Google 在能力上早就有 LLM（PaLM/LaMDA 等），但 ChatGPT 让行业看到“对话式产品 + 对齐 + 快速迭代发布”能爆发出巨大的用户价值，这件事是另一条路线。

让强大的技术能够被人可用，是做产品的思路。它所需要的技能点是完全不一样。

通过阅读代码来学习技术的方法：

1. 先把与你想学的技术相关的开源代码多下载几份（最好覆盖从入门到中级、高级，以及当前最主流的方案）。
2. 启动 Claude Code 或 Codex。
3. 让它以这些代码为基础，结合你想学习的某个具体话题的算法设计，把两者融合起来。

基于代码库，专门生成一份符合你当前水平、同时包含代码与算法说明的技术文档。 这种方式最快。

即便是少有人走的路，那应该也有灯塔。

六月，编程真正进入了 Agentic Coding 时代，彻底改变了我的习惯。我们创造工具，工具塑造我们。

我们创造工具，工具塑造我们。

这个世界本质上的所有信息，是不是都可以通过线性的关联取得相互之间的关联性，然后通过关联性来区分出它们相对的比重？

而这种关联性的计算可能是非常简单的相似性计算，也可能是距离计算。

以前看自己体检单的感觉有点像是上学时看成绩单。

现在看体检单跟看日志一样，还得回翻下历史数据。

使用 Claude Code 等智能体来执行任务，本质上就是在“开发”一个智能体。但大多数时候，它们只是用来处理简单任务，很多情况下还需要自己亲自参与结果验证。 它的高阶用法，是端到端交付一个完整结果。 要把它设计好，需要技巧。 最核心的问题是：如何定义智能体“已经把任务完成了”？进一步，如何评估完成度？ “聪明”的模型可能会 hack 结果，通过抄近路的方式解决问题。 如何设定正确的验收方式，才是提升工程效率的核心。

这和人类社会一样：假设你是企业老板，盈利是最终目标，但你不能把这个目标直接下达给下属部门。你需要针对不同部门，设定适合他们的评估方法——这既是技术，也是艺术。

• 有时候，恶劣的环境会造就恶劣的人，但身处恶劣环境之中却不自知。面对困局，最简单的办法是换个环境，而不是硬着头皮逼自己去迎合环境。
• 稳健、真诚都是良好的品质。令我惊讶的是，现实中真有人这样行事。这是我该学习的！但这离不开环境的支撑。希望能够持续保持这种环境，让这些良好品质得以留存。
• 应思考如何做 scale up 的事！要对需求保持敏感！这个世界就是可自由探索的需求工厂。

LLM 跟编程的关系

• LLM 不会取代工程师，它会放大工程师的能力，让工程师从繁琐的代码中解脱出来。这个转变类似于：从编写机器码到写汇编，从汇编到写 C，从 C 到 Python。每一次都是效率的提升，进而加快软件开发速度、降低开发门槛，带来的直接结果是软件更加丰富。
• 使用自然语言编写程序，自然语言将成为下一代“编程语言”。
• 在新的“编程语言”前提下，会出现新的开发模式。至于具体是什么，目前还没有共识；但从历史规律上看，肯定会有变化。现在要做的是义无反顾地投身其中，积累第一手经验，获得比较优势，并在过程中寻找杠杆，放大收益。
• 对计算机原理、数据结构与算法、优秀的设计模式以及软件工程等概念的理解，其重要性不会降低。跟以前一样，懂得这些内容的人用“自然语言”也能写出更好的程序。但软件的整体丰富度、质量在 LLM 的加持下肯定会提升。
• 对业务的理解，从古至今都是最核心的竞争力。它体现在对人的理解、对需求的敏感性上。