AI native 时代的技术面试
https://sierra.ai/blog/the-ai-native-interview 在强大 coding agent 出现后，工程师的价值正在从“写代码”转向“设计系统、定义问题和落地产品”。Sierra 认为传统面试（两轮 coding + 算法 + 系统设计 + culture fit）越来越只考“键盘操作”和记忆，而不能评估候选人在真实 AI 时代的工作方式，于是他们从零设计了一套 AI-native onsite。
斯坦福的 Building Large Language Models (LLMs) 视频课程
https://www.youtube.com/watch?v=9vM4p9NN0Ts
一共不到 2 小时，把「构建 LLM 系统」拆成五块：
Architecture（架构）＋Training algorithm（训练算法）＋Data（数据）＋Evaluation（评估）＋Systems（系统工程）。包括怎么预训练一个 LLM、怎么做后训练让它变成好用的助手、以及背后真正难的工程问题
Eight years of wanting, three months of building with AI
https://blog.qiaomu.ai/ai-assisted-coding 最后他用两个维度总结何时该用 AI。 第一是「自己理解的深度」：当你非常懂某个子问题时，AI 是强力加速器；当你只模糊知道大方向时，它可以当学习和头脑风暴助手；而在你根本没想清楚的系统设计、API 体验层面，AI 往往从无用到有害。 第二是「答案是否可客观验证」：有明确正确性的实现型任务（能编译、能跑测试）适合交给 AI，大部分架构和 API 设计则不行，因为「好不好用」没有自动可测标准。对他来说，关键能力变成：清醒地判断自己在这两个维度上的位置，刻意把 AI 用在实现和学习层，而不是把整个系统的「灵魂」托付给它。