这集讲什么
借上海首届 AI Engineer 大会之机，Latent Space 主理人 swyx 回顾了如何从公开学习建立媒体与工程师社区，并用一场「复刻 SaaS」竞赛讨论：当软件更容易被制造，真正稀缺的是什么？
1-3要点
- AI 工程师的核心不只是会调用模型，而是能构建、验证并维护投入实际使用的系统。
- 软件生产成本下降，不会消除选择成本：企业仍须判断哪些流程值得自建，以及谁负责后续运行。
- 自动评测必须与目标相称：判断「是否合格」和判断「哪款最好用」是两项不同任务。
播出信息
- 日期：2026-11-04
- 时长：4344 秒（72 分 24 秒）
- 主持与嘉宾：Galen Gao 采访 swyx（Sean Wang）
- 英文转写来源：youtube-captions
- 音频：收听
- YouTube：观看
- Episode：节目页面
背景
这是一集围绕 AIEi Shanghai 展开的对谈。swyx 创办 Latent Space，并推动 AI Engineer（AIE）大会；他强调，上海站并非由他从海外「带来」，而是由本地合作团队主导落地。访谈因此既是一次主理人回顾，也是一场关于中美 AI 工程社区如何交流的讨论。
本集反复出现的一个问题是：模型能力提高以后，谁来决定它进入什么工作流程、如何接受检验，以及最终由谁负责？这也是 swyx 用「AI 工程师」而非单纯的模型研究者来组织大会的原因。
总结分析
这集最有价值的地方，不是宣告某项技术即将取代另一项技术，而是把 swyx 的媒体、会议与软件实验串成一条线：先公开记录自己的学习，吸引能纠正和补充自己的人；再为实际构建 AI 产品、并对故障负责的工程师建立共同身份；最后把会议产生的演讲、工作坊与人物资料整理成可检索、可供模型使用的知识资源。上海站采取本地团队主导的合作方式，也延续了同一思路——全球品牌提供传播渠道，具体社区仍须由了解当地的人建设。
「Kill My SaaS」则给这套理念提供了尖锐的商业测试。swyx 不满现有会议软件昂贵、改动缓慢，于是以奖金征集替代实现。他看到的机会不只是节省订阅费，更是让一家企业按自身流程改造软件；但评测耗时、参赛作品质量参差，也说明「生成得出来」与「长期用得好」不是一回事。由此延伸到 Jev 的小型决策模型、产品品味与出海营销，主线逐渐清楚：模型降低了实现成本，却把选择问题、验证问题和责任问题推到更显眼的位置。谈到交互模型与安全风险时，节目又从眼前可验证的产品实践转向远期预测；听者需要保留这种证据层级的区别。
节目结构 / 议程
- 上海站是谁办起来的 — 00:00 🎧 · ▶️
- 从金融转向科技：公开学习改变了什么 — 03:28 🎧 · ▶️
- Latent Space 最初只是一份博客 — 10:54 🎧 · ▶️
- AI 工程师：一个岗位名称，也是一种责任 — 13:05 🎧 · ▶️
- 会议既是现场，也是可查询的知识资源 — 25:10 🎧 · ▶️
- Kill My SaaS：为什么花钱请人复刻软件 — 29:57 🎧 · ▶️
- AI 评委能筛资格，未必能选出最好产品 — 39:31 🎧 · ▶️
- Jev：让模型像条件判断一样进入程序 — 46:45 🎧 · ▶️
- 写作、出海与品味：尽早决定为谁构建 — 52:49 🎧 · ▶️
- 上海与旧金山：不要把一地的采用路径当成全球路径 — 1:03:29 🎧 · ▶️
- 交互模型与安全：从产品想象转向高不确定性风险 — 1:07:35 🎧 · ▶️
- 推荐、排名与上海站的后续期待 — 1:10:02 🎧 · ▶️
分节详解
1) 上海站是谁办起来的 — 00:00 🎧 · ▶️
💬 他们说了什么：开场将 AIEi Shanghai 介绍为 AIE 在中国的首站，并感谢本地合作团队及长期将节目译成中文的听众。正式访谈中，swyx 纠正「你把大会带到上海」的说法：是上海团队把大会办在上海，他提供的是品牌与跨社区连接。
💡 为什么重要：这一区分决定了会议能否真正服务当地工程师。它既需要全球传播渠道，也需要熟悉本地组织、受众与议题的人负责现场。
