Dohn

前大厂工程师 · 现美国创业
中文区 AI / 硬科技观察
工程视角，只写可验证的判断

[山景城小路 @Zen_with_AI]

🧵 硅谷码农转行空调维修（𝐇𝐕𝐀𝐂）实战指南

1
先说现实：圣何塞 HVAC 技术员平均时薪 $𝟑𝟒-𝟑𝟕（年薪约 $70K），新手 $25-33，有经验 $37-55+。
跟码农 $300K-$1M 总包比
HVAC 赚的是辛苦钱，不是"高薪"。

2

① 社区大学证书：1-2 年（可兼职），$𝟐𝐊-𝟓𝐊，适合边上班边试水
② 私立技校（如 SJVC）：10-15 个月全日制，$𝟐𝟏𝐊-𝟑𝟏𝐊，适合快速全职转行
③ 工会学徒（UA Local 393）：5 年带薪，，适合要稳定、能等

3

• 𝐒𝐚𝐧 𝐉𝐨𝐬𝐞 𝐂𝐢𝐭𝐲 𝐂𝐨𝐥𝐥𝐞𝐠𝐞（首选）：制冷暖通证书/副学士，$46/学分，总花费约 $1.5K-2.5K，有夜课
https://t.co/YApc9XVX8T
• 𝐒𝐉𝐕𝐂（私立）：证书约 $21K/40 周，副学士约 $31K/60 周，贵但快
• 𝐔𝐀 𝐋𝐨𝐜𝐚𝐥 𝟑𝟗𝟑（圣何塞工会）：https://t.co/MvIf0lQ1b8 申请，5 年带薪学徒，一年只开一两次申请，先去官网盯着
https://t.co/UdUXxbIBLN

4
关于证书：
① 𝐄𝐏𝐀 𝟔𝟎𝟖（联邦强制）：接触制冷剂必须有，考 Universal 级，自学 2-4 周，$25-120
② 𝐍𝐀𝐓𝐄 认证：行业含金量最高，约 $25/门，找工作加分
③ 𝐂-𝟐𝟎 执照：4 年 journeyman 经验 + 两门考试（72 分过）+ 申请费 $450 + 执照费 $200 + $25K 保函。给别人打工不需要，自己接$𝟓𝟎𝟎 以上的活才必须考

5（从零开始）

0-3 个月：考下 EPA 608；报名社区大学或投工会学徒；买基础工具（$500-1K）
3-12 个月：边上课边做 helper/installer，时薪 $22-30
1-3 年：独立 service tech，$33-45/时薪，考 NATE，选专项
4-5 年：攒够经验考 C-20，$45-55+/时薪
5 年+：开公司或做专精方向

6 别浪费编程的本事

• 楼宇自控（𝐁𝐀𝐒/𝐁𝐌𝐒）：商用楼 HVAC 全靠自动化，会编程学这个比老师傅快得多，时薪最高的细分之一
• ：加州推建筑电气化，懂电路 + 会算负荷（Manual J）的人稀缺
• ：自己写调度系统、做 Google 本地 SEO、跑广告大多数 HVAC 小老板一窍不通
• ：Nest/Ecobee 全屋方案，打包卖高端住宅

7

① 技术线：installer → service tech → 商用/BAS 专家 → 技术主管，年薪 $𝟕𝟎𝐊 → $𝟏𝟏𝟎𝐊+
② 老板线：考 C-20 → 一人公司 → 3-5 人团队 → 轻商用，做好年入 $𝟏𝟓𝟎𝐊-𝟑𝟎𝟎𝐊+
③ 混合线（最推荐）：白天做 BAS/热泵专家拿高时薪，副业攒客户，4 年后 C-20 一到直接单干

8/8

1️⃣ 查 SJCC 下学期课表和注册截止日
https://t.co/YApc9XVX8T
2️⃣ 去 https://t.co/rq7QUeMfJl 和 https://t.co/MvIf0lQ1b8 看学徒申请开放时间，先排队
https://t.co/UdUXxbIBLN
3️⃣ 买本 EPA 608 题库开刷，2 周内把 Universal 考下来

[Pure Nomad @realPureNomad]

