Agent 原生时代的职业原则
来自 Phil Chen (@philhchen)——曾历经 Helm AI → Scale AI → DeepMind → OpenAI → 创始人的完整轨迹，在全员使用 Coding Agents 的公司中重新思考什么职业技能真正有价值。
Source: 2026-07-05-x-x-com-philhchen-status-2072793818945167475-s-46（来源未公开）
核心前提
“AI models get better at anything you can write a loss function for, and school is mostly loss functions.”
学校里的一切——考试、作业、LeetCode——都是定义明确、有标准答案的问题。这类问题正是 AI 最擅长的。因此：
下一个十年最有价值的工作，是所有无法在模型训练周期内被评分的事情。
六大原则
1. 专注真正稀缺的资源
资本比以往任何时候都更容易获得。真正稀缺的三件事是：
时间 · 真实关系 · 声誉（Time · Relationships · Reputation）
- 过去声誉与人脉靠积累，AI 时代这一逻辑更加放大：顶尖候选人仍通过相互信任的人脉网络传播
- 不要为了短期多赚现金而牺牲社群、学习机会和高质量的人际连结
- Phil 自己拒绝了薪酬更高的量化 offer，选择 Scale AI，正是因为社群与曝光的长期复利远超差价
2. 学会找问题，而不只是解问题
在 Agent 原生公司，面试不再测 LeetCode，而是测：
- 能多快理解你被放入的环境？
- 能识别出哪些问题值得解决？
- 在现有约束下能不能真的推进到结果？
“最重要的技能将是与问题选择和资源分配相关的技能。”
Agent 可以承接定义清晰的复杂问题；人类的稀缺价值在于判断哪些问题值得 Agent 去解，以及如何分配 token 和时间。
表现优秀的候选人：有自己的热情项目，或曾在问题数量远超人手的高速成长公司工作过——主动浸泡在问题识别的环境中。
3. 选择问题的最雄心勃勃形式
Bitter Lesson 在职业选择上的应用：通用方法的规模化，长期优于任务特定的优化。
- 公司与职业历来有幂律分布，AI 加速了这一极化
- 软件构建变廉价，任何人都能做出简单系统；真正耐久的价值只在极度专注于真正雄心勃勃的问题时才被创造
- 选公司的原则：是否在做该问题最雄心勃勃的形式？他们真的有机会解决它吗？
- 选角色的原则：该角色是否让你直接工作在公司解决问题的前沿？
4. 冲刺最后一英里
Alfred Lin: 最后 10% 的工作，占了 90% 的总工作量，也占了 90% 的回报。
AI 极化了结果：中位数的结果就是 Agent 用草率 prompt 产生的东西。价值来自：
- 对一小片问题提供独特视角，或
- 极致的细节打磨（注意力）
迭代是关键：第一次产出几乎不会完美，最后一英里总是关于迭代。由于 Coding Agents 进步太快，有时最好是从前一轮的学习出发，用下一代模型从头来过。
5. 同时提升 xG 和效率
xG（expected goals）：足球中衡量球队基于机会质量应得进球数的指标。
在职业上的类比：
- xG = 你看到高质量机会的频次，由声誉和专业度决定
- 效率 = 在这些机会中真正转化为”进球”的比率
Phil 曾两次拒绝 Anthropic 和 Cursor 的 offer（分别在 50 人和 2 人阶段），选择了更符合自身目标与文化契合的路径。他的结论是：机会来来去去，但长期积累的声誉与专业度才是稳定的 xG 基础。
不要只看现有产品，因为如果团队足够好，产品几乎总会演化成截然不同的东西（Anthropic 早期 demo 只是一个比 ChatGPT 更差的 Slackbot）。
6. 现在就可以进入研究领域
研究是一种心态，不是一种职业。
“Being a researcher is a mentality, not an occupation.”
