# ai

Adam Hunt 從看多翻看空：最近幾代模型看起來只有程式和數學那根刺在長，語言和邏輯停滯、有時還退步。他只給自己四成信心，希望未來一兩年被證明是錯的。

Cursor 設計主管 Ryo Lu 在半夜寫下的自白：夢想變成工作的甜與痛、機器開始擅長那些「貼近心臟」的事、以及為什麼最重要的，是跟最初那團火的關係。

Mitchell Hashimoto 試著定義「品味」這個越來越常被提起、卻越來越難說清楚的詞：在沒有客觀指標可衡量的地方，持續做出高品質的主觀判斷。有人說品味的結果太好抄了所以不值錢——但這恰恰證明了相反的事：沒有第一個有品味的人先做出來，其他人根本不知道該抄什麼。

你不能對模型打『做得精緻一點、滑順一點』然後就拿到精緻的介面。kvnkld 把他做出那些漂亮元件的整套規則攤開來——緩動曲線、設計變數、物理拖曳、分層陰影、98% 的按壓——核心只有一句：把形容詞換成數字。模型是一雙神手，但最後那 10% 的品味還是你的。

2026 的數據都指向同一句話：AI 把程式碼產量推上去四倍，真正交付的價值只多一成，中間那段差距全是審查債。程式碼寫起來變便宜了，敢相信它沒有——程式碼審查從工程的副產品，變成最有槓桿的主戰場。

機器開始替人寫程式以後，真正稀缺的不是工具熟練度，而是能看懂底層、能拆解、能站到程式上一層、能證偽、能分配判斷力的架構思維。最刺人的地方是：技術本身也會被複製，最後留下來的可能不是程式，而是人和人之間那條機器摸不到的血條。

Addy Osmani 提醒：AI coding 的預設流程會幫人關任務，但不會自動讓人變強。真正的差別不是用不用 AI，而是有沒有把 AI 變成測試理解、補強心智模型的工作流。

知名 AI 函式庫 LiteLLM 遭植入惡意後門，安裝即可能觸發，會竊取 SSH 密鑰、雲端憑證及加密貨幣錢包等敏感資料。

Cursor 在 X 上宣布 Composer 2 已可於 Cursor 中使用。就這則來源可確認的資訊來看，官方僅提供了這句公告與一張截圖。

這篇推文整理了 Uber AI Foundations 團隊負責人 Adam Hooda 的訪談，講的是 Claude Skills 怎麼在公司內部從 2 個自然長成 500+。重點不只是數量，而是 Uber 看起來是怎麼靠雙層治理、確定性輸出與元技能，把 AI 輔助開發慢慢推進到企業級規模。

Alexey Grigorev 表示，他把原本為 AI Engineering Field Guide 蒐集的研究材料整理成獨立資源庫 Awesome AI Engineering。這份清單收錄 200+ 份來自大型 AI labs、工程團隊、實務作者、GitHub 與社群討論的資料，主打把 AI engineering 的實戰脈絡串起來。

Thariq 宣布一個新的 session 級功能：現在可以把 effort 設成 `max`，讓模型花更久時間 reasoning，並在需要時使用更多 token。推文也特別提醒，這樣會更快消耗 usage limits，所以必須每個 session 手動開啟。

DevvMandal 表示，他們正在推出一份號稱全球最大的開源 computer-use 錄影資料集，內容涵蓋超過 10,000 小時的 Salesforce、Blender、Photoshop 等操作紀錄，目標是推動更高階的白領工作自動化。

Dan McAteer 這則推文在反問一組他認為彼此兜不太起來的前提：如果 AI 讓 software engineering 更自動化、軟體需求還會成長，而且最能駕馭這波變化的人仍是 trained software engineers，為什麼結論會跳成工程師注定變窮？

Simon Willison 提到，他整理了 @tobi 的 autoresearch PR 筆記；這個 PR 讓 Tobi 20 年前為 Shopify 打造的 Liquid 模板語言 benchmark 分數提升了 53%。

Deirdre Bosa 指出一個值得注意的變化：十年前 private equity 把 cloud software 推進 portfolio companies，現在 AI 可能又讓他們有理由把這些 SaaS 拔掉。

Data Engineer 想轉職 AI Engineer 到底難不難？Alexey Grigorev 認為，其實比想像中快很多。因為 AI engineering 本質上還是工程角色，而真正的難點在於周邊系統，這正是 DE 的主場。

當 $8,000 的法律摘要變成 $20 的訂閱服務，GDP 會暴跌 99.7%，但實際產出沒變。SemiAnalysis 認為我們需要借鏡女性主義經濟學的工具來衡量 AI 的真實價值。

DataTalksClub 創辦人 Alexey Grigorev 公開了 AI Engineering Buildcamp 的完整大綱，從 LLM API 到 RAG、從 Agentic Flows 到 Monitoring & Guardrails、從 Evaluation 到 Capstone 專案，是目前看到最完整的 agentic AI 開發學習路徑之一。

大家都盯著 AI 算力前五年的利潤看，但真正決定勝負的，其實是合約到期後的經濟學變化。