AI编程成最赚钱赛道，程序员群体迎来K型分化_IT互联网

1. 我觉得DeepSeek V4 Flash最大的意义，是让AI变得越来越“便宜”。以前很多人觉得大模型很强，但距离普通用户还有距离，原因就是成本和门槛。现在模型价格不断下降，AI正在进入更多真实工作场景，比如写代码、整理资料、分析数据、辅助创作。未来AI可能不会只是少数科技公司的核心能力，而会像搜索、办公软件一样，成为每个人都能使用的基础工具。真正的竞争，才刚刚开始。#DeepSeekV4Flash有多强#

2. 吕布骑吕布！最猛Agent骑最猛的AI会是什么样？

3. AI 走出代码沙盒之后，如何在物理世界自我进化？

4. #国产大模型包揽全球调用量前五#国产模型推理成本显著低于海外顶级闭源模型，往往便宜一个数量级以上，对独立开发者、初创公司和高频调用场景非常有吸引力。即使在OpenRouter这个以海外用户为主的平台上，国产模型也在长期霸榜，更能反映模型市场化程度和用户的忠诚度。国产大模型在全球开发者API调用生态里已经形成明显领先，尤其是在高性价比开源方向上实现了群体性突破。这是近年来中国AI在应用层和生态层最显著的成果之一。

5. Andrej Karpathy，OpenAI 联合创始成员、前特斯拉 AI 总监，现 Eureka Labs 创始人，是全球 AI 领域最具影响力的研究者和实践者之一。他分享了一个有趣的实验：给 Opus 5 一段《魔戒》文本，它花了约 2 小时、消耗约 100 万 Token，写出 5500 行代码，程序化生成了一个可探索的 3D 世界。他说，真正令人兴奋的，不是这个 Demo，而是大量过去因为太费时间、没人愿意做的事情，开始变成“既然 AI 几乎免费，为什么不做？”X上分享原文：我们正在离开那个用「画一只骑自行车的鹈鹕 SVG」来测试大语言模型能力的时代。为了看看能力的边界到底在哪里，我做了一个实验：把《魔戒》的第一段文字交给 Opus 5，给它 100 万 Token 的预算（大约 10 美元），让它生成一个 Three.js 的三维场景。结果，它整整运行了大约 2 个小时，写出了 5500 行代码，最终以程序化生成（procedural generation）的方式，把小说里的世界渲染了出来。虽然效果还有点粗糙、Bug 也不少，但真的很好玩。更让我震撼的是，它必须自己完成这一切：* 决定各种多边形模型放在三维空间里的哪个位置（x、y、z 坐标）；* 协调这些素材之间的关系；* 编写驱动整个场景运转和动画的代码。而最不可思议的是——它居然真的做出来了。⸻我特别喜欢这种例子，因为它体现了一种新的变化。过去，没有任何一个正常人会花几十个小时去写这样一个极度定制化、只能用一次的小项目。但 LLM 不一样。它拥有几乎无限的耐心和体力，因此很多事情开始从：「没有人会这么干。」变成了：「既然几乎不要成本，那为什么不试试？」我怀疑，这种变化带来的机会可能远远不止这些。我最期待的是：未来可以按需生成各种高度定制化的世界（Hyper-custom Worlds）。比如：* 把玩家直接投放进《魔戒》的故事里；* 作为一个围观剧情发展的 NPC；* 或者成为故事里的某个角色，真正参与剧情。它有点像：按需生成、一次性的 GTA 世界。（作者原文写的是 ephemeral GTA of X on demand——不是指真的 GTA，而是说任何你能想到的世界，都可以即时生成一个供你体验。）⸻最后，我觉得「世界生成」和「游戏」这个方向，也暴露了当前 LLM 的一个明显短板。模型很难真正检查自己生成出来的结果。原因在于，它还不能高效、原生地：* 看视频；* 玩游戏；* 理解连续变化的画面。这次实验里，Opus 5 只能非常缓慢地不断截图，在不同时间点检查画面是否正确。整个过程既费时，又容易出错，因此最终还是留下了不少 Bug 和各种奇怪的问题（jank）。我认为，这说明模型还有一些基础能力远远没有成熟，比如：* 更强的多模态理解；* 原生的视频感知能力；* 真正能够像人一样试玩和验证游戏。这些都是目前仍然明显欠缺的能力。⸻我觉得这段真正值得关注的，不是《魔戒》，而是三个趋势：第一，AI 的成本结构变了。过去很多想法不是做不到，而是人力成本太高。现在，10 美元、2 小时，就能完成一个过去没人愿意做的项目。第二，软件开始进入「一次性定制」时代。未来的软件未必是一个产品，而可能是为了某个人、某个场景、某一分钟而临时生成。用完即弃，不需要长期维护。第三，AI 的能力瓶颈正在从「生成」转向「验证（Audit）」和「闭环」。写 5500 行代码已经不是最难的；真正难的是，AI 如何像人一样试玩、观察、发现问题，再不断修改，直到达到满意效果。这也是为什么未来多模态感知、游戏环境交互、世界模型会变得越来越重要。蒋涛CSDN的微博视频

