自己的心智模型

搭建问题复现环境

告诉agent 你这个方向不对

因为x

正是这些介入

让第十四次agent 的绘话

面对的问题比第一次简单的多

这就是他说的收窄搜索空间

有几件事他至今没有改变

Pr 描述他自己写

Slack 消息他自己写

Adr 他自己写

博客他自己写

虽然每篇都会跑一遍ai 反馈来查漏补缺

他的原则是任何需要向外部读者表达这里有一个人在思考的内容

都不能外包给ai

文章结尾他给了一个总结

我觉得非常到位

当前ai 使用的核心技能是在尽量多的把工作转给agent 和不走过头之间找到那条线

很多人用不足

不让agent 排查bug

不把测试任务交出去

也有人用过头

用ai 写本该自己写的

沟通团队

信任agent 去做那些需要仔细人工审查的大改动

这篇文章的价值不在于给你一套最佳实践

而在于它是一个真实的在生产环境里工作了十五个月的工程师的第一手观察记录

不推销任何产品

不拍任何马屁

对于正在摸索如何系统引入llm 的工程师来说

这种诚实的第一人称叙述非常难得

第三篇

Ai 硬件浪潮才刚刚开始

这是linux podcast 的一期对话

嘉宾是一位在硅谷顶级硬件公司都担任过重要职位的高管

主导过苹果macbook 的硬件团队

Matter 的oririon ar 眼镜以及open ai 的机器人部门

在今天的中文脚本里

我们就称它为这位硬件高管

他在这期博客里给出了几个我觉得相当反直觉的判断

值得拿出来细说

第一个判断

关于vr 投资

过去十年

各大公司在vr 上烧了数十亿美元

消费级vr 至今仍是小众市场

很多人把这笔钱看作失败

作位硬件高管不这样看

他说

Vr 那些年真正解决的是空间感知技术难题

包括同步定位与地图构建

多摄像头深度处理等

这套技术栈今天成了机器人与物理ai 的核心底座

投资没有白费

只是回报以一种意想不到的方式到来了

第二个判断

关于硬件开发的纪律性

还有一句话很直接

软件工程师可以每天编译代码

随时发补丁

但硬件工程师整个产品生命周期里只有四到五次编译机会

每次编译意味着把设计图纸转化为物理模具

一旦进入量产就锁死了

没有远程补丁可以打

他给出了四条原则

早锁核心指标

先啃最难的问题

把测试资源集中在用户最常触碰的地方

永远给自己留工程缓冲

第三个判断

关于供应链

他点了两个风险

一个是驱动器

让机器人手臂和手指灵活运动的精密电机组件

生产能力高度集中在亚洲

西方面临结构性瓶颈

另一个是内存

超大规模数据中心正在抢购全球d ram 资源来训练大模型

消费硬件和机器人产业的内存价格正在急涨

他把这叫d ram 价格

陨石建议硬件创业公司提前预购内存配额

第四个判断

关于人形机器人的现实

专用工业机器人已经在制造流水线上近乎无人干预的运作

但人形机器人仍处于原形阶段

他认为大多数场景里

专用机器会比人形机器人更高效

最后他还谈到了离开open ai 的原因

不是对技术不满

而是对智理和国防合作边界存在分歧

觉得缺少清晰的安全护栏

完整内容在show notes 里

感兴趣的朋友可以去看原文

第

下面我们来快速过一下今天速览环节的七条内容

第四条

Mama privacy 开源项目

来自摩哒model scope 社区

这个项目提出了一个很有意思的方案

在端侧做可逆伪逆名化处理

把你的隐私私息息本

本地码码码

码后的内容发云云端处处返

返结 结果

在在地还原

将

将enagg 既能记住你的下文文的原原隐

隐私 不

不开架本测

测试下来

推理和记忆能力几乎没损

损失

这个思路值得关注

别别是对企业agi 场景来说

第五条

用ai 调试a 会

