原文：https://mp.weixin.qq.com/s/Map66O40AQyah05Je8WRDA
1. ADAPT 方法论
1.1. 觉察 Awareness
-
深度的自我反思：我建议你每天花15分钟思考一个问题："今天我做的哪些工作是AI可以替代的？哪些是AI无法替代的？"这个练习会逐渐帮你建立对自身价值的清晰认知。
-
主动观察技术趋势：不要只关注具体的AI工具，而要理解背后的趋势。比如，GitHub Copilot的成功不仅仅是因为它能生成代码，更重要的是它改变了"编程即思考"的传统模式，变成了"编程即对话"
cococat：我理解这个例子不太合理。思考依然很重要，对话只是交互形式。但是原作者的想法是对的，需要思考新技术热度表象后面的深层趋势
-
主动参与讨论：试着发表观点质疑流行看法
1.2. 解构 Destruct
-
技能审计：创建技能清单，按下列维度评估
- 自动化风险：AI 在未来2-5年内替代这项技能的可能性
- 市场价值：在职场上的稀缺性和重要性
- 个人优势：在这项技能上相对于他人的竞争优势
- 发展潜力：这项技能未来的成长空间
-
价值迁移分析：识别出哪些技能可以“升维”，从技能变化为思维模式，认知能力，对领域、体系、架构的深度理解
1.3. 获取 Acquire
有策略地学习新技能
- 费曼学习法：模拟对外行人简单讲述，发现知识漏洞并补缺
1.4. 练习 Practice
- 刻意练习新技能：写一些 demo，从需求分析到部署上线，全程记录 AI 的贡献和局限性
- 反思：哪些环节 AI 表现出色？哪些环节你的人类判断是关键的？
- 寻找伙伴
1.5. 转化 Transform
cococat：这个就是个听起来 fancy 的结果，所谓的身份转变，从开发者变成“擅长系统设计与 AI coding 的专家”
2. 现实落地中的问题
2.1. 老工程的问题
- 技术债
- 缺乏模块设计、性能优化背景
- 缺乏文档或注释描述某些“奇怪代码”背后的原因
……最终导致 AI 接入效果不佳。所以我们要的是一个新的面向 AI coding 的软件工程体系。
2.2. 信息的层次化存储与检索
cococat: 作者列举了 6 点思考，我理解这中间最重要的部分是信息存储。
信息可以分为三层：
- 低层级：项目知识，即架构决策、技术选型等
- 中层级：领域知识，专业知识、行业最佳实践、历史经验等
- 高层级：原则知识，基础设计理念、质量标准
在 AI Coding 的实践中，应当为每个层次建立相应的管理机制。项目级知识通过"架构决策记录"来维护，领域级知识通过"模式库"来沉淀，原则级知识通过"设计准则"来传承。AI 在参与开发时，可以从这个分层知识体系中获取必要的上下文信息。
同时要建立知识的动态更新机制。在快速迭代的项目中，某些技术假设和业务逻辑会频繁变化。需要建立机制来及时更新 AI 的上下文知识，避免它基于过时信息做出错误判断。
3. 其他金句
这需要我们学会一种新的"双语能力"：既能用人类的方式思考问题，又能用机器能理解的方式表达问题