6. # 只写一个 Prompt，AI 就能独立做出完整游戏？这个网站收录了 40 个真实案例最近，一个名为 **Something Big Is Happening** 的网站上线了一个很有意思的 AI 游戏专区。这里展示的并不是传统游戏工作室开发的作品，而是一批主要由 AI 编程 Agent 自动完成的浏览器游戏。赛车、第一人称射击、多人联机、僵尸生存、动作 RPG、即时战略、太空探索、解谜冒险……目前网站已经收录了 **40 款可以直接在线运行的游戏**，而且还在持续增加。大部分作品不需要下载安装，打开浏览器就能体验。网站地址：网页链接## 它不只是一个 AI 小游戏合集从表面上看，这是一个 AI 生成游戏的在线试玩网站。但对 AI 技术用户来说，它更值得关注的地方，是这些游戏背后的开发方法——**Gauntlet Loop**。这一方法最初来自 Claude of Duty 项目。据项目作者 Matt Shumer 介绍，他只向 Claude Code 提交了一段 Prompt，然后让 Agent 自主工作。AI 在数小时内调用大量子 Agent，最终编写了大约 5.5 万行代码，并通过程序生成游戏中的纹理、模型、动画和声音。整个项目代码和原始 Prompt 随后都被公开。其他开发者拿到这段 Prompt 后，又将它改造成赛车、射击、冒险、生存和多人联机等不同类型的游戏。Something Big 的 Games 页面，就是这些实验成果的集中展示。## 什么是 Gauntlet Loop？Gauntlet Loop 可以理解为一种由多个 AI Agent 参与的自动迭代工作流。它的核心不是让 AI 一次性生成一个“差不多能用”的结果，而是给它设定一个足够高、能够实际比较的质量标准，然后持续执行：**拆分任务、生成结果、独立评审、发现差距、重新修改。**在这个过程中，主 Agent 会把大型目标拆解成多个可以独立优化的部分。例如开发一款游戏时，可以分别处理：* 场景与光照* 角色与武器* 移动和射击手感* 敌人行为* 音效与视觉特效* 菜单和交互界面* 性能与兼容性每个模块由 Builder Agent 负责开发，再由一个拥有独立上下文的 Critic Agent 负责检查。Critic 不听开发 Agent 解释“为什么这样设计”，而是直接查看真实运行结果，将它与参考作品或者质量指标进行比较。只要差距仍然明显，就继续将问题交回 Builder 修改。换句话说，它试图解决 AI 编程中的一个常见问题：**AI 很容易在作品刚刚能够运行时，就认为任务已经完成。**Gauntlet Loop 则通过外部标准和独立评审，让 Agent 不断寻找当前版本与优秀作品之间最大的差距。## 这里的游戏已经做到什么程度？网站中的作品并不只是传统意义上的 HTML 小游戏。例如：**Kart Royale** 是一款可以直接在浏览器运行的卡丁车竞速游戏，包含漂移、道具和完整赛道。**Der Koloss** 支持四人合作，拥有语音聊天、僵尸波次、武器升级和多人联机系统。**Pastel Nuketown** 是一款多人竞技场射击游戏，手机横屏也可以运行。**The Long Silence** 提供程序化星球探索，作者称其在一次约24小时的运行中完成，而且没有使用外部美术素材。**Starfall** 则尝试在浏览器中实现类似 Homeworld 的太空即时战略体验，包括多种舰船、星球和程序化视觉效果。这些游戏当然不能直接等同于成熟商业游戏，也存在性能、画面一致性、操作体验和 Bug 等问题。但真正值得注意的是：过去需要程序、美术、动画、音效和策划共同完成的原型，现在一个人借助 AI Agent，已经可能在较短时间内完成可运行、可分享甚至支持多人联机的版本。## 对 AI 开发者有什么启发？Something Big 展示的不只是“AI 会不会做游戏”，而是一种新的软件生产方式。### 第一，Prompt 正在从指令变成管理机制优秀的 Agent Prompt 不一定要把每个技术步骤写得非常详细。更重要的是明确最终目标、质量标准、评审机制和持续改进规则，让 Agent 自己决定技术路线和任务拆分方式。### 第二，Evaluator 可能比 Generator 更重要许多 AI 应用已经能够快速生成代码、页面和内容。真正困难的部分，是如何让 AI判断结果是否足够好。Gauntlet Loop 的关键设计，就是不让生成者评价自己的作品，而是引入独立 Critic，直接检查代码运行结果、页面像素、测试数据或最终成品。### 第三，Agent 可以从助手变成执行团队过去使用 AI 编程，通常是开发者提出一个问题，AI 返回一段代码。而在多 Agent 工作流中，一个主 Agent 可以负责规划，多个 Builder 并行开发，Critic 负责验收，最后再由新的 Agent 处理整体一致性。开发者的角色开始从“逐行写代码”，转向“设定目标、提供资源、制定标准和控制成本”。### 第四，这种方法不只适用于游戏Gauntlet Loop 的作者认为，这种工作流还可以用于网站开发、产品设计、营销方案、文章写作、研究分析和后端工程。例如：做网站时，可以把优秀同类网站作为视觉基准。做后端时，可以把测试通过率、延迟、安全审查和故障恢复能力作为标准。做内容时，可以分别评审标题、结构、论证、案例和语言表达。关键是不要只告诉 AI“继续优化”，而要为它提供一个能够被检查、被比较的明确质量标尺。## 值得每一位 AI 技术用户亲自体验如果你正在使用 Claude Code、Codex 或其他 AI 编程 Agent，这个网站很值得花时间浏览。你可以把它当作：* AI 游戏作品试玩平台* Agent 编程案例库* 多 Agent 协作实验室* 浏览器 3D 与 WebGPU 技术展示* AI 原生软件开发的灵感来源更重要的是，这些项目让我们看到，AI 编程的下一阶段可能不再只是“帮开发者补全代码”，而是让一个人能够调度一整支由 Agent 组成的虚拟开发团队。打开网站，随便选择一款游戏运行几分钟。你看到的不只是一个由 AI 制作的小游戏，也可能是未来软件生产方式的一次提前预演。**网站：Something Big Is Happening****体验地址：网页链接

