Loading…
Loading…
Hosted by 丹恩爱分享 · 🇺🇸 US · ZH-CN · 23 episodes
Established thought leaders with verified media credentials.
本节目由软件工程师分享原创技术观点，内容覆盖软件工程、科技行业新闻、AI 行业思考；全部观点为本人原创，文稿 AI 辅助整理，音频采用 AI 合成人声，所有内容人工审核修改，观点仅代表个人。
丹恩爱分享 hosts Offline Dev Talks | 离线思考, a technology show with 23 episodes published.
A working software engineer spots a paradigm shift in his own side projects: we used to ship software, but now agents hand you the doc, the podcast, the image directly. What does that mean for the job of writing code? 00
一个软件工程师在自己的两个小项目里，撞见了一场范式转移：以前我们交付软件，现在 Agent 直接把你要的文档、播客、图片递到手上。这场变化，对「写代码的人」到底意味着什么？ 00:08 两个 case 的范式反差：造软件 vs 直接给结果 01:29 软件只是中间产物：用户要的是结果不是软件 02:36 两类 Agent 分野：造软件 vs 直接给结果 03:52 Coding Agent
A small story: I gave my note folders recognizable icons so I can tell them apart at a glance. But the real lesson isn't the feature — it's why it was me, not the AI, who first noticed the friction. 00:09 My note w
这期从一个真实的小功能讲起：我给一堆数字 ID 命名的笔记目录，换上了能一眼认出的图标。但真正值得聊的不是这个功能本身，而是——为什么是我，而不是 AI，先看到了那个「找起来好麻烦」的问题。 00:08 我的笔记工作流：每篇一个目录 00:45 目录名用笔记 ID：唯一又精简 01:17 痛点：一串数字 ID，找产物得逐个翻 01:51 灵光一现：给目录换个一眼认出的图标 02:20&nb
I deleted every script, JSON config and validator from my AI image pipeline — and the results got dramatically better. This episode is about the deeper philosophy of working with AI: restraint. 00:07 Wrapping AI in
我把给 AI 出图的那套脚本、JSON、校验器全删了，AI 反而画得更好。这期聊聊跟 AI 合作的底层哲学——克制：真正的高手，懂得在不懂的地方放手。 00:08 给 AI 套脚本和校验器，出图反而越来越呆板 01:20 自动化把大模型的艺术创作能力抹杀掉了 02:18 删掉规则后 AI 自由发挥，效果反而惊艳 03:16 Claude Code 适配时删掉了 80% 的系统提示词 04:
Everyone is talking about Loop Engineering and Graph Engineering, but I'm still using the simplest way to work with AI. In this episode, I explain why — and why I believe there are no shortcuts for ordinary people. 00:08
当全网都在讲 Loop Engineering、Graph Engineering 时，我还在用最笨的方法跟 AI 协作。这期聊聊为什么——以及为什么我相信，普通人没有捷径可走。 00:08 我天天用 AI Agent，却没碰过最火的 Loop Engineering 00:38 为什么用不上？我的场景必须 Human in the Loop 01:18 那为什么不追？大佬有场景、有免费 token，更有一线实践 01:55 学到不等于
本期从一场关于机械厂的梦说起——作者干过钳工、画过图纸，突然发现写代码和造机器是同一个道理。AI 来了，编程像数控机床一样被自动化，但真正值钱的，是留在人脑里的那张「图纸」。 00:08 梦里回到机械厂：我干过钳工，现在写软件 00:41 第一层类比：写代码像装配机器，设计像画图纸 01:17 岗位映射：工程师等于设计人员，编程等于零件制造加装配 02:02 数控机床类比：钳工的手艺活，被
本期从一场关于机械厂的梦说起——作者干过钳工、画过图纸，突然发现写代码和造机器是同一个道理。AI 来了，编程像数控机床一样被自动化，但真正值钱的，是留在人脑里的那张「图纸」。 00:08 梦里回到机械厂：我干过钳工，现在写软件 00:41 第一层类比：写代码像装配机器，设计像画图纸 01:17 岗位映射：工程师等于设计人员，编程等于零件制造加装配 02:02 数控机床类比：钳工的手艺活，被
我把两个内容 skill 折腾了一遍，发现一个有点反直觉的事实：AI 再聪明，也只会「局部优化」——它从不会主动把一个 skill 的功能挪到另一个 skill 去。这期聊聊，为什么系统级的熵减，目前还得靠人。 00:08 1. AI 再聪明，也不会自己把活分出去 01:02 2. 模块化的真实取舍 01:42 3. 系统性缺陷：只会局部优化 02:27 4. 为什么：大模型的上限 03:
