内容
AI 对任何有标准答案的事情都能学得很好。你的职业生涯，则是所有没有标准答案的事情。
如果 AI 这一层真的能把什么都做好，那它会是那些有标准答案的事。过去，学校几乎就是“标准答案”一路贯穿到底。学校是成功的终极锚点，因为它的核心就是答对题。到了 AI 时代，让工作依然“耐久”、且无法被评分的关键，不是更擅长解决问题。也不是更会搭建系统、理解他人，或创造酷炫的新东西。而是选择该做什么，并判断它好不好。 其余一切，AI 都会做得更好、更快。
我 16 岁就开始做工程，在爱尔兰乡村做浏览器。之后我在 Google 工作了 14 年多，带领过 Chrome、Gemini 和 Cloud AI 相关的工程团队，也写过不少 O’Reilly 图书。前沿实验室和 FAANG 公司也曾向我抛出橄榄枝，但如果不合适，我会拒绝。优秀的人总是需要的，所以我们每个人都有责任尽最大努力，做出自己能做的最好东西。
大多数职业建议至今仍然适用。上火箭船，不要过度优化你的座位。随着 agentic coding 的出现，具体细节稍有变化，但下面这些，是我希望如今那些有雄心的工程师们早点知道的事。
优化稀缺资源。 我之所以被人记住，几乎没有一件事是靠追逐最高薪酬得来的。我在开源领域投入的那些年，几乎没有直接回报。但它们带来了声誉和关系，而这些后来又非常高效地复利成了机会。无论哪份工作给我的薪酬，我大概都会花掉；但我的声誉却一直在持续回报我。
很多资源都很充足。资本充足。时间充足。真正的关系，尤其是持续产出好工作的记录，依然稀缺。 几周内我就能筹到钱，但我没法几周内筹到声誉。所以计划很简单：把事情做好，并确保欣赏好作品的人能看到。如今 vibe-coding 让快速赚点小钱变得轻而易举，但我认为，这样的小钱价值极低。当交付东西变得如此容易时，稀缺的动作就是选择一个值得交付的东西。
学会发现问题，而不只是解决问题。 我第一次真正感受到“选择”而非“解题”的压力，是在我觉得 LeetCode 还是衡量能力的重要标准的时候。可当 agent 把这类工作都吸收掉后，解题变得廉价，而选题变得稀缺。我的起点故事是：我发现拨号上网太慢，于是做了分块、多连接抓取；随后我意识到，这个问题我这辈子都不可能彻底解决，于是很快转向下一个同样复杂、同样让人着迷的问题。发现问题，早于解决问题。
我见过一些极其优秀的学生，在 agent 跑完他们的题目集后，表现得一塌糊涂（就像盯着钟上的错误微波炉时间）。同一个 agent。同一套题。token 和时间预算却天差地别。为什么？因为归根结底，强者会把判断力和直觉带进工作里；其他人带来的只是一个 prompt。
我过去靠死磕样板代码、修 bug 来锻炼这种判断力。我得以看到并深刻感受到人类能构造出的最糟糕抽象。每次提交代码时，我都怀着一种敬畏，仿佛刚看见前人留下的高烧幻梦。每一次 commit 都会带来后见之明与判断力。现在，agent 把这些重复训练都自动化了。品味是模式识别，但所有这些模式识别，都必须靠真正做过事才能积累出来。
真正的风险不是 agent 写出糟糕代码——我们以前就经历过。而是失去判断它好坏的能力。 判断力会退化。输出看起来会非常像能跑的代码。
优秀的实践者不会把 agent 放在所有事情前面。他们会进行刻意练习。 选择少数几个真正重要的问题，不借助 agent，用最笨最难的方式做它们，建立对系统和语言运作方式的深层心智模型。阅读的代码量要比你写的多出千倍。把 agent 生成的每一个 diff 都当成一次需要认真论证的人类评审。至少深入完整做透一个系统，从输入到输出全链路跑通。每天都私下记录：凡是 agent 提出看起来不对却又自信满满的建议，你都标记下来。品味，就是在这里积累的。
真正能蓬勃发展的工程师，不会是最会接收建议的人。他们会是最能立刻说“不”的人。
从“亲自做”转向“指挥做”。 就像你会把任务委派给人一样，你也需要学会把任务委派给 agent。定义任务范围，明确完成标准，校准信任程度，并验证结果。