7. #DeepSeekV4Flash正式版上线# DeepSeek这次真的放大招了！今天V4-Flash正式版API直接上线公测，最牛的是它的“打工能力”（Agent能力）直接起飞。以前AI可能只是个陪聊的，现在这个Flash版可是个干活的好手。在写代码、调用工具、自动化任务这些硬核测试里，它甚至把自家的老大哥V4-Pro预览版都给按在地上摩擦了。而且它原生支持Responses API，还能无缝对接Codex，程序员们用它来自动写代码、修Bug简直不要太爽。最香的是，它参数少、速度快，主打一个性价比拉满。看来以后AI不光要比谁更聪明，还得比谁更会“干活”了。你最希望AI大模型帮自己处理什么工作呢？

8. 「Github一周热点125期」从零实现技术合集、离线蓝牙聊天、阿里代码审查Agent、AI Agent开源书和把书变成Skill

9. #DeepSeekV4Flash有多强# DeepSeek V4-Flash正式版7月31日上线，架构参数完全没变，只重新做了后训练，结果Agent能力直接起飞——几个核心数据太炸了：· DeepSWE编程能力从7.3飙到54.4，暴涨645%· Terminal Bench 2.1从61.8涨到82.7，逼近Claude Opus 4.8· 性价比太狠：输入1元/百万Token，缓存命中低至0.02元，有开发者实测高强度用1小时花费不到1块钱，同样的活儿Claude Opus要25美元· 上线不到一周登顶OpenRouter全球调用量榜首，单日处理8万亿Token参数不变，只靠后训练就能让性能暴涨，这件事本身比跑分更值得关注。“后训练”正在成为大模型能力提升的新引擎，不一定非要堆参数。V4-Pro旗舰版据说8月初上线，如果Pro也有这种幅度的提升……你们觉得呢？#DeepSeek##AI大模型##微博AI创作季#

10. 【OpenAI面试流出：算法刷题的时代真的结束了吗？】一份疑似2026年OpenAI软件工程师面试流程在社媒引发热议。流程跳出了传统的LeetCode算法题，转而重度考察分布式Webhook系统、Token流式差异处理及Python底层机制。最引人注目的是处于测试阶段的“智能体编程”环节：要求候选人利用AI Agent在海量代码库中解决人类无法手动完成的复杂问题。尽管有人质疑这是营销号编造的虚构内容，但其折射的行业趋势极具参考价值。当大模型能秒杀所有动态规划题时，顶级大厂的筛选标准已从“纯手工解题”转向“工程直觉”与“人机协作能力”。这并非简单的内卷升级，而是岗位定义的重构：他们不需要只会调包的熟练工，而是在极高并发和资源约束下，能拆解复杂系统并驾驭AI工具的架构师。高薪背后的代价是极高的交付压力，这依然是一场属于少数人的硬核游戏。 x.com/coolcoder56/status/2082707454383751305

11. #微博声浪计划##听见微博# DeepSeek V4-Flash以极致性价比划出“斩杀线”，性能逼近GPT-5.6 Luna，编程等任务表现突出。其API定价仅2元/百万Token，较对手低几十倍，创下单日8万亿Token调用纪录。这迫使OpenAI降价80%，但成本仍高60%，中间梯队模型生存空间被挤压，全球AI竞争转向“卷成本与效率”。祎玎蜀黍的微博音频

12. DeepSeek斩杀线，划出来了？其实，也不是跑分必须第一，而是能力够用、价格足够低，就够强了。当一款模型能完成大多数编程和智能体任务，而调用成本，却只有顶级模型的几十分之一，企业就不得不重新算账，多出来的那几分能力，到底值不值得多花几十倍的钱？过去，大模型拼的是谁更聪明，接下来拼的是谁能用更少的钱，把事情真正做完。DeepSeek斩掉的不是某个对手，而是AI行业过去那套高价才等于先进的逻辑，太牛了吧？ #DeepSeek斩杀线#

13. 【600亿Token喂出来的“暴力”编程哲学：AGENTS.md】开发者 Marcos Hernanz 分享了他为 AI Agent 设定的核心指令集。这套规则的核心是“断舍离”：严禁保留向后兼容性、拒绝过度抽象、坚持最小可行化分层增长。作者坦言这套逻辑目前仅适用于个人项目，因为在 AI 辅助开发时，迭代成本变得极低，代码的保质期被极度压缩，个人的 Taste 变得比长效维护更重要。从解剖者视角看，这其实是传统工程思维在 AI 时代的激进演化。传统软件工程强调的鲁棒性和兼容性，在 Agent 视角下反而成了阻碍逻辑生成的累赘。最值得玩味的是第一条：放弃兼容。AI 往往会为了迁就几分钟前写的旧代码而反复打补丁，导致系统迅速腐烂。通过指令强制 AI 随时准备推倒重来，实际上是用 Token 消耗换取代码的纯净度。这提醒我们，当代码生成变得廉价，人类的职责正从勤奋的写作者转向冷酷的决策者。

14. 【AI编程的真相：是效率神器，还是制造面条式乱局的永动机？】一位开发者尝试用 Claude 花 81 天、提交 2600 次代码来用 Rust 复刻 Bash，虽然通过了 3000 个测试，但 AI 在处理几行小修补时会耗费数小时，面对大架构重构时却畏缩不前。Epoch AI 最新的 MirrorCode 基准测试也印证了这种长程任务的艰巨：即便顶级模型在重构中型项目时能达到 64% 的成功率，但单次尝试成本竟高达 2600 美元，且极度依赖现有的测试用例来纠偏。这件事揭示了 AI 编程的底层困境：RLHF 微调让模型倾向于给出局部正确的即时反馈，而非长远的架构设计，这导致初期 MVP 极快，但随后的功能堆叠会让代码迅速演变为充满补丁和重复的乱麻。AI 目前更像是一个需要严密监工的初级助手，而非独立架构师。如果没有人类主导的模块化设计和强行介入的重构，AI 只会不知疲倦地在错误的地基上盖摩天大楼，最终让维护成本呈指数级爆炸。

