与「软件工程」相关的搜索结果

23岁工程师和哥哥做AI看盘应用，采访时每月约5.6万美元。 德国的Timo以前在汽车公司做软件工程师，和哥哥一起做了ChartDetector AI。拍一张股票或加密货币行情图，它做技术分析，再给方向建议。 2026年7月的Starter Story采访里，他当着镜头说当时每月约5.6万美元，折合大概40万人民币；上线13个月，累计营收超过26万美元。 这是收入不是利润。他举例某个4月做了4.37万美元，扣掉广告和苹果抽成，利润大约1.15万美元。两个人，不是一个人，也不要暗示这个AI能帮人稳赚。 同类开源可收藏：stock-pattern，能扫描并画出股票图表形态，分析的是行情数据，不是手机拍照。

突发！！！ OpenAI解雇了一名年薪超过 30 万美元的软件工程师，原因是作弊 因为系统记录显示，他对源代码没有任何真正的理解，他提交的 100% 代码都是，由 Claude 生成的 他每天借助 ChatGPT 来解释 Claude 的代码 同时使用 Gemini 来解决所有编程错误 而在昨天发生的一场关键生产危机中 他只对 ChatGPT 写道 请你修好它 他们现在正看着我呢 真的笑死了

软件工程这个行业未来即将大变天，包括编程语言。 就像 Elon Musk 说的一样，从第一性原理来看即将变天：现在我们用的传统编程语言 efficiency 不够高，马上就有一套新的范式出来。现在很多人已经做出了雏形。 举个例子：最近那个 React Native 的 SaaS 叫 Expo，他们的老板是之前 Quora 的 CTO。他 follow 了我，然后我发现他做了一套新的 domain-specific language 来描述 UI，并且做了一套 Rust 的跨平台框架。 这套东西未来肯定会替代 Electron，但是 iOS App 的话不好说，桌面端肯定是，绝对会天翻地覆。 但我们也不需要 FOMO，因为这个东西最强的地方就在于：我们现在不去投资也没有关系，未来重写很容易

【招聘｜AI Agent 工程师 · 预测方向】 📍 新加坡 / 远程（新加坡时区）｜全职 💰 SGD 8,000–14,000 / 月 🤖 生产级 LLM Agent 帮客户招一位 AI Agent 工程师。团队在做能预测未来、并公开记分的 AI：政策、市场、地缘事件的每一次预测，都在结果揭晓前锁定，再由现实检验对错。团队精干，已经和机构伙伴合作，只看你做过什么，不看头衔。 你要做的： 构建能自主搜索、阅读、逐步推理并给出校准概率的 Agent，跑大规模多智能体政策与市场模拟，让每个预测都可审计，并作为生产级服务交付给机构客户。 我们希望你： 1. 3 年以上软件工程经验，至少上线过一个有真实用户在用的 LLM Agent 或多步骤 AI 系统 2. Python 和后端扎实：异步服务、API、数据管道、数据库、云 3. 评测思维：先建评测，再谈效果提升 4. 熟悉工具调用、检索、结构化输出和上下文管理，用过多家模型及开源模型 5. 每天用 coding agent，能用英文清楚表达技术决策 加分项： 1. 有自己得意的预测机器人、Agent 项目或公开战绩 2. 做过多智能体系统，或市场、机构、人群的 agent-based 模型 3. 搜索与信息管道：爬虫、新闻流、带时间维度的检索 4. 有预测、预测市场或金融数据相关经验 📩 感兴趣的朋友，欢迎到 moledao 搜索「AI Agent Engineer, Forecasting」投递并给我留言，附上你最得意的 Agent 或代码仓库（链接见评论 👇） 欢迎转发给身边合适的朋友！ #新加坡招聘# #远程工作# #AIAgent# #招聘#

