学习从来不是为了记忆知识，而是为了建立判断力。AI 时代，记忆的价值在降，理解的价值在涨。
Go GC 用十年把 STW 从 300ms 压到亚毫秒——并发三色标记、混合写屏障、GOGC 调优、GOMEMLIMIT 兜底、Green Tea 探路，五步演进的每一步都是取舍。理解它没选什么，比理解它选了什么更重要。
很多人把 Harness 理解成测试框架或 CI/CD 升级版，这个理解太窄了。它的本质，是把 AI 执行的可信度问题转化为工程结构问题。
AI时代的工程师分化已启动。Go代码最容易被AI高质量生成，这反而是好事——它让Go工程师可以最快跳过写代码阶段，直接投入系统设计。三层分化正在形成：提示词工程师、AI集成者、系统架构师。分化的本质不是会不会用AI，而是脱离代码生产后你还有什么。
75% 衡量的是 AI 渗透深度，不是替代概率。失业率趋近于零，但年轻人入职率下降了 14%。这是两个完全不同的故事。
市面上的转型路线都在教你学框架，但框架学完你仍然不会解决真实问题。6 年后端转 AI Agent 工程师，核心是把工程判断力迁移过去，而不是从零开始学。
技术债不只是代码写得差。Buffer 迁移时发现 7 个跑了 5 年的废弃任务——看不见的系统级债务才是真正的本金。清理代码是还利息，清理盲区才是还本金。
从便利贴 prompt 到标准化工具箱，AI 的"配置文件"悄悄走过了五代演进。ETH Zurich 实证数据揭示反直觉真相：给 AI 写规则，精准约束比全面描述管用——限制越精确，执行越可靠。