⚡ 争议点：节目谈及中美之间的限制和线下交流机会，但「同处一个会议现场」不等于任何机构都可以绕过合规要求开展合作；具体边界须由相关方核实。
2) 从金融转向科技：公开学习改变了什么 — 03:28 🎧 · ▶️
💬 swyx 介绍自己在新加坡成长、赴美求学，先在金融业工作，后转入科技行业。他认为，金融知识往往因公开而失去交易价值，科技知识却常因分享、开源和纠错而增加价值。早期工作受挫时，他把精力投向写作与演讲，逐渐获得职业选择权。
💡 「公开学习」在这里不是每天发布心得，而是把可供他人检验的工作持续放到公共空间，让同行发现你的判断与能力。
⚡ 「金融零和、科技正和」是帮助理解其个人经历的概括，不宜当作两行业的普遍定律；公开分享能否带来机会，也取决于作品质量与持续投入。
3) Latent Space 最初只是一份博客 — 10:54 🎧 · ▶️
💬 Stable Diffusion 出现后，swyx 决定通过写博客学习 AI。Latent Space 起初只是他的分析与学习记录；随后，聚会、黑客松和访谈才陆续生长出来。他借此反对「必须先取得资格才能转行」的僵硬路径，同时强调努力不自动保证成功，仍要选对实质性问题并做好工作。
💡 这个起点解释了节目为何重视工程实践而非旁观式评论：内容、活动和人脉最初都来自对具体技术的持续研究。
⚡ 博客受到业内人士关注是他的个人经历，不能推导为「只要公开写作就会得到认可」；结果还受时机、选题和传播条件影响。
4) AI 工程师：一个岗位名称，也是一种责任 — 13:05 🎧 · ▶️
💬 swyx 回忆，黑客松上有人问非技术背景者怎样投身 AI，促使他思考工程师能够把模型编排进软件、并行运用大量 AI 系统的能力。他提出「AI 工程师」这一身份：工作不只包括模型训练，也包括检索、上下文、评测、记忆、编程智能体与运行框架。他认为，判断谁是工程师的一项朴素标准是：系统凌晨出故障时，谁负责修好它。
💡 职位名称把零散技能组织成可学习、可招聘、可交流的领域，也让真正实现和维护系统的人获得发言空间。节目所谈的 AI 智能体（Agent），正是这一领域持续变化的工作对象之一。
⚡ 他用技术人员与非技术人员的能力差距说明岗位需求，但「非技术人员最多只能改进提示词」说得过于绝对；产品、领域知识和组织设计同样可能影响系统成败。
5) 会议既是现场，也是可查询的知识资源 — 25:10 🎧 · ▶️
💬 swyx 把 AI Engineer 世界博览会类比为其他行业的旗舰会议，希望让实际做项目的工程师交流。按他的说法，活动原定目标为 6000 人，实际到场 7000 多人，另有 150 万线上观看量及约 30 个议题方向。他还表示，团队已转写、编目演讲与工作坊，并提供数据集及 MCP 等访问方式。国际站点则由本地团队筹办，合作条件包括品牌使用、内容发布和行为规范。
💡 一次演讲的价值不必止于会场。可检索的记录让无法到场的人学习，也让经验有机会进入后续的工具和研究流程。
⚡ 到场人数、观看量及数据集覆盖范围均为受访者自述；「可供训练」也不自动意味着所有内容都适用于任何训练或商业用途，使用前仍应检查条款与授权。
6) Kill My SaaS：为什么花钱请人复刻软件 — 29:57 🎧 · ▶️
💬 swyx 说，一场会议的预算约为 300 万至 1000 万美元，其中软件开支约 30 万美元。面对员工拟采购的一款年费约 4 万美元的软件，他提出 1 万美元奖金，请参赛者用开源方式做出符合团队需求的替代品。他称竞赛收到 69 份提交，约 5 份好到团队愿意付费；一个有说服力的改进，是把原本需逐项点击的投稿管理改成可在同一张表中排序——他们下一场会议约有 1000 份投稿，却只有 25 个席位。
💡 案例的核心不是复制界面，而是让企业不再为等待供应商路线图而调整自己的流程。编程智能体降低实现成本后，小企业也可能为「只服务自己公司」的软件付费。
⚡ swyx 也承认，维护成本不为零，参赛作品质量差异很大，成熟 SaaS 有时仍是更好的选择。能否替代，还取决于安全、稳定性、数据迁移和长期维护；访谈未提供完整的总拥有成本比较。