经常用 AI 写代码的朋友们，可以了解一下领域驱动设计（DDD）这个概念。它的英文全称是 Domain-Driven Design。 平时做开发，很多人习惯先建数据库表、写增删改查，然后把一堆复杂的业务判断散落在控制器和前端组件里。一旦需求变多，字段和逻辑到处缠绕，改一个地方就坏一片。 DDD 的核心思想，就是把重心从底层的数据库和框架，拉回到真实的业务本身。在动手敲代码之前，先理清楚现实业务里的概念、规则和流转关系，让代码直接反映业务本身的逻辑。 在传统软件工程里，落地 DDD 通常围绕三个核心动作展开。 第一个是建立统一语言（Ubiquitous Language）。 在整个项目里，把所有的业务名词定下唯一标准。同一个业务概念，不能在需求里叫客户，在代码里叫用户，在数据库里又叫账号。统一了词汇表，沟通损耗直接抹平。 第二个是划分限界上下文（Bounded Context）。 再大的项目，也不能揉成一团。按照业务职责把系统切分成几个明确的独立边界。比如电商项目里，商品展示、库存流转、支付结算各自是一个独立的上下文，每个上下文只管好自己的规则，跨边界调用只通过清晰的接口契约进行。 第三个是构建充血的领域模型。 不要写那种只有字段、没有业务行为的空壳数据类。把属于某个实体的业务校验、计算逻辑和状态流转，直接封装在实体内部，让核心业务逻辑保持稳定。 搞懂了这套心智，在 Vibe Coding 时代跟 AI 协同就会顺手得多。 大模型写具体代码的速度极快，但它本质上是个概率系统。你给它一段模糊的需求，它顺着概率去猜，必然会胡乱生成一堆缺乏边界的胶水代码。 结合 AI 使用 DDD，最舒服的姿势是做好分工：人类负责搭建领域模型与划定边界，模型负责高效地补全具体实现。 具体的最佳实践可以总结为以下四步： 第一步，建立全局的领域词汇表与契约文件。 在项目根目录的规则文件或者系统提示词里，花几分钟把核心实体名词、状态枚举和核心行为定义清楚。给大模型一套毫无歧义的统一语言，它在命名变量、写类型定义和生成接口时就不会前后打架。 第二步，按照限界上下文限制 AI 的注意力范围。 不要试图让大模型一次性通读并理解几万行的大工程。按照业务边界把代码组织成清晰的模块。每次派发任务时，只把当前上下文里的实体定义、接口契约和相关文件喂给模型。把上下文体积控制在极小范围，模型的幻觉和误改率会大幅下降。 第三步，明确要求模型把规则内聚在实体内部。 给 Agent 提要求时，限制它不要在外层写一堆零散的条件判断补丁，而是把业务规则封装在对应的领域实体里。外层的调用代码越干净，后续让模型修改逻辑或者新增特性时，波及的范围就越小。 第四步，用行为测试作为确定性契约。 在让 AI 敲具体实现之前，先把领域实体的行为测试用例立起来。跑测试通过了才算交付。用严格确定性的单测和编译器，把大模型的概率漂移稳稳按在轨道里。 人类理清概念与划定边界，AI 负责快速落地代码。

我把后面这一段单独摘出来放评论： 很多人看完这期访谈会觉得，以后自己也可以像 Lauren 那样不 Review PR 了，装上她的 Skill，让模型帮忙验证一下就行。我自己现在的做法和她差不多，每天也有大量 PR，也不 Review。但我的建议是先别急着学她怎么做，先弄明白她凭什么能这么做。 1. 你能不能用上最好的模型，Token 够不够 在用上 Fable 和 Opus 5.5 之前，AI 写的代码我是不太放心的；用上之后，我才真的敢让 AI 去写而不怎么 Review。模型能力很重要，能力没到，就先别想这件事。 还有成本。像我这样没有大公司可以依靠的，得自己掏钱买 2 个 Claude Max 20x 账号，还得省着用。Lauren 在大公司，不用考虑 Token 消耗，全程用最好的模型、开最快的模式都没问题。 不过也别着急。Fable 这个级别的模型，也许半年以后就能像现在的 DeepSeek V4.1 Flash 一样便宜，人人用得起。梁圣加油。 2. 不能完全依赖 AI 的验证 哪怕现在 GPT-6 操作电脑的水平已经超过真人了，让它去做验证，也只能替代一部分，不能真的全交给它，自己还是要看。 可以做的是把那些手动重复做的事情，一点点沉淀成 Skill 和自动化脚本，把体力活解放出去。 3. 方向得靠你自己的专业来指 再聪明的 AI，也没办法替你决定该往哪个方向走。就像给车子装上火箭发动机，也得你来告诉它往哪开，走偏了要及时调整，不然跑得再快也是南辕北辙。 做软件也一样。你不能指望一句提示词做出一个淘宝。你得先做一个能发商品、能浏览的小网站，再加上用户注册，还得区分买家和卖家，然后是支付和安全，功能做完了还要扛得住很多人同时用。稍微复杂一点的软件，都没法完全依赖 AI，要人去拆解、规划，分成一个个小版本、小里程碑，做完要验证，出现偏差要重新指方向。甚至做着做着，你自己的想法都变了，AI 不可能知道你真正想要的是什么。 所以就像播客里说的：模型越来越强，卡住人的已经变成你能不能把自己想要什么讲清楚。 4. 不一定要用他们的 Skill，但要学着把事情交给 Agent 去做 Matt 和 Lauren 的 Skill 都很受欢迎，但你不一定要用。 一方面，软件工程的基础知识，现在的模型已经学得很好了。Lauren 在播客里也说，去年的 Skill 还得写清楚具体该敲哪条命令，现在这些都可以删掉，只留流程步骤，Skill 会越写越短。 另一方面，他们的开发流程和环境，跟你的很可能不一样。Lauren 的 Skill 都是从她自己的工作里总结出来的：验证技能来自她当“人肉中转站”的那段日子；另一个叫 recall 的技能，来自她每次开新对话，都得把上一个对话里的背景再讲一遍。 所以更重要的是从你自己每天的开发流程出发。那些还要你手动操作的环节，尽可能交给 Agent 去做；Agent 做顺了，再把它的操作过程沉淀成 Skill，反复迭代优化。 如果不知道从哪里下手的话，可以参考 Lauren 的办法：翻自己和 AI 的聊天记录，找那些你反复纠正、反复插手的地方。这样迭代出来的 Skill 才真正适合你，用她的话说，每个厨师都该有一套自己的刀。

