Offline Dev Talks | 离线思考

Offline Dev Talks | 离线思考

Download on the App Store

Offline Dev Talks | 离线思考 episodes

  • AI 再火,普通人也没有捷径可走(英文版)

    Everyone is talking about Loop Engineering and Graph Engineering, but I'm still using the simplest way to work with AI. In this episode, I explain why — and why I believe there are no shortcuts for ordinary people.


    00:08 I use AI agents every day, but I've never touched Loop Engineering

    00:57 Why not? My use case demands Human in the Loop

    01:46 Why not chase it? Big names have use cases, free tokens, and practice

    02:34 Learning isn't doing — the senior's code doesn't write itself for you

    03:20 Practice hasn't reached critical mass — not enough reps yet

    03:52 First principles — start simple, switch only when it breaks

    04:39 Master the present — practice creates experience others can learn from

    05:25 No shortcuts — keep practicing from scratch is the only solid road



    6 min
  • AI 再火,普通人也没有捷径可走

    当全网都在讲 Loop Engineering、Graph Engineering 时,我还在用最笨的方法跟 AI 协作。这期聊聊为什么——以及为什么我相信,普通人没有捷径可走。


    00:08 我天天用 AI Agent,却没碰过最火的 Loop Engineering

    00:38 为什么用不上?我的场景必须 Human in the Loop

    01:18 那为什么不追?大佬有场景、有免费 token,更有一线实践

    01:55 学到不等于做到:高手写得再好,代码也得自己一行行练

    02:30 实践还没到质变:频次、数量不够,谈不上升华

    02:57 第一性原理:从最简单的方法开始,走不通再换

    03:32 把当下研究透,才能不一直跟在别人后头

    04:09 没有捷径:keep practicing from scratch 是唯一的康庄大道



    5 min
  • 写代码像造机器:AI 时代,工程师该拿图纸还是拧螺丝?(英文版)

    本期从一场关于机械厂的梦说起——作者干过钳工、画过图纸,突然发现写代码和造机器是同一个道理。AI 来了,编程像数控机床一样被自动化,但真正值钱的,是留在人脑里的那张「图纸」。

    00:08  梦里回到机械厂:我干过钳工,现在写软件
    00:41  第一层类比:写代码像装配机器,设计像画图纸
    01:17  岗位映射:工程师等于设计人员,编程等于零件制造加装配
    02:02  数控机床类比:钳工的手艺活,被机器自动化了
    02:28  机器做的也有瑕疵:零件要二次加工,AI 代码也要人盯
    02:51  核心:理解图纸,才是自动化时代人的价值
    03:16  警惕 AI 万能论:没有洞见,就形不成正反馈

    5 min
  • 写代码像造机器:AI 时代,工程师该拿图纸还是拧螺丝?

    本期从一场关于机械厂的梦说起——作者干过钳工、画过图纸,突然发现写代码和造机器是同一个道理。AI 来了,编程像数控机床一样被自动化,但真正值钱的,是留在人脑里的那张「图纸」。


    00:08  梦里回到机械厂:我干过钳工,现在写软件

    00:41  第一层类比:写代码像装配机器,设计像画图纸

    01:17  岗位映射:工程师等于设计人员,编程等于零件制造加装配

    02:02  数控机床类比:钳工的手艺活,被机器自动化了

    02:28  机器做的也有瑕疵:零件要二次加工,AI 代码也要人盯

    02:51  核心:理解图纸,才是自动化时代人的价值

    03:16  警惕 AI 万能论:没有洞见,就形不成正反馈


    4 min
  • AI 很会修,但不会拆:为什么 agent 系统还得人盯着

    我把两个内容 skill 折腾了一遍,发现一个有点反直觉的事实:AI 再聪明,也只会「局部优化」——它从不会主动把一个 skill 的功能挪到另一个 skill 去。这期聊聊,为什么系统级的熵减,目前还得靠人。


    00:08  1. AI 再聪明,也不会自己把活分出去

    01:02  2. 模块化的真实取舍

    01:42  3. 系统性缺陷:只会局部优化

    02:27  4. 为什么:大模型的上限

    03:08  5. 落到 coding agent

    03:56  6. 熵减为什么难度量

    04:38  7. 未来的指望:度量熵

    05:17  8. 连前沿团队都在对抗熵增





    7 min
  • AI 很会修,但不会拆:为什么 agent 系统还得人盯着(英文版)

    I built two content skills and watched one bloat. The counterintuitive takeaway: no matter how smart the model, it only does local optimization — it will never move a function to where it belongs. This episode is about why entropy reduction in systems still needs a human in the loop.


