上周在高铁上，邻座一路都在聊 AI。听内容是一群做自媒体的人，各自交流学 AI 的心得，声音不大，但关键词密集：工具、课程、变现。
我没听全，但有一句记住了：
学 AI 要学让你赚钱的 AI，不然不要学。判断标准就一条：学完之后，有没有人愿意为它付钱。
我的第一反应是想笑——这话听着太像焦虑贩卖课的开场白了，卖课的人最喜欢把「赚钱」两个字挂在嘴边。但后来越想越觉得，这可能是普通人在 AI 学习上能拿到的最好过滤器。不是因为「赚钱」正确，而是因为 「有没有人付钱」是唯一无法伪造的标准。
点赞可以刷，收藏可以自嗨，「感觉学到了」更是大脑最擅长制造的幻觉。只有付钱，要求另一个真实的人掏出真金白银换你的产出——这个信号伪造不了，你也骗不了自己。
9 月的一个深夜，我在翻 blog2 仓库里的一个文件，翻到有点不舒服。
skills/hugo-blog/SKILL.md，版本号 3.4.0，1078 行。第一次写它的时候只有几十行。中间模型换了好几代，这个文件一行没删，只加。加进去的每一行背后都是一次真实翻车——「Wan2.7 的 prompt 里不要写中文」「Gemini 的 landscape 必须是 1280x896，小了直接返回 400」「加粗标记内侧不能有空格」。
不舒服的点在这里：让我踩下这些坑的那几个模型，现在一个都不用了。但这 1078 行，一行都没作废。
我盯着它看了很久，意识到自己看的不是一个文件，是一条 loop 的沉淀物。
然后一个念头冒出来：模型训练是一个 loop，Agent 是一个 loop，人生也是一个 loop。 三个 loop 的结构完全一样——行动、观测、评估、更新。区别只有三条：反馈延迟多久、单次迭代多贵、状态能不能跨轮留下。
9 月初，我的数字员工「涌现」在一周里掉了三次链子。
它每天早上八点跑一轮「早读」：读公众号后台、读 GA、digest 小红书、更新 token 消耗、读 aibase——五步，预算一小时。8 月 31 日、9 月 2 日、9 月 5 日，三次吃了同一个兜底。前两次重启了事，第三次我让 opencode 做了一轮十五分钟的验尸：模型网关的机器名，被 /etc/hosts 里一行陈年映射和 DNS 搜索域联手坑了——解析结果里混进一条不通的 IPv6 路由，我常用的工具个个有回退所以毫无察觉，Agent 的运行时没有回退，当场死亡。整个排查过程我写成了 谁停掉了数字员工的早读。
事后回想，我当时的感受不是恼火，更接近于交学费的踏实。这个「早读」场景，技术上毫无炫技之处——定时任务、抓取、摘要、发消息，任何一个传统后端工程师一天就能搭完。但正是这个普通的场景，在过去几个月里每天给我生产真实的执行、真实的失败、真实的修复。我对 Agent 工程的大部分真实认知，不是从论文和 demo 里来的，是从这条 loop 里长出来的。
这让我越来越确信一个判断：Agent 应用工程师的核心竞争力，不是会不会调 Prompt、接 MCP、做 RAG，而是能不能建立一个真实的、持续运行的 Agent Loop。 而在选择做什么项目时，我会把一个指标放在非常靠前的位置：这个场景每天能给我多少次真实的执行反馈。
昨天我做了一件拖了半年的事：把自己博客的搜索系统整个换掉了。
我没自己动手。我给一个 AI Bot 发了一句话：「搜索基于一个没人维护的组件，越来越慢，给我一个更好的方案。」三个多小时后它交回来一个 676 行的 PR，我花不到二十分钟验收，点了合并。
值得琢磨的是前面那半年。这件事我一直想做，但每次要动手就先算一笔账：看懂旧代码一天，设计新方案一天，改完测试再上线一天——三天工时，还可能把线上搜索搞坏。算完就觉得，下个月再说吧。
同一件事，换一种算法，「敢」就突然出现了。不是我变勇敢了。