15. 【生成式GTA的雏形：从“画个鹈鹕”到“写个中土世界”】Andrej Karpathy 最近用 Claude Opus 5 做了一个硬核实验：给它《指环王》第一段文字和 1M Token 预算（约 10 美元），让它用 Three.js 写代码直接渲染出书中的场景。模型埋头写了 2 小时、5500 行代码，虽然视觉效果带点“抽象派的简陋”，但它竟能靠空间推理自主编排多边形坐标并驱动动画，这让 Karpathy 预言未来会出现“即时生成的个人版 GTA”。这件事标志着大模型评测正从“画个骑车的鹈鹕”这种静态逻辑，转向长程、复杂的系统工程。底层逻辑的质变在于：当生成成本降到几乎为零，我们正从“没人会花周末去写这种定制代码”走向“只要想看，随手就能烧 10 美元造个世界”。不过，目前 LLM 的死穴在于“缺乏视觉反馈闭环”——它能写出代码，却没法像人类一样盯着屏幕边看边改，只能靠慢吞吞地截屏自检。这意味着，未来的杀手锏不是谁生成的代码多，而是谁能让 AI 拥有原生视觉感知，真正“看着”自己创造的世界进行实时修正。

16. DeepSeek V4-Flash 正式版 API 上线，原生适配 CodexDeepSeek 今天把 V4-Flash 从预览版升级为正式版 API，版本号 0731。模型架构和参数规模没变，还是 284B 总参数、13B 激活的混合专家架构，改动集中在后训练上。升级的核心是智能体（Agent）能力。DeepSeek 的说法是“多项 Agent 基准成绩大幅超过此前的 V4-Pro-Preview”。这句话的意思是，便宜的那个模型（Flash）经过后训练调优之后，在编程和工具调用任务上反超了贵的那个模型（Pro）的预览版。Pro 的正式版还没出，所以这个对比有时间差，但趋势本身值得关注：后训练对智能体场景的提升空间可能比很多人想的大。另一个看点是 V4-Flash 现在原生支持 Responses API 格式，专门针对 OpenAI 的 Codex 做了适配。Codex 是 OpenAI 的 AI 编程助手，覆盖命令行工具（CLI）、ChatGPT 桌面端和 VS Code 扩展三个入口。之前 DeepSeek 的 API 只兼容 OpenAI ChatCompletions 和 Anthropic 两种格式，想接 Codex 得走代理转换。现在这个中间层不需要了，DeepSeek 甚至提供了一键配置脚本，跑完之后 Codex 所有客户端自动切换到 DeepSeek 模型。你可以用每百万 Token 输入 0.14 美元、输出 0.28 美元的价格跑 AI 编程任务，同时享受 100 万 Token 的上下文窗口。做个对比，Codex 默认使用的 OpenAI 自家模型，同等量级的价格要贵上一个数量级。对于跑大量 Agent 循环的编程任务来说，Token 成本不是差个百分比的问题，是完全不同的成本结构。有两点需要注意：第一，这次只升级了 API 接口，DeepSeek 的 App 和网页端模型没有变化，普通用户暂时感知不到区别。第二，V4-Pro 的正式版还没发布，官方只说"尽快上线"，具体时间未知。官方文档：网页链接

17. #DeepSeekV4Flash正式版上线#DeepSeek V4-Flash正式API上线！架构不变，纯靠后训练拉满Agent实力。工具调用、写代码、终端操作能力直接碾压预览版，轻量模型也能搞定复杂工程任务。原生支持Responses API、适配Codex，程序员不用折腾桥接工具，直接接入编辑器使用。主打高速低成本推理，做自动化智能体、代码助手性价比拉满，国产模型生态兼容性再进一步。

18. 【别让“AI会让编程消失”成为你职业生涯的毒药】吴恩达在斯坦福的演讲里把这事儿挑明了：劝人别学编程是十年内最烂的职业建议。他举了个例子，懂艺术史的人用Midjourney能画出大作，因为他们懂光影和流派的专业词汇；不懂的人只会搜“画个漂亮的机器人”。编程也一样，AI没有取消对计算机科学的需求，而是把计算机科学基础变成了控制AI的“专业词汇”。现在的分水岭不在于你用不用AI，而在于你有没有那套“底层逻辑”。只会用Cursor写业务逻辑却不懂系统架构，写出来的代码就是一堆易碎的垃圾。吴恩达的招聘标准很毒辣：他宁愿要一个AI玩得溜的应届生，也不要一个拒绝新工具的十年老兵，但真正的“神级”选手是那些懂底层原理且能用AI加持的人。AI不是在替代你，它是在放大你的专业直觉。如果你把AI当成许愿的神灯，那你永远只能得到一块“巧克力饼干”级别的平庸产物。 x.com/techNmak/status/2083136678668173380

19. #微博声浪计划##听见微博# DeepSeekV4Flash正式版跑分出炉，综合智能指数达50分，逼近国际顶尖水平，代码与终端能力突出。零架构改动下通过后训练实现性能跃升，API定价极具性价比，适配Codex生态。国产大模型在技术与商业化上均获突破。开眼视点的微博音频