白宫晚宴现场演唱的歌曲是「悲惨世界」里面的法国大革命歌曲「只待天明」和「Do You Hear the People Sing?」

[viggo @decohack]

刚发布的Opus 5.5确实很牛逼，给我的产品 https://t.co/XMW1p8gMes做了一个宣传视频，是真的太强了！几分钟搞完，我是有点惊呆了🤯

[Dohn @realDongTang]

Meta AI / Muse 邀请活动，新用户加入后 48 小时内在设置里兑换，双方各得 10 亿 Muse token。邀请码: PKHZG5

不用邀请码少10亿token。

[旺旺 @TiagerBao]

100 万+行代码，从 Zig 迁移到 Rust，Anthropic 把背后的 Claude Code 方法开源了。

项目叫 code-migration-kit-with-claude-code。

这套方法参考了真实生产迁移，包括 Bun 的 1M+ 行 Zig→Rust 项目。

它不是让 Claude Code 一口气把整个仓库翻译完，而是把迁移拆成 6 个阶段：

建依赖图和迁移规则
用难文件先压力测试规则
并行翻译全部代码
统一编译，把错误变成修复队列
跑最小端到端测试
和旧实现逐项做行为一致性验证

其中一条规则很关键：

只要两个 Agent 可能给出不同答案，就先写进 RULEBOOK.md。

真正开始迁移后，每个单元也不是交给一个 Agent 就结束，而是：

Implementer + 2 个 adversarial reviewer + fixer

先翻译，两个独立 Reviewer 找问题，再让 fixer 修。

编译也不是几十个 Agent 各跑各的。

整个仓库统一做 survey build，把错误整理成机器可读队列，再按模块分给 fixer。

验证阶段更重要。

如果原来的测试不能直接复用，就要在迁移开始前建立 parity harness，同时运行旧代码和新代码，对比行为。

README 里有句话说得很直接：

No judge, no exit condition.

另外，大规模迁移的成本也不能忽略。

官方提醒，生产级迁移可能在两周内消耗 数十亿 input tokens，预算应该直接按：

工作单元数量 × 单元成本

来算。

这套流程比较适合 Zig→Rust、Python→Go、C/C++→Rust 这种整个代码库都要换语言的项目。

JavaScript→TypeScript 这种可以渐进迁移的场景，Anthropic 自己都说多数情况下没必要搞这么重。

我觉得这个项目最值得看的不是那几个 Prompt，而是怎么让一群 Claude Code 同时改大型代码库，还能保证最后的结果可验证。

Agent 可以并行，规则和验收标准必须先统一。

GitHub：https://t.co/gM7bfagX8G

#ClaudeCode #Anthropic #Agent #OpenSource

[烁皓 @eternityspring]

MiniMax H3 基于 Qwen image 2.1 生成的角色图、分镜图
一镜直出 15 秒、16:9、24fps
零token成本，只用几毛钱电费出的视频可还行？

[Andrew Ng @AndrewYNg]

The loudest voices stoking fears about AI dangers have made tremendous headway in the past two weeks. AI technology has not taken some unexpected, dangerous turn, but the hype around it — propelled by what appears to be a well orchestrated PR campaign — has drummed up considerable fear. I worry that it represents a setback for our field.

I have written frequently that fears of AI are overhyped. AI’s capabilities can be uncannily human-like and unpredictable, and it’s rational to worry when people who are directly involved express concerns. But I see the problems as a sign of the engineering work that ahead, rather than insurmountable barriers or the sky falling. AI technology continues to advance — which is a good thing! — but technical advances, poorly understood by the public, give those who seek to generate hype repeated opportunities to do so.

First, I don’t see any step up in the risk of human extinction from AI compared to a few months ago. The theories about this remain the same fantastical, science fiction scenarios as a few months ago. The biggest change in AI risk is its cybersecurity capabilities — a topic which we should take seriously — but this, too, will not lead to the end of the world.

The most notable recent event leading to increased fear was when an OpenAI team deployed an agent swarm that hacked into Hugging Face. Much of the popular press contained significant hype. For example, some publications reported that a swarm of 1,200 agents carried out the attack. While this was technically accurate, as I write this, I have about 1,300 processes running on my laptop. Yes, the ability to get large swarms of agents to work in parallel on a task is a significant technical advance, And, in computing, many processes run at the same time. So this shouldn’t be seen as some magical capability.

