Thoughtful Technologist

RSS: https://thoughtfultechnologist.com/feed
善于思考的技术专家、创业者和云架构师，到处识别模式。

受够了那80%

<p>“安排好你的社交帖，简化发布流程”，他们说，“只录下来，剩下的我们来处理。”他们说......</p><p>结果你得到的却是没能完全得到承诺。不过，80%已经完成了！是的，80%的功能已经完成了，而且这确实有帮助。我不介意自己在一个工具或一个任务中完成那20%。<br><br>但当那20%叠加时，真的很累。不仅仅是完成那20%，还要记住那些没在任何地方提到的20%步骤。所以我的“自动化”流水线最终有11个手动步骤，分在4个工具上。</p><p>具体例子——承诺会自动发布你的 YouTube Shorts。但集成中缺少一些重要的 YouTube Shorts 功能，比如链接原始视频——所以现在我得手动完成这些部分。</p><p>在生成方面，Riverside可以生成短片，但如果是我想要的字幕生成重点、漂亮的叠加层和B-roll灵活性——我得自己做。或者找别的工具，比如Submagic，能做那个部分，哦等等，不过还是80%——因为在那里制作短片时音频出问题了，我还是得手动制作一轮。</p><p>所以一个“简单”的短生成任务变成了——&gt;打开一个工具，做一些事情，（习惯工具改动的部分），切换到另一个工具，在那里做一些额外的工作（考虑该工具的所有细节），导出并调度短视频，但不要让工具发布，因为发布前还得做一些步骤。</p><p>所以“花几个小时做短片，安排时间，忘了它们”的承诺是谎言。“录完，剩下的我们来处理”是谎言。产品没有做到100%，集成也没做到10…</p>
评论点赞收藏25 天前

软件不是工厂

用工厂比喻软件开发是错的。工厂生产的是已知产品（比如椅子），优化的是已知流程；而软件开发的本质是：我们往往通过"做"来发现"要做什么"。 AI代码生成越快，这个类比越危险——它让人误以为软件可以像流水线一样自动化，而忽略了软件中大量不可预知的探索过程。
评论点赞收藏32 天前

《置换之城》短评

一本科幻小说《Permutation City》的书评，涉及虚拟现实、意识、自由意志等概念，作者提到书中对女性主角的刻画在文学中较为少见。
评论点赞收藏36 天前

AI搜索时代的内容可见性：GEO与SEO的本质区别

当人们从Google搜索转向ChatGPT、Gemini等AI工具时，内容可见性的规则正在被重写。Generative Engine Optimization（GEO）应运而生——AI搜索只给一个答案和一个推荐，不在结果里就等于不存在。 核心差异：传统SEO是列表式竞争，GEO是入选式竞争。好的SEO只是AI可见性的子集。 实操建议：让AI信任的平台（Reddit、G2、Capterra）引用你；转录视频内容；博客依然有效。 技术难点：如何从非确定性LLM中得出确定性的可见性评分，LLM应作为数据提取器而非评分器。 公平性争议：人为制造的"人设"可能排名高于更好的产品。
评论点赞收藏37 天前

重新学习 Agent 循环，但更谦逊一些

<p>在我的我试图展示如何实现代理循环，不仅实现所请求的功能，还能对过程进行元概述并从失败中学习，同时还能有元元总览了解学习过程本身。<br><br>我觉得文章写得太长，也太复杂（不是那种“这很聪明以至于很复杂”的复杂，而是用复杂的风格写成的）。而且我一直在接受“通过编辑改进”的写作理念，所以这里有一个较小的实验，只用一个图层的“元”来看看效果如何。</p><h2>目标</h2><p>目标是创建一个小型的实现代理流水线和一个独立的“学习”代理，这些代理会指向日志，用户投诉会在那里提交，看看代理是否能从用户投诉中学习，以及它实际会学到什么。</p><p>要运行实验，我们首先需要一个代理，或者说一个实现流程。</p><h2>故事背景</h2><p>为此，我们以我的网站为例——envimate.com我们构建了一个流水线，利用任务板和 AWS Strands 支持的代理流水线修改该网站上的内容。<br><br>以下是该管道的详细版本：</p><p>所以基本上有两个循环——一个有两个代理——一个负责更改，另一个负责“批准”更改。第二个循环是学习者，它会从日志中读取投诉，并被指示根据这些内容制定规则</p><p>以下是其完整的提示：</p><pre><code><code>A pipeline applies requested changes to a website and publishes them. Before publishing, it checks each change against a list of constraints. You mai…</code></code></pre>
评论点赞收藏45 天前