2026 年想混成世界级软件工程师，难道只顾埋头敲代码就够了？得摸清圈里人都在琢磨什么。 刷到一位博主整理的 Newsletter 清单，五个方向，我扫了一遍覆盖面还挺全，从基本功到带团队再到 AI，几乎一条龙。给你挖出来： 1️⃣ 系统设计 The System Design Newsletter，弄明白大系统怎么搭，这属于硬功夫，绕不开。 🔗 2️⃣ 给工程师用的产品思维 Product for Engineers，PostHog 出品，写代码的也得懂点产品，否则永远只是执行的角色。 🔗 3️⃣ 工程管理 Engineering Leadership，Gregor Ojstersek 写的，想从写代码的爬到带人的，看这个。 🔗 4️⃣ 搞懂 AI Decoding AI Magazine，Paul Iusztin 出品，2026 年还不沾 AI，那可真要被落下了。 🔗 5️⃣ 每周科技精选 Hungry Minds，一周挑几篇值得读的，省得你自己满世界翻。 🔗 说句实在的，光收藏不读跟没看一样。挑一两个你最缺的，先订上，每周抽点时间扫一遍，一年下来差距就拉开了。

马上 Mole App 就可以帮助大家清理和维护 AI 工具在本地产生的东西了。 利用这个假期，想着继续给大伙上一个 Mole 有用的功能，帮大家清理不再需要的 AI 缓存、旧会话和 worktree，卸载之前装过、很久没有用的 AI 工具。 起源于之前一段时间，我一直在测试 700 多款软件的卸载清理残留，确保能够彻底清理各种你电脑上的垃圾，想着借助这个过程，加上之前非常多的小伙伴提过的 AI 垃圾清理诉求，当时这些“垃圾”在我看来是有用的，比如你的全部 AI Coding 会话记录，我认为是非常重要的资产，所以这一块之前更多只是支持清理真正的缓存和旧版本。 不过随着 AI 的使用，我本地机器也有非常多没有那么大用的 AI 产物、会话以及 worktree 一直留在本地，还是非常有必要做这个事情，于是就开始弄了，我测试了 30 多款 AI 软件，包括之前一直不愿意下载的国内 AI 工具，以及各种命令行工具，全部装到我的电脑，登录账号，进行真实使用测试产生会话，然后去找垃圾、对话、缓存、worktree、临时文件、安装位置等信息，记录在案，整理到 Mole 里让大家可以更好地清理维护，差不多完工了，当前在 Preview 版本，还需要继续测试，下一个版本再放出来给大伙使用。 这个过程也发现了，还是 Claude、Codex、Cursor 这类产品在克制上保持得比较好，也是我常用的 3 个，测试过程中发现了非常多软件的乱象，比如下载安装包的时候，默认在你的剪贴板写一点东西，用于跟踪安装渠道、做数据统计，这种我感觉有点过了，也有安装后，给你弹窗让你去做活动获取 Token 的，牛皮癣满天飞，有一种捏着鼻子用的感觉；甚至还有软件一启动就是 41 个进程，占用高达 4.49 GB，非常卡顿难用，还是大公司做的也搞不懂。但是整个过程中让我感觉不错的是居然 Qoder，保持住了自己的克制，审美在线，没有乱来，产品上挺让人惊讶，期待国产多一些这样的软件，加油加油。 加上之前测试那 700 多款软件的过程，发现了还是有不少软件没有遵守住一些软件工程开发的基本原则，也没有大家想的那么专业、纯净。更加让我想着 Mole 一定要保持住现有的简洁、把能力做深、不乱搞、不乱获取不该获取的东西，不上传用户的本地文件和会话内容，甚至任何使用统计都不加，唯一使用网络地方只有更新检查和软件激活这两块，继续保持强迫症的方式走下去应该会更加长远。 最后，大伙有任何对于 AI 清理和维护的诉求，欢迎告诉我，我给放到测试里面去做，确认适合清理的就加到这个功能里面去，这一块应该会持续迭代维护很长时间。