Additionally, OpenAI’s buggy sandboxing and monitoring processes were key to enabling this incident. Fixing these bugs and putting in place improved monitoring would be appropriate fixes, not pausing AI. There are many well known ways to attack software systems. The main advantage of AI agents is that they are relentless. They will tirelessly try many tactics — and have the patience to chain vulnerabilities together — that previously would have taken an infeasible amount of human effort. But in the long term, I believe the advantage will lie with defenders (because they have more information with which to identify bugs, which they can fix), but the cyber-threat landscape has changed significantly. There are still bottlenecks to identifying and exploiting a vulnerability. AI agents still have to try a lot of things to see what works, and taking these actions takes time and might be detected by defenders. This is why, even though it is now easy to obtain versions of leading open weight models that have had their guardrails removed or weakened, so they will not refuse to try to execute cyber attacks, the world has not ended.

I am also concerned about the anthropomorphization of AI in a lot of reporting, where LLMs and agents are unnecessarily treated as if they were people. If I wield a hammer, miss a nail, and accidentally dent the wall, it’s not the fault of the hammer. The problem lies in how I used the hammer. Similarly, if I prompt an agent and it hacks into someone else’s system, the responsibility lies with me, not the agent.

Of course, we want to build systems that are as safe and predictable as possible. (For example, an unsafe hammer would be one whose head randomly flies off under normal use.) Today’s agentic systems are not predictable, but I see no reason why, by applying sound engineering practices, we won’t be able to make them extremely safe to use. One new element in the forecasts of AI-enabled doom is AI companies disclaiming responsibility for their own products. “I didn’t do it; my out-of-control agent did!” There’s a balance to be struck between the responsibility of the tool maker and the tool user, but when something goes wrong, let’s hold the people building and/or using the hammer responsible, rather than the hammer. (By the way, if you’re worried about AI bioweapon risk, David Bellamy has a great post on why this, too, is overhyped. Briefly, the bottleneck in building a bioweapon is not intelligence, but lab work and manufacturing.)

Pausing AI progress will create much more harm than benefit. First, our adversaries will certainly not slow down. Second, engineering requires discovering problems empirically so we can fix them. If we pause AI by a decade, we will also delay finding and implementing safety engineering fixes by about the same duration.

Of course, the incentive to stoke fears — for regulatory capture, to garner attention, or to make one’s technology seem more powerful — remains the same as before. Disclaiming responsibility is a new one. Taking a hard technical look at the actual risks however, I see little factual basis for the degree of fear that’s been stoked up. We still have hard research and engineering work ahead to improve AI safety, but the beneficial applications continue to vastly outweigh the risks, and we should keep building.

[Original text (with links): https://t.co/jni2tWazAH ]

[Ian (伊恩) @ianneo_ai]

Beautiful UI 这个库太懂 Agent 时代需要什么交互了：

把 AI-native 界面缺的成套组件做齐了

从思考与推理过程、人机确认卡片、工具调用，到任务状态行等，调成了极细腻的开箱即用组件

做 AI 界面建议存一下：
https://t.co/Hd7dLLFCX1

[Fini.Yang @FiniYang]

WC！我震惊瘫坐了兄弟们！
Qwen-Image-2.1 居然仅仅 7B ！
然后把 Nano Banana 踩在脚下了
我已经测了好几轮
下载连接和效果都放评论区了 ⬇️
#ai生图 #aigc

[AI超元域 @AISuperDomain]

丢进一段爆款视频，AI Agent 就能直接克隆出整套制作工作流，并一键生成 100 个视频变体。

并非单纯的“AI 写脚本文案”，而是涵盖换脸、台词对齐、B-roll 和特效的完整工业流水线。

开源项目 Hypit 为 Claude Code、Codex 等编程智能体提供了一套视频构建系统。它改变了手动剪辑的逻辑：

• 词级锚定：所有画面与特效直接对齐具体“台词词汇”，而非时间轴上的固定秒数。修改哪怕一句文案，整体时间也会自动重排。
• 极低成本：无需每月高昂的商业平台订阅费，跑通一条包含画面生成、语音和字幕的完整视频实测成本约 $1（纯代码渲染模式可达 $0）。
• 终端无缝集成：通过 npx skills add hypit-ai/hypit -g 即可安装，直接通过 /hypit 唤起智能体干活。