自治是一个设置，不是一个头衔；它是按任务切换的。 对于小的、可逆的、易于检查的事情，把它开到最高；凡是出错后很难挽回的事情，就把它调低。
规格说明和验证是两种不同但互补的技能。agent 不会比你交给它的意图更好。最优秀的工程师，都是那些知道如何写出精确规格的人；把清晰的思考，写得让人一看就懂。
关键在于验证，而不是证据。不是那种让 agent 给自己作业打分式的“证据”。规模化地做委派却不做验证，没有什么比这更令人沮丧了。
对你交付的东西负责。 如果是 agent 写的代码，结果在生产环境里崩了，“这是 AI 干的”不是借口。 变更记录上写的是你的名字。你必须以一个负责任的人类的姿态出现：你得知道什么被发出去了，也知道该怎么修。
以问题最雄心勃勃的版本为目标。 Rich Sutton 的“苦涩教训”：在几乎所有领域里，随着算力增加而扩展的通用方法，最终都会胜过手工调优的同类方案。放到职业发展上也是如此：去解决一个问题的简单版本，没有什么意义，价值几乎为零。真正的价值，最终都集中在困难版本上。
最后一公里要冲刺。 现在没有哪种开箱即用的 agent 能从头到尾写完整个系统。通常情况下，你可以很快从 agent 那里拿到一个功能的 70%，而最后 30%——调试棘手的边缘情况、找到正确架构、培养正确品味——才是真正的全部。如今的中位数产出，不过就是 agent 在某个偷懒 prompt 下生成的东西。你能带来的个人价值，就是尽可能超越这个中位数。当第一稿变得免费时，完成度就是产品。 为了冲刺最后一公里，我的做法是：每隔几个月，我都会用最新、最锋利的模型，从零开始重建一次。比起勉强修补半死不活的旧代码，这样更不耗神。
作为软件工程师，我的工作就是把事情漂亮收尾。“漂亮收尾”和“勉强收尾”的差别，就在于打磨：多花一个小时，所有重要的人都会立刻看出来。
同时提高你的 xG 和终结能力
如果足球有股价代码，那一定会是 xG。xG 衡量的是你的进攻应该创造出多少机会；终结能力则衡量你是否把机会转化成了进球。你无法规划自己会获得多少机会，但你可以希望你的打法能创造出足够多的机会，而且在职业生涯中，你可以不断提高把机会转化掉的能力。
职业生涯也是同样的道理：你的声誉会把你送到球门前，而你用好的判断力把机会转化掉。机会会在你准备好或没准备好的时候到来；你能拿到多少、又能把哪些机会终结掉，取决于你。我获得过的重大机会，几乎都是因为我在公开场合做过的工作，而从未来自我投过的简历。你无法预先写好哪一个机会会到来，只能决定自己是否站在它落下的位置。你必须尽可能创造打开局面的条件，然后准备好抓住它。
一个常见的错误，是把注意力锚定在公司当前的产品上。你的工作确实必须落在某个具体载体里，但一支优秀的团队，会很快把当前产品变成面目全非的东西。所以，要押注团队和市场机会，而不是演示稿。 演示只是一个快照；团队才是轨迹。至于超级智能：我相信，未来的模型最终可能会取代我们作为知识工作者所做的大量事情。但这不会一夜之间发生，不会完全取代一切，也做不了我们现在承担的很多任务。新的工作类型会被创造出来。验证永远会是瓶颈。总得有人来判断哪些问题值得解决，并为每个问题分配适当的判断力度，而那个人可以是你。
但更重要的是，你现在就能在自己所在的位置做前沿工作。 进入 AI 研究的门槛，比看上去要小得多，而你不需要实验室也能建立直觉。只要高强度使用模型，并把你的观察转化为评测。评测和基准测试，正是理解所在之处。
总结一下：这个世界并不缺机会；缺的是那些能找到正确问题、判断机器是否真正解决了问题、并在机器停下之后继续把事情做完的人。
我们有时会把“最后一公里”当成拼图中最大的一块。但在 agent 的世界里，最后几英尺是无限的（agent 可以无限扩张输出，而你不行）。你的注意力是你最宝贵的资产，而且不会自动补充。 你不能不保护它。任何能被别人评分的东西，都会被自动化。职业生涯中真正无法被评分的部分是：选择什么重要；当你做到了时，能否诚实地判断；以及为此承担责任。去做吧。公开地做。靠近难题地做。其余的，通常都会随之而来。
这篇文章源自 Phil Chen 的原作，非常值得全文阅读。