今天和一个朋友聊天。他说自己做了一个非常精简的 Agent Harness，准备开源，让大家可以直接用。
我第一反应不是问他写了多少代码，而是问：
你看过 Pi Agent、OpenCode、DSH 吗？
他说，没有深入研究过。
那一刻我没有继续追问，但一个问题在我脑子里转了一下午：今天成为一个 Agent 应用工程师，真正重要的到底是什么？ 是能够自己写一个 Agent Loop，还是能够把 Agent 真正做成一个有价值、能生产、能赚钱的产品？
这篇文章把那条成长路线完整画出来。
前几天，那个年轻人又给我发消息了。
月初我在 从用好 AI 到管理 AI 里记录过他的困惑：每天都在用 AI，prompt 也调得不错，但总觉得还是在「自己干活」。我当时的回答是，他卡在「用好 AI」这一级，要往「带 AI」「管理 AI」走。
他回去照做了。这次他告诉我：又订了三个工具，整理了 30 条常用 prompt，还刷完了两门 AI 课程。然后他问了一个新问题：
「我的工具更多了，效率也确实高了。但为什么反而更焦虑了？如果明天出一个更好的工具，把这些全做了，我还剩下什么？」
我当时没有马上回答。不是问题难，而是他问的已经不是「怎么用好 AI」，而是一个更根本的问题：AI 时代，衡量一个人成长的单位，到底是什么？
几天后，吴恩达在 The Batch 上发了他的新来信，标题是「AI 奖励能构建新技能的通才」。这封信把这个问题往前推了一步——但我觉得，还可以再推一步。
上周和一群刚工作的年轻人交流。有人问我一个问题：我每天都在用 AI，prompt 也调得不错，效率确实提高了——但为什么总觉得，我还是在「自己干活」？
我反问他：你的 AI，会不会越用越好？
他愣了一下：好像不会。每次新开一个对话，都像第一次认识一个新同事。
问题就在这里。他很会用 AI，但他从来没有管理过 AI。
这两件事的差距，比他以为的大得多。
今天早晨刷短视频，无意间看到一句话：
「真正的自信不是你知道答案，而是你不知道答案的时候也相信自己能把它搞明白。」
刷过去又刷回来，反复看了两遍。说不上为什么被击中，但回想过去几年——从带团队做 AI 产品，到自己从零搭工具链——支撑我撑过来的，确实不是「我什么都会」，而是「不会但我能搞明白」。不是鸡汤，是真实感受。
前几天，我的一位同事在内部发了一篇文章，标题是《AI 时代，工作十年的钉钉人如何从「专家」变成「乘数」》。起因是他读了另一篇关于校招生用 AI 加速成长的文章后，坐不住了——年轻人用 AI 一两周就跑通了以前需要几个月才能建立的工作节奏，那工作十多年的老同事呢？
他找了三位在钉钉超过十年的老架构师聊，得出了一个结论： AI 没有替代他们的经验，而是把经验变成了可以复制、可以扩展、可以乘以 N 的东西。
我在评论区写了一段话，后来觉得值得展开写一篇。
上周一个计算机大四学生加我钉钉问：“朱老师，我们宿舍最近吵翻了。一个室友说现在 Cursor 能秒写算法题，刷 LeetCode 是浪费时间，应该去学系统设计；另一个说大厂面试还在考八股，老老实实刷题才靠谱。我已经拿了 offer，再过 4 个月入职——我现在应该学什么？”
这个问题很典型。它背后其实藏着一个更深的认知误区——把"写代码"和"做架构"看作两个独立的阶段，仿佛 AI 替代了前者，后者就可以直接上手。
但真相恰恰相反。AI 不是让你跳过写代码，而是让你在写代码的过程中，同时训练架构思维。 传统的架构师成长路径是"先写 5 年代码，再学系统设计"，而 AI 时代的路径是"从你写第一行代码起，就让 AI 帮你同时跑两条线"。
这篇博客就是写给正在毕业、或者刚入职 1-2 年的计算机专业同学的。我会给你一个可以从 今天 就开始执行的成长路径。
[Read More]