AI让新工程师入职门槛直逼高级工程师水平
AI工具已经把基础代码工作做得足够好，企业现在要的是能做架构决策和设计取舍的人，所以新毕业生的技能标准被整体拉高了一级。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
课程从广泛展示转向原则固化
第一年课程是一次「广泛的 survey」，展示 AI 在软件开发生命周期各环节都能应用；第二年转向「原则固化」，聚焦 context engineering、设计和架构的系统性思考。这个转变反映 AI 编程领域从野蛮生长期进入最佳实践积累期：每年课程大纲都要随现状改写，去年热门的公司今年可能已经消失，但底层原则开始稳定下来，值得被教成方法论而不是案例集。
— Mihail Eric新工程师入职要达到接近高级水平
新毕业生的技能要求从 entry-level 提升到接近 senior 级别，这不是市场虚高，而是 AI 工具改变了游戏规则：coding agent 把基础代码工作简化到很好的程度，恰恰是新手最容易犯错的地方被补齐了。企业现在真正需要的是能做架构决策、权衡设计方案的人，「地板」被抬高意味着入门岗位的门槛实质上消失了。
— Mihail Eric用真实开源项目替代模拟练习
第二年课程的核心创新是让学生直接参与真实开源项目，不再是模拟练习题，而是数百万行的生产代码库，学生要与项目维护者直接合作。这个设置解决了一个关键问题：mentorship。当基础代码工作被 AI 接管后，新手和老手之间原本靠「写代码的过程」传递的知识没有了载体，真实 code review 把这条传承链重新接上。
— Mihail EricContext engineering 有框架能扩展到百万行
RPI 框架（Research-Proposal-Implementation）不是概念演示，而是能处理百万行代码库的实用工具。核心逻辑是：Research 阶段先摸清楚代码库上下文；Proposal 阶段给出多个方案，交由人类决策；Implementation 阶段才执行。这样设计保证了人不会被工具绕过去决策权，同时工具也能真正处理足够复杂的真实任务。
— Mihail Eric决策哲学：先买后建
Mihail 总结 Monaco 的工具选择原则是「先买来学，再建来留」。早期用现成工具探索可能性，比如试过多个 CodeReview 平台，一旦跑通验证了需求就自建以保留控制权。Monaco 最终自建了基于 coder.com 的 Monocoder 和 Slack bot Hal，因为现有 SRE 工具成熟度不够；唯一例外是 CodeReview，他们选了 Devin 并一直在用，因为它已经越过了「可用阈值」。
— Mihail Eric每天30+ PR，审查跟不上生成速度
AI 代码生成速度已经快到理论上一天能提 30 多个 PR 的地步，但人工审查的吞吐没有等量提升。如果人工评审还按传统逐行检视，审查人就会变成整个系统的硬瓶颈。Mihail 认为必须找到中间地带：按代码质量和风险分级，某些 PR 可以自动批准，某些需要人工介入，即便人工审查也可能是 spec 级别检查而不是逐行核对。
— Mihail Eric不是所有代码都值得同等审查
Auth、Billing、Data Storage 这三块被划为「不能随便写代码」的区域，必须精心设计和审查；其他地方则可以「尽管生成」。这个分级之所以重要，是因为 AI 生成代码的主要风险不是「bug更多」——通常反而更少——而是「你不知道自己写了什么」。当审查精力覆盖不了全部代码时，高风险区深度检查、低风险区放权，成了现实中的折中方案。
— Mihail Eric新角色：管理Agent而不是管理代码
工程师的度量标准正在改变：现在还是 PR merge 率，但 Eric 认为两年后这个标准会显得荒谬。他提出一个新角色叫「Manager of Agents」——不是管人，而是管理一整套 agent 系统，需要理解产品需求和技术约束，能跨多个抽象层级做决策、设置指标、course-correct。就连 Anthropic 内部的 product head 和 engineering head 这两个角色目前都还没合并。
— Mihail Eric原话 · 已逐字校验
It's like you have to generally be better than, you know, almost at the senior level going into this.
你入行时基本上必须已经达到接近高级工程师的水平
Mihail Eric6:27
In the course of being in all those projects, you'll actually be talking to the maintainers, they will be reviewing your code, they'll be helping you build mental models of, like, good software.
在参与这些项目的过程中，你会直接和维护者对话，他们审查你的代码，帮你建立关于好软件的心智模型
Mihail Eric13:00
there is a way to do this that actually does scale out to code bases that are, you know, millions of lines long.
确实存在一种方法，能真正扩展到百万行级别的代码库
Mihail Eric34:14
you buy to learn and you build to keep
你买来是为了学，建出来是为了留住
Mihail Eric1:01:53
you could in theory like put up 30 plus PRs a day, uh, and then what?
理论上你一天可以提 30 多个 PR，然后呢？
Mihail Eric1:13:40
The parts of the code base where security is very important is data storage
代码库中安全性非常重要的部分是数据存储
Mihail Eric1:28:49
your entire job is making God boxes and then taking them apart
你的全部工作就是造出 God box，然后再把它拆开
Mihail Eric1:36:26
you write prompts that write prompts
你写的是能写出提示词的提示词
Mihail Eric1:47:55
数字与实体
| Claude Code 系统提示词削减比例 | 80% | 29:59 |
| 基础 agent loop 代码行数 | 200 行 | 26:45 |
| Claude Code 系统提示词原始大小 | 20k token | 29:59 |
| 课程总周数 | 10 周 | 20:19 |
| Monaco 融资阶段 | Series B | 51:12 |
| Monaco 主要客户范围 | Seed 到 Series A | 52:16 |
| 理论日均可生成 PR 数 | 30+ | 1:13:40 |
| Anthropic 在云采用模型中的所处阶段 | 第 3 阶段（assisted） | 1:57:30 |
| Boris 云采用模型的层级数 | 5 层（gated、assisted、parallel、supervised autonomy、AI native，从 0 开始计数） | 1:56:26 |
术语
- RPI frameworkRPI 框架
- Research-Proposal-Implementation，三步走的 context engineering 方法，可扩展到百万行代码库
- sub-agent子智能体
- 由主 agent 派生出来处理子任务的独立 agent，上下文是否继承没有定论
- God boxGod box
- 系统中多方数据和请求都要经过的中间层，是基础设施设计的核心难题
- context engineering上下文工程
- 为 agent 系统性地组织和供给上下文信息，而不是零散写提示词
- software factory软件工厂
- 主要由 agent 驱动持续生成和更新代码的开源项目运作模式
- Manager of AgentsAgent 管理者
- 不直接管人、而是管理一整套 agent 系统运转的新工程师角色
收听指南
关注 AI-native 工程实践的工程师、技术管理者，以及想了解 AI 初创公司内部工具「买还是建」决策的创业者。
开场关于具体选课安排和课程周次细节的部分信息密度较低，可以跳过。