7) AI 评委能筛资格，未必能选出最好产品 — 39:31 🎧 · ▶️
💬 主持人发现 AI 评委的结果与团队选出的赢家不同。swyx 解释，自动评委原本只负责判断提交是否有效，并非评选最适合团队的一款；看到多种实现后，团队才更清楚自己想要什么。他说评测约花了 两个月，因为软件涉及组织者、演讲者、参会者、赞助商和供应商 五类角色。他又以曾从约 400 个设计方案中挑选 Latent Space 标志为例，说明竞赛能带来方案多样性。
💡 这是评测设计中容易忽略的一层：合格性可以较早写成规则，偏好却可能需要比较真实作品才能形成。自动筛选与人工选择回答的是不同问题。
⚡ 大量参赛者提供方案也意味着大量评测劳动；若把这种模式做成服务，平台还须解决报酬、知识产权、提交质量及对参赛者是否公平等问题。
8) Jev：让模型像条件判断一样进入程序 — 46:45 🎧 · ▶️
💬 讨论 Jev 时，swyx 将其描述为另一条 AI 工程路线：不总是围绕一个大型模型搭建复杂流程、等待它给出完整答案，而是把模型范围收窄到选择或概率估计，放进程序的关键路径。他认为「System One 模型」的意义，是让软件在许多具体决策点变得更聪明；相较单纯追求速度，可靠性更值得关注。
💡 这改变了开发者调用模型的位置。智能能力不一定只存在于侧边聊天窗口，也可以成为应用内部频繁使用、范围明确的组件。
⚡ 节目表达的是产品方向与设计理念，没有提供足以比较 Jev 与其他方案的统一基准。小模型能否承担关键决策，仍须按任务检查错误成本、延迟及可追溯性。
9) 写作、出海与品味：尽早决定为谁构建 — 52:49 🎧 · ▶️
💬 swyx 说，接触数十家公司让他得以比较不同情境，而不只从一家公司的经验归纳方法。谈到中国技术创始人出海，他主张在产品定义阶段就思考目标用户、他们如何描述问题，以及如何展示产品效果，而不是发布前才请人润色宣传稿。他把「品味」定义为：面对大量可能性，能较快、以较低成本缩小选择范围，最终做出回看时显得恰当的决定；随后以 Cursor 和 Legora 的工作流程设计举例。
💡 当实现变快，知道该做哪一种产品、向谁展示哪一种价值，反而更难外包给生成工具。演示也不仅是营销包装：好的演示会逼迫团队说清产品究竟改变了哪一步工作。
⚡ 「品味」的定义有启发性，却难事先测量；他对个别产品和创始人能力的评价属于主观判断，不应替代用户研究。
10) 上海与旧金山：不要把一地的采用路径当成全球路径 — 1:03:29 🎧 · ▶️
💬 swyx 期待在上海观察与旧金山不同的工具采用方式，谈到中国社区使用 ComfyUI、OpenClaw 的热度，以及中国 AI 社区的规模。他也认为，中国团队的技术成果要进入英语受众视野，不能只靠翻译：发布形式、演示方式和传播渠道同样重要。
💡 跨市场交流不是把同一份发布稿换一种语言。先弄清当地开发者实际使用什么、通过什么渠道学习，再组织双向展示，才可能避免各自只看见本地热点。
⚡ 访谈中关于「中国真正实行 996」、美国团队工作强度以及中国创始人的概括，主要是个人观察，不能代表所有企业或员工。有关比亚迪「正在占领美国」的说法尤其需要按产品、市场准入与销量数据核实。
11) 交互模型与安全：从产品想象转向高不确定性风险 — 1:07:35 🎧 · ▶️
💬 除 System One 模型外，swyx 尤其关注 Thinking Machines 所展示的交互模型：人和系统可以持续双向交流、互相打断并即时调整，而不必严格轮流发言。他还提到持续学习与世界模型。谈及担忧，则从 AI 行业可能遇冷，转向网络安全、生物安全及社会适应能力等更广泛的风险。
💡 持续双向交互若能稳定实现，产品设计就不能再把「用户提问—模型回答」当成唯一单位；中断、状态更新和纠错都需要重新设计。安全部分则提醒工程师，能力提升的后果不只体现在效率上。
⚡ 关于灾难性风险及 AI 演进速度的强烈措辞，是受访者的风险判断，不是节目中经独立验证的预测。具体技术路径与治理措施仍需分别讨论。