The Root Cause of Not Getting Hired

In this episode of Root Cause we sit down with Fraser Merrifield, founder of FORM Careers in Glasgow and the self-described craft brewer of digital recruitment, to get to the root cause of the gap bet...
评论点赞收藏51 天前

Root Cause of Where You Are on the AI Spectrum

In this episode of Root Cause we sit down with Evan Marshall, co-founder and CTO of, to get to the root cause of where the honest answer sits on the AI adoption spectrum, somewhere between the teams t...
评论点赞收藏65 天前

让技术变得合乎伦理，为时已晚

作者认为在AI黑盒主导认知的当下，单纯依靠事后监管和伦理委员会已太晚。真正的伦理不应是产品的合规检查表，而应内化为开发者个人的道德判断与微决策。 技术是人类特质的编码，复杂系统的失败源于组件交互，因此第一步是确保每个开发者的决策符合伦理。
评论点赞收藏73 天前

健康团队的根源：是设计问题，而非人员问题

CTO Eric Lubow 提出将组织视为分布式系统，认为团队问题的根源通常是系统设计缺陷，而非人员能力或态度问题。这一视角为技术管理者提供了从架构层面诊断团队冲突与效率低下的新思路，有助于跳出“换人”思维，关注流程、接口与协作机制的优化。
评论点赞收藏78 天前

Root Cause of Architectural Thinking

In this episode of Root Cause we sit down with Barry O'Reilly, 25 years in software architecture, former chief architect at Microsoft, startup CTO, and the creator of Residuality Theory, to get to the...
评论点赞收藏79 天前

为什么智能体在系统韧性方面依然无能

作者结合韧性工程学反思AI Agent：Agent能完美存储和检索“变通方案”，解决关键人风险，但无法模拟人类在复杂系统中的“直觉”与“边界感”。 文章指出，Agent缺乏对“计划偏离”的感知，且过度拟合导致“虚假的可解释性”——日志看似完美，实则掩盖了真正的适应过程。这对当前推崇Agent自动化的趋势是一个有力的反面思考。
评论点赞收藏85 天前

如呼吸般自然

反思自动化与AI辅助对创造力的侵蚀，指出过度优化流程会导致焦虑，主张创作应如呼吸般自然，减少人为干预。
评论点赞收藏90 天前

根源：为何专家保持沉默

Thoughtful Technologist 播客介绍嘉宾 Marc Babin，一位从酒店营销转型为创意总监再到播客构建者的跨界专家。文章主要提供嘉宾背景信息，缺乏具体的技术深度或独家观点。
评论点赞收藏108 天前

把自己从开发中自动化出来——第二部分

作者分享了将Claude Code开发自动化从本地迁移到EC2的实践。核心创新在于通过GitHub Issue评论与Agent交互，而非直接修改文件，并建立了一套基于人类反馈的“学习”机制（保存规则到记忆库）。 文章强调构建可追溯的工作流以积累上下文，并从韧性工程角度反思：不存在完美的自动化流程，只有持续的适应和学习。
评论点赞收藏112 天前

登录芦苇

登录后关注作者、收藏内容和参与讨论。

热门话题

人工智能12,865 人关注AI 会怎样改变日常工作？产品思考8,243 人关注怎样判断一个产品值得长期做？独立开发5,917 人关注一个人如何持续完成作品？
关于芦苇 · 联系我们 · © 2026 芦苇