20. #AI裁员死循环#聊个现实问题，互联网行业持续裁员，AI工具却还在飞速升级。人变少，活变多，标准变得更苛刻。有AI，就要求更快出成果。效率上来了，那就继续优化人员。幻想靠AI实现一人顶一队，可工作量不会消失，最终全部转化为无休止的加班。这是一个无解闭环：打工人推动AI发展，转头AI加剧职场内卷。留下来的人不断内耗，永远不知道风暴什么时候落到自己头上。不开玩笑，这样下去，总有一天会自食恶果的

21. 刚刚，DeepSeek V4 系列更新，架构没变，Agent 能力为何大涨

22. 一位刚走 OpenAI 的软件工程师面试完全流程的候选人在 Reddit 上分享了详细经历。面试共五到六轮，整体偏向分布式系统能力，和传统大厂刷算法题的路子差别很大，面试加了一个新环节：考你指挥 AI 写代码的能力。招聘电话先聊你对 AI 方向的判断，建议提前读 OpenAI 的公司章程。然后两轮各 60 分钟的技术面：一轮写代码（带版本管理的键值存储），一轮系统设计（有容错机制的任务调度器）。接着是 48 小时的 take-home 项目，要交付一个能跑的系统。这位候选人拿到的题是分布式 webhook 投递，要实现重试逻辑和死信队列。做完后面试官逐行过代码，每个设计决策都得解释。现场面试四轮：两轮编程（一轮渐进式多阶段题，一轮偏系统底层，考 Python 的生成器、异步和并发），一轮系统设计（题目是"设计 ChatGPT"，重点看 GPU 分配、自动扩缩容和分布式协调），一轮行为面。行为面不收软技能套话，要的是真实的技术领导力案例，在压力下怎么推动跨团队达成共识。最有意思的是还在 beta 阶段的第六轮：Agentic Coding Round。给你一个现有代码库加一个靠手写搞不定的大问题，要求你用 AI Coding Agent 来完成。不是所有候选人都会遇到这一轮，但方向很明确。但它的存在已经说明了方向：在 OpenAI 眼里，“会驾驭 AI 工具写代码”正在从一个加分项变成工程师的基本功。对于正在准备 AI 公司面试的工程师来说，光刷 LeetCode 可能不够用了，怎么跟 AI 编程工具协作、怎么拆解大型问题交给 Agent 去执行，这些能力可能很快会出现在更多公司的面试流程里。

23. Claude Code之父Boris Cherny超“硬核”的编程学习方法”：完全以实用为目的。他说自己中学的时候，学编程的动机特别简单，就是为了在数学考试里作弊。他在计算器上写了个小程序，能自动解题，然后考试成绩就上去了。后来他还搞了根串口线，把程序传给班上的同学，结果大家成绩都跟着变好了。再后来数学越来越难，从代数升级到微积分，原来用 BASIC 语言写的那个小程序已经搞不定了。为了继续「作弊」，他不得不去学汇编语言，写出运算能力更强的解题器。你看，为了一个很具体的目的，他的编程水平就这么一步步被逼着往上走了。他讲这个故事，其实是想说一个道理：编程这东西，从头到尾对他来说都是实用的。他学编程从来不是因为觉得「哇，计算机科学好酷好有趣」，而是因为他手头有一个具体的问题要解决，编程刚好能帮他解决。所以，他给还在上学的人提了个建议。他说，计算机科学本身确实很有意思，学起来也让人着迷，这个他承认。但光学理论知识是不够的，关键是你得学会怎么把它用出来。怎么用呢？他列了好几个方向：去做产品，去创业，去培养自己的设计感和商业嗅觉，去学数据科学，去学怎么跟用户打交道、理解他们到底需要什么。这些东西听起来好像跟写代码没什么关系，但他觉得恰恰是这些能力，跟计算机科学和工程能力组合在一起的时候，才能产生真正的价值。单纯会写代码，你只是一个执行者。但如果你同时还懂产品、懂用户、懂商业，你就能自己判断该做什么，做出来的东西也真的有人用。这个组合才是他眼中最值钱的硬技能。我们可以看到他的意思很明确：别只埋头学技术，抬头看看技术能解决什么真实的问题，然后把自己往那个方向去补齐。编程的价值从来都不在编程本身，在于你拿它去做了什么事。#科技先锋官# AIGC·非著名程序员的微博视频

24. #DeepSeekV4Flash正式版跑分出炉#这次跑分最震撼的一点，不是单纯分数上涨，而是证明大模型竞争逻辑变了。过去行业默认想要更强能力，只能疯狂堆参数量、堆算力。DeepSeek用事实证明，不改动底层架构，依靠精细化后训练对齐，也能大幅拔高工具调用、自主编程这类实用能力。

25. 【别把AI当架构师，它只是个不知疲倦的搬砖工】社区热议：本地大模型在编程中到底是效率神器还是负债制造机？资深开发者们指出，Qwen 3.6 27B等本地模型在处理特定函数、重构小块代码或编写单元测试时表现出色，但一旦进入超过50k Context的长对话或模糊的“代理模式”，就会开始胡言乱语、无视指令并堆砌技术债。核心真相是，AI编程的瓶颈不在模型参数，而在人类的“管理能力”。高手们把本地模型定位为“手速极快的初级程序员”：由人类或闭源强模型（如Claude）负责架构设计与拆解任务，本地模型只负责在严格约束下填充代码实现。成功的关键在于保持短会话、提供明确示例而非抽象规则，并坚持逐行审查。如果你指望它自动搞定复杂业务逻辑，它只会还你一堆能跑通但无法维护的垃圾代码。reddit.com/r/LocalLLaMA/comments/1vavh2h/software_engineers_do_you_honestly_get_anything