如果你在做 TikTok 矩阵带货、播客切片或出海广告，只要跑通一个高转化的基础模版，后续每天只需替换产品 SKU 或语言，就能完成极低成本的规模化铺量。

项目地址：https://t.co/SOsc0nFckD

[山羊赚钱笔记 @shanyanggm]

卧槽兄弟们，GitHub 上真的有一堆免费到离谱的项目。

很多能力已经能直接干掉你正在月付的软件。

1. TradingAgents
AI 多 Agent 量化交易框架
https://t.co/3T1sPPQ6TL

2. LibreChat
一个界面接入 ChatGPT、Claude、Gemini 等多个模型
https://t.co/HZJQEij5h1

3. HyperFrames HeyGen
开源的视频生成引擎
https://t.co/o0OnS8iJMG

4. Fincept Terminal
开源版彭博终端
https://t.co/n5COGtvHc4

5. MoneyPrinterTurbo
AI 一键生成短视频 https://t.co/Po8sGObI7q

6. Agentic Inbox Cloudflare
开源 AI 邮件助手
https://t.co/S7XDWi1yTD

7. VoxCPM
AI 声音克隆工具
https://t.co/wkSGMchuq2

8. Flowsint
开源 OSINT 情报分析工具 https://t.co/RwFvhurB0P

9. agent-skills
Claude Code 技能库 https://t.co/c2NifSzKM1

10. Nango
开源 API 集成平台
https://t.co/tNbwrMEzZn

兄弟们，这些真不是玩具项目。

很多你还在交月费的软件，GitHub 上已经有人做出开源平替了。

一句话：

别只会收藏 AI 工具网站了。

真正狠的东西，很多都藏在 GitHub 里。

[LanfAI @Huahuazo]

做产品视频这事，以前要么自己熬夜剪辑，要么花钱外包，一套流程下来人力成本高得吓人。

现在有个开源项目video-shotcraft，直接把这个环节交给AI代理来做。

它的玩法很简单：把仓库链接丢给Claude Code或者Codex，代理就会自动帮你搭分镜、上动效、配音效，最后产出成片。资源库挺厚实，157张分镜卡覆盖214种动效风格，还自带一个叫Ink Press的现成模板——36秒、1080P、拿来就能用。
如果后期想微调，还能导出成剪映草稿继续改，不锁死工作流。

想先看效果的话，官方Gallery里有214个动效预览可以在线翻：
🔗 https://t.co/SV3UMhzN9l

项目地址：
🔗 https://t.co/2owzjLPA80

[超级个体 Austin @austinit]

魔改了一下英伟达团队的最新成果Sol-H3-Spark，让原本需要100G显存才能跑起来的模型，在 单卡 4090成功运行，并且生成 5 秒的 720p 视频只需要推理 50 秒左右，保留大部分效果。

关键思路是MiniMax H3 生成的384p潜空间草稿，交给LTX 2.5 进行去噪和高清化，两种模型使用特殊的桥接器粘接。充分利用了MiniMax 的运动和其他优点，又同时利用了LTX生成速度快和高清的优点。并且支持了原生的音频驱动生成，使其可以实现数字人或者MV效果。

[huangserva @servasyy_ai]

又给你们挖到一个宝!
H3 能出任意时长的视频了, 一张 4090 就能跑。

准确说,是有人用 ComfyUI 插件做出来的 : ComfyUI-MiniMaxH3-TimelineDirector。

思路是把目标时长拆成多段, 一次执行里逐段生成再缝合:同一个种子, 上一段 AV Latent 的尾部直接接到下一段开头,重叠帧自动去掉,音画一起合并。

官方 demo 一次跑出 52 秒 / 1263 帧 / 24fps。

但是有三个坑:

H3 原生不支持长视频,底层还是分段续接
作者自己承认长链会漂移,只建议同镜头对照测试
你填 48 帧重叠,实际会被对齐成 39 帧

GPL-3.0 开源。用得好记得给⭐️👇
https://t.co/sXda9Efvuh

[因冷丨yinlr @yinlrr]

