career-advice

Paul Graham建议一位计算机科学本科生，在AI时代，通过开发LLMs或使用AI直接满足客户需求，可以产生最大影响。

Gergely Orosz 正在为大二学生准备关于软件工程的讲座，以强调主动学习的角度重新设计他2024年的演讲。

这篇博客文章描述了'资深工程师死亡漩涡'，即工程师过度工作并变得孤立，导致倦怠的循环。文章提供了保持透明度和避免这一陷阱的建议。

作者通过自学、CTF竞赛及AIS3等项目踏入信息安全领域，并分享了该领域技能与证书的职业发展建议。

该文章建议软件专业人士逐步向硬件领域过渡，强调2026年是进行这一职业转型的最佳年份。

本文为计算机科学学生提供了发展策略，敦促尽早投资MacBook和AI模型订阅，然后在实际场景中动手实践，最后掌握基础知识。

Rolequiry 将职业优先事项与职位发布相连接，并通过分析公共来源的证据和反向信号，帮助准备面试问题。

Simon Willison 探讨了影响他在软件工程思考的博客文章，包括 Joel Spolsky、Will Larson 和 Charity Majors 的作品。

MIT_CSAIL 分享的回顾视频中，MIT 教授 Peter Shor 为有志于计算机科学的人提供建议。

本文批判了科技行业的招聘实践，突显了强调适应变化与优先考虑特定长期技术经验之间的矛盾，这可能强化了对未来的过时假设。

一条推文概述了获得六位数年薪 AI 工程师职位所需的关键技能，如 LangChain、LangGraph 和 OpenAI API，并提供了一个项目链接供实践学习。

Garry Tan 反思科技行业的错失恐惧症，指出在人工智能复兴中，不同群体如何看待错失的机会。

本文介绍了通过销售系统、服务、制品和掌控垂直领域在机器人行业赚取收入的多种途径，强调了行业对实用工程技能的依赖，而非单纯的AI开发。

本文讨论了算法工程师持续学习和适应技术变革的必要性，从机器学习到深度学习再到大模型，而新毕业生往往引领着这种适应。

作者认为，在未来12-24个月内，由于AI市场饱和，学习机器人学比AI工程更有优势，因为机器人学提供了构建竞争护城河的独特机会。

文章主张，软件工程师应通过深入掌握代码库和提升技术沟通能力等方向与AI模型形成差异化，以维系其行业价值。

这篇文章整理了Web3求职中常见的缩写，如JD、HC、TA等，帮助求职者理解招聘信息和工作沟通。

这篇文章介绍了'The Lenny 100'，一个精选的100家公司名单，这些公司人才密度高、问题有野心、成长空间大且正在招聘，旨在帮助求职者确定求职优先级。

Andrew Ng通过分析超过1万份招聘信息和访谈数十位AI专家，总结出4项核心AI工程能力：构建与部署AI应用、软件工程基础、使用Coding Agent和定义要构建什么。

Lenny Rachitsky 宣布推出 Lenny's Jobs，这是一个旨在帮助人们找到并获得理想工作的平台，利用了他从通讯和播客中获得的专业知识。