26. 【#AI也学会摸鱼了#，#AI内卷的尽头是摆烂#】AI已被全球科技巨头视为未来竞争的核心。它们号称，AI代理能写代码、处理文件、撰写报告，甚至能无人监督下独立跑完整个工作流程。但让高管们没想到的是，这些聪明的AI，偷懒、摸鱼、糊弄的本事，可能比人类员工还强，后果更严重。它们不仅会“假装完成任务”，而且会偷偷删除人类的文件，被要求深入思考时，直接摆烂，提前结束推理等。这哪是AI助手，分明是办公室“摸鱼刺客”。为什么会这样？图灵奖得主、AI教父约书亚·本吉奥指出，这种行为叫“奖励黑客”，即模型在规则约束下，专挑阻力最小的路走。深层原因，出在训练方式上。AI发布前，人类审核员偏好更长、更详尽的回答，于是各模型疯狂“内卷”长度；卷到后来，成本太高，又被逼精简，结果矫枉过正，索性摆烂。像极了职场里被KPI逼疯的打工人。说到底，AI“偷懒”很大程度是经济原因。我们只想着让AI干最多的活，却舍不得花足够的钱。想让AI真正高效靠谱，先得舍得为算力和训练“买单”。否则，再聪明的“员工”，也会学会糊弄。（智慧科技迷）智慧科技迷的微博视频

27. #DeepSeekV4Flash正式版上线#国产大模型又往前迈出扎实一步，就在今天，DeepSeek-V4-Flash正式版已上线，可通过API访问，正式版 V4-Flash相比此前的Preview版本，Agent（智能体）能力大幅增强，在多项基准测试中表现显著提升。此外，新版本原生支持Responses API格式，并针对Codex进行了适配。据悉，V4-Flash-0731模型结构与尺寸与Preview版保持一致，主要是重新进行了后训练优化。此前有网友评价国产AI军团加速追赶，这次V4-Flash正式上线就是直观印证。大模型竞争早已不再比拼参数纸面数据，而是Agent落地能力、开发者生态、调用成本综合比拼。后续随着配套Harness工具全量开放，国产AI在To B开发、自动化办公、代码工程领域会迎来新一轮落地热潮，值得持续跟踪。#deepseek#

28. #DeepSeek Harness#让AI大模型从胡说八道变成条理清晰！现在的大模型主要是通过数据筛选的方式来给用户提供一个结果，这个就需要大模型对筛选出来的数据有判断能力和逻辑组合能力。判断力和逻辑能力越强大模型出现幻觉的可能性就会越小。DeepSeek Harness的工作就是把模型在干活中翻的车、犯的错，全被自动记录，直接喂回训练系统，再回炉重修。这样做的优势就是既可以解决幻觉问题也能够提高大模型的逻辑能力。让大模型解决了记忆管理、工具调用、逻辑漂移和幻觉问题。#科技先锋官##AI创造营#

29. 为IT行业之外的其他行业完成智能化改造，是时代的需求，是一个很大的市场，肯定是需要不少专业人才去做这件事情的。所以吧，新时代的职业软件开发者，不光要有强的技术实力，还得要有广博的知识，具备快速地学习特定行业特定领域背景知识，迅速把握其工作流程和日常业务的能力。原因很简单，现在AI将编程的门槛大幅度降低，各行各业的人，具备一定开发能力的会越来越多，人家精通本行业务，在AI的辅助下，自己就能将许多工作自动化和智能化，为啥非要用你来“插一脚”呢？“专业的”，就必须有“专业的”水准，既能解决复杂的技术问题，同时又能快速了解特定领域，“能干这个行业的‘原住民’干不了，干不好的活”，这样才有竞争优势。这实际上是对此行当的从业者，提出了很高的素质要求。所以吧，AI时代的程序员，非能干和优秀者，难以立足和发展。不适合的，现在就别往这条路上挤了，勉强进来，也是当炮灰的命。

30. 这次 DeepSeek-V4-Flash 的重点，可能不只是模型能力提升，而是 Agent 能力的增强。过去的大模型更多是在“回答问题”，但未来真正有价值的是让AI完成任务。比如自动分析资料、调用工具、编写代码、执行工作流程。模型越来越像一个数字员工，而不是一个聊天机器人。未来AI竞争的关键，可能不是谁回答得更像人，而是谁能真正帮人完成更多事情。#DeepSeekV4Flash正式版上线#

31. #DeepSeek计划大幅涨价# DeepSeek这波涨价，有几个原因：一是算力不够了且成本太高；二是得让投资方看到其商业价值；三是行业风向变了，各行各业对AI的需求都增加了，所以现在涨价也不会影响到什么了科技醒醒的微博视频

32. #DeepSeekV4能力在GLM5.2和KimiK3之间#最近国产大模型新一轮对比评测出炉，DeepSeek V4的综合实力刚好卡在GLM5.2和Kimi K3两者中间。Kimi K3整体上限更高，长文本处理、复杂任务推理实力拔尖；GLM‑5.2主打高速响应，代码专项表现亮眼。DeepSeek V4没有单项做到顶尖，但整体能力十分均衡。比起一味堆参数拼跑分，现在国产AI已经开始走向差异化路线。DeepSeek V4靠着稳定的输出和亲民的调用成本，在商用场景里拿到了自己的一席之地，百花齐放才是行业最好的状态。

33. #DeepSeekV4Flash正式版上线#这次重点还是继续往Agent能力上发力，说白了，就是希望AI更会“干活”。像代码Agent、自动化任务、终端任务这些能力都进一步增强了，而且API价格依然很卷，对开发者来说确实挺香！

