AI讓新工程師入職門檻直逼高級工程師水平
AI工具已經把基礎代碼工作做得足夠好，企業現在要的是能做架構決策和設計取捨的人，所以新畢業生的技能標準被整體拉高了一級。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
課程從廣泛展示轉向原則固化
第一年課程是一次「廣泛的 survey」，展示 AI 在軟件開發生命週期各環節都能應用；第二年轉向「原則固化」，聚焦 context engineering、設計和架構的系統性思考。這個轉變反映 AI 編程領域從野蠻生長期進入最佳實踐積累期：每年課程大綱都要隨現狀改寫，去年熱門的公司今年可能已經消失，但底層原則開始穩定下來，值得被教成方法論而不是案例集。
— Mihail Eric新工程師入職要達到接近高級水平
新畢業生的技能要求從 entry-level 提升到接近 senior 級別，這不是市場虛高，而是 AI 工具改變了遊戲規則：coding agent 把基礎代碼工作簡化到很好的程度，恰恰是新手最容易犯錯的地方被補齊了。企業現在真正需要的是能做架構決策、權衡設計方案的人，「地板」被抬高意味著入門崗位的門檻實質上消失了。
— Mihail Eric用真實開源項目替代模擬練習
第二年課程的核心創新是讓學生直接參與真實開源項目，不再是模擬練習題，而是數百萬行的生產代碼庫，學生要與項目維護者直接合作。這個設置解決了一個關鍵問題：mentorship。當基礎代碼工作被 AI 接管後，新手和老手之間原本靠「寫代碼的過程」傳遞的知識沒有了載體，真實 code review 把這條傳承鏈重新接上。
— Mihail EricContext engineering 有框架能擴展到百萬行
RPI 框架（Research-Proposal-Implementation）不是概念演示，而是能處理百萬行代碼庫的實用工具。核心邏輯是：Research 階段先摸清楚代碼庫上下文；Proposal 階段給出多個方案，交由人類決策；Implementation 階段才執行。這樣設計保證了人不會被工具繞過去決策權，同時工具也能真正處理足夠複雜的真實任務。
— Mihail Eric決策哲學：先買後建
Mihail 總結 Monaco 的工具選擇原則是「先買來學，再建來留」。早期用現成工具探索可能性，比如試過多個 CodeReview 平臺，一旦跑通驗證了需求就自建以保留控制權。Monaco 最終自建了基於 coder.com 的 Monocoder 和 Slack bot Hal，因為現有 SRE 工具成熟度不夠；唯一例外是 CodeReview，他們選了 Devin 並一直在用，因為它已經越過了「可用閾值」。
— Mihail Eric每天30+ PR，審查跟不上生成速度
AI 代碼生成速度已經快到理論上一天能提 30 多個 PR 的地步，但人工審查的吞吐沒有等量提升。如果人工評審還按傳統逐行檢視，審查人就會變成整個系統的硬瓶頸。Mihail 認為必須找到中間地帶：按代碼質量和風險分級，某些 PR 可以自動批准，某些需要人工介入，即便人工審查也可能是 spec 級別檢查而不是逐行核對。
— Mihail Eric不是所有代碼都值得同等審查
Auth、Billing、Data Storage 這三塊被劃為「不能隨便寫代碼」的區域，必須精心設計和審查；其他地方則可以「儘管生成」。這個分級之所以重要，是因為 AI 生成代碼的主要風險不是「bug更多」——通常反而更少——而是「你不知道自己寫了什麼」。當審查精力覆蓋不了全部代碼時，高風險區深度檢查、低風險區放權，成了現實中的折中方案。
— Mihail Eric新角色：管理Agent而不是管理代碼
工程師的度量標準正在改變：現在還是 PR merge 率，但 Eric 認為兩年後這個標準會顯得荒謬。他提出一個新角色叫「Manager of Agents」——不是管人，而是管理一整套 agent 系統，需要理解產品需求和技術約束，能跨多個抽象層級做決策、設置指標、course-correct。就連 Anthropic 內部的 product head 和 engineering head 這兩個角色目前都還沒合併。
— Mihail Eric原話 · 已逐字校驗
It's like you have to generally be better than, you know, almost at the senior level going into this.
你入行時基本上必須已經達到接近高級工程師的水平
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.
在參與這些項目的過程中，你會直接和維護者對話，他們審查你的代碼，幫你建立關於好軟件的心智模型
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.
確實存在一種方法，能真正擴展到百萬行級別的代碼庫
Mihail Eric34:14
you buy to learn and you build to keep
你買來是為了學，建出來是為了留住
Mihail Eric1:01:53
you could in theory like put up 30 plus PRs a day, uh, and then what?
理論上你一天可以提 30 多個 PR，然後呢？
Mihail Eric1:13:40
The parts of the code base where security is very important is data storage
代碼庫中安全性非常重要的部分是數據存儲
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，然後再把它拆開
Mihail Eric1:36:26
you write prompts that write prompts
你寫的是能寫出提示詞的提示詞
Mihail Eric1:47:55
數字與實體
| Claude Code 系統提示詞削減比例 | 80% | 29:59 |
| 基礎 agent loop 代碼行數 | 200 行 | 26:45 |
| Claude Code 系統提示詞原始大小 | 20k token | 29:59 |
| 課程總週數 | 10 周 | 20:19 |
| Monaco 融資階段 | Series B | 51:12 |
| Monaco 主要客戶範圍 | Seed 到 Series A | 52:16 |
| 理論日均可生成 PR 數 | 30+ | 1:13:40 |
| Anthropic 在雲採用模型中的所處階段 | 第 3 階段（assisted） | 1:57:30 |
| Boris 雲採用模型的層級數 | 5 層（gated、assisted、parallel、supervised autonomy、AI native，從 0 開始計數） | 1:56:26 |
術語
- RPI frameworkRPI 框架
- Research-Proposal-Implementation，三步走的 context engineering 方法，可擴展到百萬行代碼庫
- sub-agent子智能體
- 由主 agent 派生出來處理子任務的獨立 agent，上下文是否繼承沒有定論
- God boxGod box
- 系統中多方數據和請求都要經過的中間層，是基礎設施設計的核心難題
- context engineering上下文工程
- 為 agent 系統性地組織和供給上下文信息，而不是零散寫提示詞
- software factory軟件工廠
- 主要由 agent 驅動持續生成和更新代碼的開源項目運作模式
- Manager of AgentsAgent 管理者
- 不直接管人、而是管理一整套 agent 系統運轉的新工程師角色
收聽指南
關注 AI-native 工程實踐的工程師、技術管理者，以及想了解 AI 初創公司內部工具「買還是建」決策的創業者。
開場關於具體選課安排和課程周次細節的部分信息密度較低，可以跳過。