同是一个来自ai engineer 大会的视频分享

Incident io 的创始工程师分享了在复杂多提示词ai 架构如何何ai 智能体来调试

评估和持续优化化三种生产验证模式

这个个题题贴近现实

很个团

团队搭了aai 水水之之会发发现试试产产价码

这

这个团频有实战参考价值

第六条

Airi 深度解析

同样来自ai engineer 大会

Ibm 的一位ai 开发者布造师通过增量式演示拆解了智能体质ness 的核心价值

核心观点是不改ai 提示词

只靠确定性工程就能让一个a 通语语言型智能体验一来自的的产产自动文化

把不确定的ai 输出锁进确定性的工程框架里

这个思路很值得工程团队参考

第七条

为什么你的ai 用户体验是破碎的

这锅不再模型对位

来自ably 的工程师研究了四十家公司的生产案例

指出问题根源在于基于sse 的ai 流式传输

在断线重连

多端同步等场景下

有三个结构性失效点

他提出的解法是持久绘画架构

让ai 对话状态变得可靠

可恢复

多端可同步

对于在做ai 产品的工程师

这个视频的实际参考价值很高

第八条

超越代码覆盖率

用play right 重塑ai 时代的测试闭环

这位来自微软和github 的开发者布道师指出了一个很现实的问题

Ai 生成的单元测试在自我印证测试和代码出自同一个ai

测试当然能通过

但这并不意味着工功是是对的

他演示了如何用play right 端到端浏览器测试配合github coilt 命令行工具

重新建立真正的红绿重构循环

让测试回归它本来的意义

第九条

Ai 需要大踏步走进业务现场

以企业微信为例

这篇来自流言蜚语的文章核心观点是

Ai 产品做的好不好

不看它多厉害

看它有没有深入业务流程

像写周报

起草邮件这种辅助性功能只是表面

看正有价值的ai 是融入业务流

让用户根本感知不到ai 的存在

它就在那里默默帮你完成事情

嗯 第十条

复盘十六个兼zai 创业团队

这篇来自白鲸出海

盘点了十六个由z 时代创始人创立的ai 创业项目

涵盖社交

健康

学习和行业重塑四个方向

共同特点是场景洞察准

执行速度快

已经获得百万美元级别的融资

这代年轻创业者和ai 一起长大

他们对用户场景的理解方式和上一代完全不同

最后是三条补充阅读

今天我们全部放在双tos 里

感兴趣的朋友可以点进去看

第一条

Llm 评估不能全靠感觉

这篇文章介绍了一个生产级llm 评估系统把忠实度拆解成归因信号和具体性信号两个维度

构建了一个能发现单一分数掩盖的自信幻觉问题的决策层

对在做ai 产品评估的工程师有实用价值

第二条

企业无人建模的风险

这个标题听起来很绕

但核心论点很尖锐

Ai 自动化了很多入门级岗位

但这些岗位正是培养未来评估ai

训练ai 的领域专家的地方

由ai 取代人

同时也破坏了自己改进所依赖的专家培培管道

这是一个值得认真对待的长期风险

第三条

掌握cloud code 四阶段工作流

这是anthropc 官方出品的演示视频

首把手展示如何用探索

规划 编编

提交四个阶段来使用clode code

从源头避免来回纠错

大幅提升开发效率感

好配

配合今天第一篇精讲内容

一起看好今天的ap 六零就到这里

这期三篇精讲

Anthropic 的创始人手册讲的是创业视角的转变

Github 工程师的文章讲的是开发工作流的进化

硬件高管的播客讲的是物理ai 产业链的现实约束

三个层面

三种视角

但背后都是同一件事

Ai 正在重构每一个职业角色的工作方式

感谢你收听best blocks 每日早报

我们明天见

如果你觉得今天的内容对你有帮助

欢迎把节目分享给身边的朋友

让更多人一起发现好内容

展开显示全部歌词