大家都知道韩国人学英语效率很高，而且韩国的英语APP做得比大陆好很多

这是一位在加拿大的开发者做的，在韩国火了。名字叫ENGSENCE，安利一下

https://t.co/XS8P9sefzD

[Hux @huxlab]

今晚别刷Netflix了。

去看这个Google Cloud工程师台上26分钟的现场开发。

这是我见过最清晰、端到端讲透：一个人怎么用Claude把完整应用从零做到上线的课。

从手绘草图开始，一路到线框、Plan Mode、并行子Agent、安全审查、Cloud Run部署。讲完，全场已经在给他的课打分——因为那个反馈应用，是当场跑起来的。

真正核心就这几层：

1. 先当产品：草图进模型，先出线框，再决定做什么

2. 再当设计：Plan Mode把组件想清楚，再动手写

3. 然后当研发：子Agent并行拉起Cloud Run、Firestore、BigQuery

4. 上线前当安全：/security-review抓住缺校验，改完再发

5. 最后当增长：现场数据进看板，观众评分实时出来

大多数团队要排期一周的链路，他压进同一次会话。

把时间空出来，这可能是你这个月最值的26分钟。

[Lonely @Lonely__MH]

🎉视频 AI 剪辑省 Token 组合： Antigravity + ChatCut ! ！

gemini 3.8 flash 的速度 和 token 消耗

得天独厚，为所欲为！！

比 Codex 操作快多了！太爽了！

🔥方法如下：
将提示词发送到 Antigravity 对话框即可
---
连接到此电脑上的本地 ChatCut Desktop MCP 服务器。

使用以下确切命令或可执行文件注册名为 `chatcut_desktop` 的 stdio MCP 服务器：
"/Users/{你的用户名}/Library/Application Support/ChatCut/chatcut-mcp"

注册后，请验证 `chatcut_desktop` 已启用且可被发现。然后启动一个新的 Agent 对话，以便使用该连接。
---

灵感来源： @johnAGI168

[Ian (伊恩) @ianneo_ai]

现在大家用 Cursor、v0 搓前端，最大的痛点其实是审美词穷

脑子里想要那种 Awwwards 获奖网站的丝滑微交互，跟 AI 描述了半天要高级、要灵动，生成的依然是千篇一律的粗糙卡片

翻到 Cue

作者把顶级设计站里的动效和 Hero 流程一个个扒下来，给每个组件写好了一套专门喂给 Cursor、v0 和 Claude 的 Prompt

相当于给 AI 找了个资深：不用你费劲想提示词，直接复制过去，AI 就能顺着高水准的动效参数和布局规则去写代码

写代码的门槛拉平后，拉开差距之一的，就是谁手里握着更高品位的审美提示词

https://t.co/GwFEHFX5gY

[John @johnAGI168]

剪映可以退出历史舞台了！

AI 剪辑已经达到专业剪辑师水平，几乎零成本 AI 剪辑方案，Antigravity ➕ chatcut 完美配合，不用担心 Token 不够用。

chatcut 接入 Antigravity ，使用 Gemini 3.8 flash 模型是又快又稳！

[Phoenix Yin @Phoenixyin13]

斯坦福大学课程最大的特点就是时效性。

CS329Z｜Engineering AI Agents
今年秋季首开的 required reading 里，arXiv 编号有 2601、2603 开头的。
几个月前才挂上去的 preprint直接进教学大纲。MCP 的 spec 是指定阅读。
而Anthropic 的工程 blog 和 NeurIPS 论文被并排放在同一行。教材的出版周期是两三年,在这个领域等于已经无法跟上时代。

作业同理。
HW1 先用 litellm 从零搭 agent，用 DSPy 重搭一遍，反思框架到底抽象掉了什么。HW2 直接扔给你一个现成 agent，让你设计整套评估。全程没有一节课在讲Transformer 的结构是什么，只看hardcore。

我认为评估部分即第 7–9 周的内容是稀缺的东西。搭 agent 的教程满地都是，而怎么知道这个 agent 到底行不行的部分几乎没人教好。Stanford这门课回应了这点。

多说一句，其实HW2 的题目设计可以直接拿来自训的。给一个现成 agent,设计完整评估套件 外加error analysis。不选课也能做，而且做完，我相信是能写进申请材料的。