据我的职场观察，日本人普遍对软件、数据和系统本身缺乏客观的认识，很难认可软件应有的价值。 我倒不认为日本公司是舍不得为软件花钱，很可能是大多数企业根本都不知道自己要买什么服务。 因此从结果上看，个人感觉日本企业普遍没有SaaS文化，尤其是在传统制造业里，这点和美国非常不同。 而且我当初作为外国人入职时明显感到，同样作为是工程师，只要不是IT专业，很多人对现代软件开发的基本概念都不懂。 身边的日本同事可能非常了解机械、电气、材料、生产工艺或者设备设计，但可能甚至连python是什么都不知道，更谈不上数据结构化。 这就导致大部分人可能甚至听都没听说过class、instance、library、API、database、backend，更加不知道软件系统能够把多少重复性的工程工作自动化。 结果就是公司可能并不是不愿意花钱开发软件，而是自己连软件需求都没有能力准确描述。 比如一个电气工程师如果不知道python可以批量处理Excel，不知道数据库可以管理设备参数，不知道API可以让不同系统交换数据，不知道后台程序可以自动检查设计条件、追踪revision，甚至不知道很多规则性的判断本身就可以抽象成程序，那在面对低效率重复工作时，这个电气工程师想到的只可能是继续增加Excel、增加人工确认步骤，或者要求别人做一个看起来像软件的表单。（所以大手企业里有很多xlsm的macro，这就又增加了维护成本） 做工程的不懂软件，无法准确提出需求，于是把开发外包给SIer或者外部软件公司。 外面的软件工程师虽然懂程序，又不懂发电厂、电力系统、机械设计这些专业知识以及实际的workflow。 公司员工说不清楚自己真正需要什么，外边的软件公司也不知道为什么这个工程流程必须要这样设计。最后做出来的系统四不像，根本没有符合实际的workflow，这就导致软件不好用。 这又反过来强化传统行业对软件无用的刻板印象，于是企业更加不愿意为软件和内部开发能力投资。这是个恶性循环。 日本肯定有很优秀的软件公司和工程师，但在我看来，在日本既懂工程，又能把工程数据抽象成数据结构、算法、数据库和软件系统的人太少了。 这也是我到日本之后感受很强烈的地方。 而且我的本科并不是计算机专业，而是机械工程。 我不知道其他的大学怎么样，但至少在华科，即便是机械工程，python也是作为必修课计入学分的。 当年我也不懂为什么要学这个，我以为只是为了让我们学习Numpy这些数学工具当研究室工具人。 但我现在知道了，其实从这一点上来看，中国的本科教育可能是非常成功的。python课程的设计目的可能只是至少让工程师理解计算机可以做什么，能够自己写一些程序解决工程问题。 我认为这种基础教育非常重要。所以我之前有质疑过日本的本科基础教育。。 工程师并不需要会开发大型软件，但至少应该知道什么事情可以自动化、什么问题适合用数据库解决、什么工作可以写脚本处理、什么时候应该调用API，以及一个软件系统大致是怎样组成的。 只有具备这些基本认知，才有可能提出好的软件需求。否则就跟现在日本一样，天天喊DX，结果就只是买几个极其难用的系统、增加几个网页界面、把Excel上传到云端，然后继续用和二十年前几乎相同的方法。 这并不是真正的软件化，纯粹浪费时间罢了。 日本更需要解决的问题可能是把python等纳入本科基础教育。（但我没在日本读本科，不是很懂日本本科教育到底学不学这些）

户晨风都开始找工作了，期望月薪八万。 近日，一份疑似科技博主户晨风的 BOSS 直聘简历在网上引发关注。 网传简历显示，户晨风27岁，大专学历，8年工作经验。工作经历一栏写着2023年2月至2025年9月，同时在北京字节跳动和上海哔哩哔哩担任博主。教育背景是南京航空航天大学继续教育学院软件工程专业大专。 求职意向是成都的内容运营岗位，期望月薪50-80K，也就是5万到8万。 自我介绍中写道："2025 年抖音平台流量 400 亿 +，擅长及精通短视频整体运营，包括内容策划、拍摄效果、剪辑手法、发布规划、直播形式及内容。" 值得注意的是，简历中的年龄、博主身份等信息与户晨风公开情况基本对得上。