34. 模型融合怪，Vasko把LFM2.5-2.6B和Qwen3.6-35B-A3B两个模型融合到了一起，得到了fuse-1 Lite，模型参数2.7B，性能却和Qwen3.6-35B-A3B类似（但只是写代码方面的性能）地址：huggingface.co/Akahsizrr/fuse-1-Lite融合过程大致是这样的：它以 LFM2.5-2.6B 作为主体模型，保留原本的理解和生成能力，再从 Qwen3.6-35B-A3B 中取出部分擅长编程的“专家模块”，接到 LFM2.5 的每一层后面；当模型处理某个词时，一个新训练的“路由器”会判断是否需要代码能力，并从这些专家中挑选少数几个参与计算，结果再加回 LFM2.5 的输出。作者说他还在用这种方式搞-minimax m3 和 deepseek v4 flash ，也许可以期待一下。

35. #DeepSeekV4能力在GLM5.2和KimiK3之间#根据现有评测，DeepSeek-V4、GLM-5.2与Kimi-K3虽同属国产开源第一梯队，但定位各异：· Kimi K3：综合能力最强，以2.8T参数登顶多项Agent和编程榜单，但API定价也最贵。· GLM-5.2：结构化推理与工具调用扎实，且吞吐量极高，兼顾性能与成本。· DeepSeek-V4：极致性价比之选。Flash版仅激活130亿参数，Agent能力已超越GLM-5.2，逼近顶级闭源模型，且价格极具竞争力。整体来看，国产模型已形成差异化竞争，DeepSeek凭后训练优化以轻量参数实现高性能，性价比优势显著。

36. #微博声浪计划##听见微博# OpenAI大砍两款AI模型价格，Luna降价80%、Terra降价20%，Sol新增2.5倍速模式。企业客户关注性价比，中外对手低价竞争，OpenAI通过技术降本应对，市场竞争白热化。微数码李Sir的微博音频

37. AI 写代码已经不稀奇了，真正卡住程序员的是“没人敢验收”

38. 当AI可以完成大部分编码工作，程序员还需要具备什么能力？

39. AI编程频繁返工？6项能力降本增效

40. Codex /goal 模式：AI 编程从"助手"变成"自主 Agent"

41. AI 编程越强，越考验程序员的架构能力

42. Agent 化编程正在杀死补全模式：2026 AI 编程三大范式终极对决

43. AI时代，逐行审代码正在成为低价值工作

44. Claude Opus 4.1：编程能力的实质性突破

45. AI 编程不是让你少学技术，而是逼你学得更系统

46. 2026年还在写CRUD？这几个能力才是你的真护城河

47. Cursor从零训练大模型：AI编程工具不再甘心当"套壳"

48. 2.8万亿参数，中国AI首登全球代码榜第一

49. AI 会写代码后，我发现程序员反而更值钱了

50. Ai编程工具进入下半场

51. Agent Skills生态190万技能、GPT-5.6三档矩阵、AI编程工具2026排名 | 8月1日AI技能/大模型/工具

52. Java开发必看：2026年AI大模型最新对比，谁才是你的最佳编程搭档

53. 《从代码编写到意图编程：Vibe+Coding，AI 时代的编程范式革命》

54. 用半年AI编程助手，我发现这仨场景它们是真的不行

55. 科普_AI时代学编程还有啥用？

56. AI编程工具2026格局重塑：Copilot从独大到三国杀

57. 九大AI编程平台同时站台：中国AI编程进入"路线战争"

58. 第31周全球AI大模型网页前端代码能力榜单第31周全球AI大模型网页前端代码能力榜单出炉。Claude Opus 5新上榜登顶，Kimi K3第二。DeepSeek V4 Flash正式版首秀第六，GLM 5.2第五，9款国产模型上榜，竞争持续升温。#AI #人工智能 #大模型 #DeepSeek #Kimi Arena 发布的 WebDev 榜单，主要评估大模型完成网页前端开发任务的综合能力。它不仅测试 HTML、CSS 和 React 代码生成，还覆盖品牌营销、参考图还原、数据分析、消费产品、游戏模拟和内容创作工具等网页场景，并包含需要多步推理、工具调用和持续修改的 Agent 式开发流程。榜单依据用户投票动态更新，同时展示模型排名、票数、价格、上下文长度及开源属性。相比传统代码考试，它更接近真实用户对网页成品质量、交互体验和任务完成度的综合判断。

