나 영화제에서 이런 사람 옆에 앉은 적 있음

韓国に住んで日本について考える機会が増えた 韓国人に日本のことを聞かれると、当たり前だと思ってたことも説明する必要がある でも実際に説明しようとすると答えられないことも多い 特に多い質問は「日本語の勉強法」について 海外生活を通して俯瞰的に自国について考えることも留学の面白さのひとつ

The Korean government announced that the country’s per capita income is all but certain to exceed $40,000 this year. It’s all thanks to the memory supercycle. yna.co.kr/view/AKR2026102707…

现在想成为一名软件工程师，尤其是 AI Engineer，需要学习的东西已经多到有点离谱了。 2016 年，学 Java、Spring、SQL，做几个项目，就可以开始尝试找工作。 到了 2026 年呢？Python、JavaScript、TypeScript、React、Node.js、AWS、Docker、Kubernetes、Kafka、Redis、System Design、LLMs、RAG、Agents…… 学完这些，别人可能还会告诉你，你得继续学习最新的技术。 我操，这哪是在培养一个初级工程师，感觉恨不得让一个刚毕业的学生，把整个技术团队的活都干了。 当然，不同岗位也不需要掌握所有技术。但确实反映了一个很现实的问题：技术更新的速度，已经远远超过普通人能够系统学习的速度。 我自己就是一个从广播电视编导往 AI 工程方向转型的学生，这几个月一直在做 RAG、Agent、企业工作流相关的项目，对这种感觉特别深。 今天刚研究明白 RAG 的检索流程，明天发现还需要补数据库、HTTP、权限控制；好不容易把 Agent 跑起来，又发现自己不懂并发、消息队列、部署和系统监控。 如果一直按照学完所有技术再做项目的思路，可能永远都学不完。 2026 年想进入 AI 工程行业，最重要的不是掌握所有框架，而是先建立一套能够持续学习和解决问题的能力体系。 如果让我重新规划学习路线，我可能会这样安排。 先把 Python、Git、SQL、HTTP、API 这些基础真正搞懂，至少能看懂代码、理解数据怎么流转，知道一个请求从前端到后端到底发生了什么。 然后学习 FastAPI、数据库、Docker、测试和部署，尝试独立完成一个能够在公网运行的项目。 再往 AI 应用方向深入，研究 LLM API、Structured Output、Tool Calling、RAG、Evals 和 Agent，把模型真正接入业务系统。 至于 Kubernetes、Kafka、分布式架构这些东西，当然重要，但没有必要一开始全部学完。等项目真的遇到对应的问题，再有针对性地深入。 而且我觉得现在有 Codex、Claude Code 这些 AI Coding 工具，学习方式也应该发生变化。 以前可能是先学几个月技术，再尝试做项目。现在完全可以先选择一个真实需求，让 AI 辅助开发，在过程中不断理解代码、补充知识、测试结果。 但前提是不能只会让 AI 写代码，自己却连系统为什么这样设计都解释不清楚。 AI 可以加快开发速度，但你对系统的理解、技术判断和问题定位能力，依然需要自己建立。 我现在不想追求会多少个框架，而是希望自己真正做完几个能够交付的项目。 因为技术栈会变，框架会更新，模型可能几个月就换一代，但理解需求、分析问题、设计系统、验证结果这些能力，不会那么容易过时。 对于我们这些非科班、又想进入 AI 行业的年轻人来说，可能更应该减少无目的地学习，多做真实项目，遇到问题再回头把基础补扎实。 最后也想问问大家：如果一个人准备在 2026 年从零开始学习编程，目标是成为 AI Engineer，你觉得他应该先花半年系统学习计算机基础，还是直接借助 AI Coding 做项目，在实践中补齐知识？ 我自己现在更倾向于后者，但前提是不能把基础跳过去。

Al won't replace jobs. It will create new ones." Okay. Name one.