很多人衡量程序员的产出，看的是代码行数。 但写了这么多年代码之后，我发现一个反直觉的事实：删掉一行代码带来的成就感，远大于写出一行代码。 因为每一行新代码都是负债——它需要被维护，可能会出bug，会让系统更复杂。而删掉一行不需要的代码，意味着你真正理解了这个系统，知道什么是多余的。 类似这样的认知转变，我攒了38条。有些是书上看来的，有些是被现实毒打出来的。如果你写代码超过三年，大概会在某些地方会心一笑："早知道就好了"。 尤其是在进入 AI 时代以后，这些核心认知，对我们程序员反而更加重要。
2022年11月30日，ChatGPT向公众开放。这个日期将成为人类文明史上的一个标记点，不是因为技术本身，而是因为它标志着一种新的人类世代的诞生。那些在这天出生的孩子，以及在之后的几年里进入童年的孩子们，将成为人类历史上第一代真正意义上的算法原生者。他们不是在成年后才开始适应智能技术，而是从睁开眼睛的那一刻起，就已经生活在算法编织的世界里。他们的认知方式，情感结构，甚至社会关系，都在与算法的持续互动中形成。这不是简单的技术变迁，而是一次深刻的人类生存方式的转型，也许要过许多年，这革命性的一刻才会认识到。就像文字的发明创造了阅读者，印刷术的普及创造了现代读者，互联网的兴起创造了数字居民，人工智能时代的到来，正在创造一种新型的算法思考者。
随着大模型技术的爆发，AI Infra 已成为基础设施领域的核心战场。过去1年多的时间，我们团队落地了多个大模型应用，包括语音合成大模型、内容理解多模态大模型、生成式推荐大模型，跑通大模型训练到推理的全链路。踩了很多坑，也积累了不少经验。本文将分享传统后台工程师积累的技术栈和方法论，如何延续并迁移到 AI 系统，并系统性拆解 AI Infra 的硬件、软件、训练和推理挑战。
这一年“RAG 已死”的说法甚嚣尘上，比如《长上下文窗口、Agent 崛起，RAG 已死？》、《The RAG Obituary: Killed by Agents》。而像 Claude Code、Codex 这类新一代 Agent CLI 也纷纷放弃了 embedding，官方直接承认：不建索引、不用向量库，靠 LLM 驱动 Grep 就够用。RAG 真的不适合现在的 Agent 了吗？围绕这个问题，我们展开了深入调研，同时对Claude Code 等前沿解决方案的源码进行了拆解，最终形成本文力求回答 RAG 在 Agent 时代是否还有一席之地这一核心关切点。
先做个自我介绍。我是一名游戏客户端开发工程师，日常工作在 Unity 引擎开发。从去年开始高强度使用 AI 辅助开发，一开始只是让它帮我补补代码、查查 API，后来越用越深入，逐渐突破了自己原有的技术边界——借助 AI 的能力和公司内网提供的工具链，我独立给项目组交付了 WPF 桌面启动器、好几个内部提效的 Web 站点、还有一堆企业微信机器人。这些东西放在以前，对一个纯客户端出身的人来说几乎不可能独自完成。正是这段经历让我对"如何高效驾驭 AI"这件事有了很多切身体会，也是写这篇文章的出发点。
2026 年 4 月 24 日上午，DeepSeek 又一次把"开源炸弹"丢进了大模型圈。没有预热，官微只有一句话：“今天，我们全新系列模型 DeepSeek-V4 的预览版本正式上线并同步开源”。从评分上看，这次的模型已经非常接近“闭源三巨头”的水平了，同时也是当之无愧的“地表最强开源模型”。但细读这份技术报告「DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence」，会发现DeepSeek的工作远比评分更硬核，无论是架构创新还是工程优化都是一如既往的精雕细琢。
当 Harness Engineering 成为 2026 年最热门的 AI 工程话题，业界争论焦点集中在"该用多大的模型"还是"该搭多复杂的工作流"时，我们团队在落地实践中发现了一个被低估的事实——构建 Harness 工作流不是最终目的，私域和团队知识的沉淀才是真正的技术护城河。本文分享我们在 AI Team 工程交付编排系统中，如何设计知识分层架构、如何让团队知识库共建共享、如何让工作流成为知识沉淀的载体、如何突破人机交互瓶颈实现随时随地的工作流流转，以及我们的落地经验和思考。