59. 教了8年编程才发现大模型最大的谎言就是堆参数

60. AI 编程企业落地实战：从银行核心系统到通信网络运维的真实案例

61. 2026 软件行业大变天，基础岗缩水，AI 应用开发成高薪通

62. AI 编程正在改变什么，又没改变什么

63. AI编程助手已经很强了，为什么你的代码质量反而下降了？

64. AI颠覆行业：代码已不是技能，只是一串配置参数

65. 深度用了AI写代码大半年，我发现程序员最容易失去的能力是什么？

66. 四大技术趋势｜AI 工程化、云原生、软件安全、低代码迎来新拐点

67. 2026 大模型写代码横评：谁才是真能帮你干活的那个

68. 一句话就能用 AI 做游戏了，独立开发者还需要学编程吗？

69. 斯坦福计算机教授：AI 会写代码，你为什么更该学编程丨EO

70. Muse Code编程AI智能体正式亮相，向Codex发起全面挑战

71. AI 写代码能够落地到业务开发吗，存在哪些坑？

72. 为什么AI编程工具突然火成这样？附5个不用写代码也能用的配置

73. 国产 AI 大模型群雄逐鹿：办公、代码、长文档处理，谁才是更优选？

74. AI编程工具成为Token消耗最集中的应用赛道

75. AI 编程不要只写 demo（示例程序）：一个真实充值管理工具的完整复盘

76. 模型对软件行业的影响演进

77. AI编程进化之路：从自由生成到全链路可控落地

78. AI时代，学生还需要学编程吗？

79. 【EO访谈】斯坦福教授：AI越强，越要学编程 | AI时代，编程思维比代码更重要

80. 不同程序员使用AI的效率为什么差别这么大？

81. 为何中国AI大模型卖不出高价？困局和制造业如出一辙一个行业出现价格差的本质是价值差与话语权差。中国大模型今天面临的有量无价，和中国制造当年大而不强的困境，底层逻辑高度相似。核心原因都是通用能力趋同下的同质化竞争。国产模型经过多轮迭代在80%的通用场景下，与海外旗舰的体验差距已缩小到用户感知不明显的程度。但剩下20%的高端能力比如复杂数学推理、长链路工业级代码生成、多模态深度逻辑理解仍是海外模型的坚固护城河。绝大多数开发者调用大模型，处理的都是文档总结、客服回复、简单代码生成这类基础任务。对这些场景而言国产模型够用且便宜，自然是最优选择。但一些高价值、高难度的企业级场景，客户依然会优先选择GPT、Claude。这种客户需求端的情况与制造业的格局非常类似。我们中低端产品的产能全球第一、价格全球最低，但高端芯片、精密仪器、核心零部件仍高度依赖进口。同时我们占领了规模最大的大众市场，却进不去利润最丰厚的高端赛道。

82. 【JAVA绝密】Java 开发者的 AI 提效指南

83. 有了 AI，普通人还有必要学编程吗？

84. AI编程：最赚钱型AI，商业化闭环最完整、毛利率最高的AI应用赛道

85. 行业趋势篇｜AI 浪潮来袭，普通人的技术新赛道正在开启

86. 大模型改代码为什么总爱堆冗余？LLM竟然天生不爱删代码，这能解决吗？【AI代码编辑】【大模型前沿】

87. 苏小兵：AI都能写代码了，为什么我还是建议孩子学编程？

88. 2026年AI编程工具推荐：五款主流编程助手按场景选型指南

89. 公众号推文_AI编程与具身智能_2026-08-02AI编程开始卷"组织力"，机器人却被挡在门外

90. Codex周活突破1000万：AI编程的杰文斯悖论正在改写行业规则

91. 作为程序员，我为什么觉得所有人都该学 AI 编程？

92. OpenCode 藏了宝贝：本地 75+ 模型随便切，Code Review 终于不求人了

93. 2026职场大变局！6大行业AI技能洗牌，这5种能力成刚需

94. 小白理解AI写代码

95. Qwen3.8-Max 正式发布！代码能力冲进全球前四，国产旗舰大模型全面升级

96. Codex平替对比：AI编程辅助工具的能力边界与选型

97. AI内卷，利润无处落脚。大家都能明显发现，如今各类低价、免费大模型随处可用，AI快速走进日常生活。普通人享受了便利，行业内部却浮现出一个古怪的现实：随着低价大模型大范围普及，整个行业长久依赖的盈利模式，正在被越来越多人质疑。过往互联网行业有一个通用规律，用户规模扩大，边际成本不断降低，企业会越做越盈利。可大量行业研究证明，大模型完全不适用于这套逻辑。近两年各类模型调用价格接连暴跌，不少产品定价已经低于规模化运营的成本底线。每一次问答、内容生成，都会产生电力消耗、硬件损耗、机房运维等固定支出，成本不会随着用户增多而降低。这就催生了尴尬的现状，厂商拼命拉新拓客，调用数据一路走高，亏损额度却同步上涨，低价拓客，已经变成一场越扩张、越亏本的拉锯。头部企业公开的经营数据，把行业困境直观展现出来。不少大厂与AI创业公司营收稳步上涨，业务版图持续扩张，亏损却在不断放大，营收的增长，远远追不上成本的消耗。大企业囤积算力巩固自身优势，中小型团队依靠降价抢夺客户，行业所有人都在争抢市场份额，却没有哪家能依靠基础模型服务拿到稳定利润。硬件折旧、研发人才薪资、数据集采购，三项刚需开支长期居高不下，低廉的服务费，完全无法覆盖持续消耗的成本。行业长期调研结果显示，当下主流通用大模型性能差距极小，新技术、新功能的领先周期被压缩得很短，新鲜创意很快就会被同行复刻。市面上绝大多数AI应用扎堆在智能客服、图文创作等赛道，产品同质化严重。高端AI褪去稀缺属性，沦为普通标准化服务，行业进入充分竞争环境，企业失去溢价空间，只能持续降价内卷，很难搭建稳定的长期盈利体系。个人与企业两大变现渠道，如今都很难打开局面。长期免费试用，让普通用户付费意愿偏低，C端付费转化一直处于低位；面向企业的定制化AI服务落地繁琐、运维成本高，AI带来的效率提升，很容易被同行竞争抹平，企业不愿长期投入高额费用。行业普遍统计显示，当下只有极少数企业拥有稳定正向现金流。算力基建还在疯狂扩张，源源不断的资金投入研发与硬件采购，回本周期被不断拉长。资本依旧愿意押注AI赛道，但商业化落地的进度迟迟跟不上投入节奏。商业本身从来不会无限包容持续亏损，无休止的价格内卷不可能一直维持。

AI编程成最赚钱赛道，程序员群体迎来K型分化

精选参考来源