    00:07  1. Smart as it is, it won't reassign its own work
    01:12  2. The real trade-off of modularization
    01:59  3. The systemic flaw: local optimization only
    02:48  4. Why: the ceiling of today's models
    03:33  5. Down to coding agents
    04:26  6. Why entropy is hard to measure
    05:21  7. The future hope: measuring entropy
    06:02  8. Even frontier teams fight entropy

    8 min
  • AI难替代的逆向思维

    AI 时代,写代码这类正向活儿已被大模型拿下,但有一类活儿它至今接不住——这期我们聊软件工程的两种思维。写代码是正向:目标、设计、写、接入,逻辑顺;而线上排障、根因定位是逆向:你看到的只是症状,真根因往往藏在最安静的组件里,得逆着链路往回拨,拨回来的可能还是更上游的症状。更难的是修:改一处牵连全局,动手前必须盘清“爆炸半径”。模型能挖出 Linux 漏洞,却不等于找到根因——HumanLayer 创始人 Dex Horthy 就说过,模型没被训练出“可维护性”,“黑灯软件工厂”走不通。所以工程师有两条路:向上做 creator,会被 AI 一点点刷掉;向下做 maintainer、给系统做熵减,AI 目前还做不好。作者选择留在 AI 不擅长的方向上,做系统的“熵减者”。



    7 min
  • CFO 两天烧光一个月 token,问题出在哪道门

    一位非工程背景的 CFO 用 Claude Code 两天搭出系统,却顺手烧光整个团队近一个月的大模型 token 预算。事故看似"AI 写错了代码",真相却藏在系统交互的底层。

    部署时数据库报"字段不存在"、返回 500,大模型就重走全流程——重写代码、重新部署,这个循环走了 21 次,相当于把高成本任务做了 21 遍。根因不是模型能力,而是前置条件没满足。本质上,你的应用系统和数据库是两个系统,交互前必须确认第三方满足了你要求的接口;文件系统、消息队列、缓存同理,都是被误当"自己人"的第三方。常见的"报错那一刻就地修复"只是把临时补丁塞进运行时,后患无穷。正确做法是把所有前置准备与修复集中到一个统一的维护点一次性做齐,让运行时只干核心活。

    这条规则值得写进 agents.md——AI 写代码也得知道那个"统一维护点"的存在;任何花钱的操作都要幂等、重试要有上限。把复杂度从运行时挪到可控之处,与"架构轻薄"本是同一类工程哲学。



    11 min
  • 理解系统:AI 时代程序员的最后一道防线

    当 AI 和 Agent 开始替程序员写代码、做执行,你最核心的能力底线在哪?这篇思考从一位资深工程师的亲身体验出发,给出了一个干脆的回答:写代码能外包,理解不能外包。你会听到为什么"不 care 过程"会让知识和能力自然退化;思考与理解的区别——思考是推理链,理解是沉淀结果;AI 如何悄无声息地伸进你忘了的系统角落,反向倒逼你去理解交叉领域。节目还探讨了用 AI 的两种姿势——"答案机"式的被动接收 vs 可检查、可回退的工程流程——以及如何从理解长出自己的判断力、品味和做事的意图。最后抬到全局视角:脑子里要有一张"系统地图",知道一次改动会碰到谁——而这恰好是 Agent 拿不到的盲区。



    10 min
  • 开源社区的守门哲学——坚守品牌调性才能活得久

    一个消息队列选型的小故事,引出一个大问题:为什么好用的开源项目,反而越做越没人用了?RabbitMQ 成熟却臃肿落选,NATS 精简却胜出——这不是个案,而是开源社区的普遍困境。功能膨胀的代价有三:做了没人用、维护成本被摊薄、核心品牌调性被稀释。Linux 靠 Linus 当守门员把烂代码拍回去,Go 语言敢对用户需求说"不"——它们守住了核心能力圈,才活成了标杆。守核心不等于不成长,而是做加减法时有独立判断、有共识圈子替项目做最优解。放到个人也一样:守住自己的优势去放大,别在人群中迷失定位,聚焦主要矛盾、把精力压在最重要的事上。活得久、守得稳,比一时的"全能"更值钱。



    8 min

About Offline Dev Talks | 离线思考

From the publisher's feed

本节目由软件工程师分享原创技术观点,内容覆盖软件工程、科技行业新闻、AI 行业思考;全部观点为本人原创,文稿 AI 辅助整理,音频采用 AI 合成人声,所有内容人工审核修改,观点仅代表个人。