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。
同一个模型差了 6 个百分点——Auggie 和 Cursor 的成绩差距揭示了一个被忽略的事实：决定 AI 编程工具能力上限的是 Harness 框架而非底层模型。Context Rot、中间遗忘、工具歧义，三重问题全是 Harness 的工程挑战。评估 AI 工具，该问「Context Engine 怎么设计」，不是「用了什么模型」。
让 AI 写完代码再自己审查，它对明显错误视而不见。问题不是模型不够聪明，而是上下文窗口被自己的输出占满了。分离上下文窗口是解法。