12) 推荐、排名与上海站的后续期待 — 1:10:02 🎧 · ▶️
💬 被问及推荐内容时，swyx 介绍了自己的 AI 通讯与播客清单，并说他向模型提出约 200 个不同类别的推荐问题，记录和比较回答；他称 Latent Space 在相关播客问题中常位于前列。访谈最后，主持人期待上海站带来更多基础设施、安全、支付与前沿研究交流，并希望会议持续举办。
💡 模型给出的推荐正成为新的发现入口，但节目也展示了建设交流入口的另一种方法：让不同地区的研究者与开发者直接讨论实际问题。
⚡ 模型推荐排名受问题措辞、所选模型和测试时间影响，不能直接当成独立质量榜单；节目没有提供完整题目、样本与复测结果。
人物与机构
- swyx（Sean Wang）：Latent Space 主理人、AI Engineer 大会推动者；本集受访者。
- Galen Gao：本集采访者，重点追问上海站、创业者出海及 swyx 的项目实践。
- Latent Space：从 swyx 的 AI 学习博客发展出的内容与交流项目。
- AI Engineer／AIEi Shanghai：以 AI 工程实践为中心的会议品牌及其上海站；上海活动由本地合作团队主导。
- Cognition：swyx 表示自己曾在该公司任职，访谈时仍担任顾问。
- Jev／Typesafe：节目讨论的小范围、可嵌入程序路径的模型与相关团队。
- Cursor、Legora：swyx 举出的产品品味与工作流程设计案例。
金句
「我没有把 AI 大会带到上海；是上海把它办在上海。」——swyx，意译
「如果凌晨四点系统坏了，你得起床去修，那你就是工程师。」——swyx，意译
「我不能为自己尚不知道想要什么的东西，事先写好 AI 评委。」——swyx，意译
「展示它，而不是只告诉我它能做什么。」——swyx，意译
洞见与延伸背景
- 可复制的功能，与难复制的运行条件。 Kill My SaaS 显示，界面和常见流程可能越来越容易重做；但权限、历史数据、服务承诺和故障责任不会自动随代码生成。采购判断应同时覆盖这两部分。
- 竞赛也是发现需求的方法。 swyx 最初无法完整描述理想软件，却能通过比较提交作品发现更好的表格视图。多方案探索可用于尚未定型的需求，但必须给评测留足预算。
- 「品味」可以落实为淘汰理由。 与其抽象争论谁更有品味，不如记录团队为何放弃某些方案：它们让谁多做了一步、遮蔽了什么信息、带来了什么维护负担。
- 跨地区传播需要重新组织证据。 一项技术在本地会议上得到充分说明，不代表海外受众能在同一场公司发布会中找到重点。清晰演示、工程细节与可回看的材料，可能比口号更能促进交流。
争议与需核实
- 竞赛数字的表述：访谈既提到收到 69 份提交，也提到存在较差提交；「69 份」究竟指全部提交还是经过初筛的作品，需对照竞赛记录。
- SaaS 收入算术：口述假设「50 个客户、每个年付 4 万美元」得到的是 200 万美元年收入，而非随后说的 2000 万美元。
- 会议数据与开放范围：到场人数、线上观看量、数据集地址、许可及可下载内容，宜以活动方发布资料为准。
- 法律与市场判断：电子签名效力、软件复刻的权利边界，以及特定中国品牌在美国市场的表现，都不能仅凭访谈中的概括认定。
- 远期安全预测：节目提出了严肃风险，但未给出可据以验证灾难发生概率或时间线的证据。
行动建议
- 工程团队：选一项高频、低风险的内部流程，记录现有软件的点击步骤、等待时间与年度成本，再决定是集成、定制还是继续采购。
- 准备自建软件的企业：在试作品之外，另列权限、数据迁移、备份、故障响应和维护责任清单。
- 设计 AI 评测的人：把「资格筛查」「任务表现」「长期可用性」分开评分；若需求尚未明确，先比较少量真实方案。
- 技术创始人：写产品规格时就写下目标用户、工作场景和可现场展示的效果，不要等发布前才考虑如何解释产品。
- 跨地区社区组织者：让本地团队决定议题与形式，同时保留可检索的演讲记录，方便未到场者核查和继续交流。
来源
文中观点、案例与数据主要依据本集英文转写；「争议与需核实」所列事项不视为已获独立证实。