一个前沿研究者的工作组成：
- 足够好奇以探索新想法
- 与基础设施搏斗来实现想法
- 对完整系统的极致理解，以高效调试
- 清晰阐述结果的价值，以争取更多算力
这些事你不需要在大厂才能做：
- 用模型并把直觉蒸馏成评估（Evals）
- 参与公开的优化 Leaderboard
- 使用 Modal 等平台的学术算力额度
AI 时代求职战术：2Sum 双指针与选公司金律 (Job Hunting Tactics & Filters)
在 AI 推动的人才市场变革期，求职者需要系统化的战术工具箱与清晰的漏斗筛选：
1. 2Sum 双指针投递战略 (Two-Pointer Search)
求职动作应将“粗放”与“精细”两类完全不同的时间线并行调度：
- 左指针（大盘粗放扫网）：在 LinkedIn、Boss直聘、猎聘、公众号等大盘渠道进行批量粗放投递，确保不漏掉大规模招人的基盘机会，用 Inversion（逆向不想要清单）快速做第一轮硬性过滤。
- 右指针（垂直精细围猎）：深入研究特定行业趋势，对筛选出的 3~5 家极具 Conviction 的目标 Startup 进行极精细调研，剖析岗位说明、业务逻辑与自身优势（如跨学科交叉能力、英语水平与国际化背景），进行有准备的定向狙击。
2. Where：前沿优质 Startup 的发掘渠道
优质的早期/中期前沿 Startup 往往极少在常规招聘大网公开招人，需通过以下渠道定向检索：
- 风投机构投后版图 (VC Portfolio & Blogs)：追踪顶级硬核风投（如 Sequoia Capital, a16z, Benchmark, Redpoint）的 Portfolio 页面。特别关注 Y Combinator (YC Launch) 平台与 YC Work at a Startup 招聘库。
- 技术开源生态与榜单 (GitHub & Leaderboards)：紧盯 GitHub Trending 榜单、Hacker News、Verve 以及 Hugging Face 技术榜。观察哪些新兴开源项目正在被全球开发者高频提交 PR 并建立口碑，顺藤摸瓜寻找其背后的核心团队。
- 推文与小众社群 (X/Twitter & Newsletters)：关注前沿 AI 研究员或创始人的 Twitter/X 链条，顶尖的岗位与合作机会大都依靠信誉与声誉网络率先非正式传播。
3. What：前沿公司筛选的四大基本面金律 (Company Filter SOP)
选择投身或个人投资未上市公司时，应用以下四条标准进行强力过滤：
- 赛道爆发临界：公司必须处于临近爆发期的 AI 基础设施、前沿应用或高壁垒硬件赛道。判断其属于竞争温和、能迅速获取现金流的“浅海赛道”，还是德扑式高额盲注的“深海无限战争”。
- 组织极度扁平：尊重个体能动性（Agency），扁平化管理。团队规模必须极其精简（如 Telegram 的 30 人奇迹），避免大厂分工对个人才华的碎片化异化，从而倒逼自己快速向“全栈 Builder”和“AI 编排器”上移。
- 真实变现逻辑：业务必须具备真实闭环的商业化变现逻辑与强劲现金流，而非依赖 VC 输血的纯烧钱泡泡。观察产品是否在 Onboarding 注册阶段就敢于直接弹窗付费。
- 愿意自我掏钱投资：评估如果有可能，自己是否愿意作为天使投资人个人出资 10 万元购买该公司的股份——这能从侧面最真实地检验你对该公司底层核心质地的 Conviction（信念度）。
4. Apply：右指针精细狙击与“证据第一”敲门法 (Cold Outreach & Evidence First)
- 绕过 HR，直达决策人：对于筛选出的目标公司，绝对不要通过一键投递。直接通过 Twitter DM、GitHub 或是工作 Email 联系其创始人、合伙人或 Tech Lead。
- 寄送“工作证据 (Evidence)”而非求职简历：在信件中彻底戒断空洞吹嘘，直接向对方展示你为他们项目做好的微小工作成果：
- 为他们的开源项目提交一个实实在在的 Bug 修复 PR；
- 为他们的产品撰写一份 1~2 页、极具痛点的 “1% 产品体验优化与竞品分析建议书”；
- 用他们的 API 配合你的技术栈，在周末手搓一个新颖的冷启动辅助小 Demo。
- 模仿巴菲特早期自我推荐的例子，用高质量的“主动价值产出”代替被动等待招聘 HC。
- 展示双向投资心智：在沟通中体现出“双向投资（Investment）”的平等姿态（评估一两年内双方如何给彼此带来长期相互增益），而非急于混口饭吃的“期现交易（Transaction）”。
Source: 2026-07-15-xiaohongshu-xhslink-com-o-727AnOInB3T（来源未公开）
与其他框架的关联
- moving-up-the-stack：开发者角色向”审查意图与设计取舍”上移，与第 2 条”找问题”高度一致
- sdlc-bottleneck-in-ai：SDLC 瓶颈已转移至规划/架构与验证，印证了”问题选择是核心技能”
- passion-as-byproduct：第 3 条”最雄心勃勃的问题形式”与 Bitter Lesson 类比，都反对短视的优化
- career-development：6 条原则是对”如何在 AI 时代定位自己”的综合操作指南
- mecha-goliath-and-agentic-feedback-loop：亚历山大·王提出的“机甲歌利亚”模型，论证了智力与能动性通缩下，愿景、野心与反馈回路架构才是最核心的资产
- alexandr-wang：Scale AI 创始人兼 Meta 前沿实验室负责人，强调人才密度与内部指南针对穿透周期的重要性
7. 拒绝假想恐惧，聚焦真实产业价值交换
Source: 2026-09-01-note-这篇内容和你现在的状态确实很贴-19280e27be.md（来源未公开）
在 Agent 浪潮中，不可盲目追随概念热点，而需用“商业交换三问”（解决痛点、客户买单、长期抗替代）审视自身在 Applied AI 与 Agentic Workflow 中的独特生态位。