I built two content skills and watched one bloat. The counterintuitive takeaway: no matter how smart the model, it only does local optimization — it will never move a function to where it belongs. This episode is about w
AI 时代，写代码这类正向活儿已被大模型拿下，但有一类活儿它至今接不住——这期我们聊软件工程的两种思维。写代码是正向：目标、设计、写、接入，逻辑顺；而线上排障、根因定位是逆向：你看到的只是症状，真根因往往藏在最安静的组件里，得逆着链路往回拨，拨回来的可能还是更上游的症状。更难的是修：改一处牵连全局，动手前必须盘清“爆炸半径”。模型能挖出 Linux 漏洞，却不等于找到根因——HumanLayer 创始人 Dex Horthy 就说过，模
一位非工程背景的 CFO 用 Claude Code 两天搭出系统，却顺手烧光整个团队近一个月的大模型 token 预算。事故看似"AI 写错了代码"，真相却藏在系统交互的底层。 部署时数据库报"字段不存在"、返回 500，大模型就重走全流程——重写代码、重新部署，这个循环走了 21 次，相当于把高成本任务做了 21 遍。根因不是模型能力，而是前置条件没满足。本质上，你的应用系统和数据库是两个系统，交互前必须确认第三方满足了你要求的接口
当 AI 和 Agent 开始替程序员写代码、做执行，你最核心的能力底线在哪？这篇思考从一位资深工程师的亲身体验出发，给出了一个干脆的回答：写代码能外包，理解不能外包。你会听到为什么"不 care 过程"会让知识和能力自然退化；思考与理解的区别——思考是推理链，理解是沉淀结果；AI 如何悄无声息地伸进你忘了的系统角落，反向倒逼你去理解交叉领域。节目还探讨了用 AI 的两种姿势——"答案机"式的被动接收 vs 可检查、可回退的工程流程——
一个消息队列选型的小故事，引出一个大问题：为什么好用的开源项目，反而越做越没人用了？RabbitMQ 成熟却臃肿落选，NATS 精简却胜出——这不是个案，而是开源社区的普遍困境。功能膨胀的代价有三：做了没人用、维护成本被摊薄、核心品牌调性被稀释。Linux 靠 Linus 当守门员把烂代码拍回去，Go 语言敢对用户需求说"不"——它们守住了核心能力圈，才活成了标杆。守核心不等于不成长，而是做加减法时有独立判断、有共识圈子替项目做最优解。
最近 Kimi K3、千问 3.8、GLM 5.2 接连逼近顶级闭源，让人忍不住问：大模型到底有没有护城河？这期对谈从"规模是不是护城河"聊起——只要把规模堆上去，能力就跟着上来，这更像比谁算力多的体力活，靠规模堆出的领先算不上护城河。那壁垒到底在哪？答案是更底层：硬件、电力、存储。英伟达多卡互联未必是终局，通信芯片可能集成进封装，而华为起家做通信在这层更有优势；能源上，中国的水电、煤电、核电是结构性优势。我们也认真聊了开源：闭源本身也
AI 来了，工程师该怎样把繁琐操作交给机器？这期我们聊一个朴素却常被忽视的前提：自动化不是新事。一年半前，主讲人就用 Quicker 搭起效率入口层——它提供读文件、运行脚本、运行程序等元能力，把搜代码、打开 Solution 这些高频又零价值的步骤统统自动化；AI 只是把交互层再上抬一层，让人能用一句话驱动 Skill 与 Agent。真正的卡点不在工具，而在"看不见问题"：很多同事用着顺手的小工具，转头仍是手动点点点，压根不觉得点二
Sponsor detection runs nightly. Check back soon.
No public pitch examples yet for this show.
Generate your own personalised pitchBased on semantic analysis of episode topics and host coverage, this show is a strong guest fit for executives in:
Industry fit is computed by PitchCentric using vector embeddings of the show's episode catalog.
Shows with the most semantically similar episode content. Pitch one, pitch all; producers cluster.
Offline Dev Talks | 离线思考 has a verified contact on file. Create a free PitchCentric account to access it and generate a personalised pitch in seconds. Research at least 3 recent episodes first and lead with a specific angle that serves their technology audience.
Offline Dev Talks | 离线思考 is hosted by 丹恩爱分享. The show is categorised under technology (education) and has published 23 episodes.
Offline Dev Talks | 离线思考 has published 23 episodes.
Offline Dev Talks | 离线思考 regularly covers technology, education, self improvement. It sits in the technology category, with a education focus.
Offline Dev Talks | 离线思考 is accessible for guests with genuine technology expertise. A personalised, episode-aware pitch will still outperform a generic one every time.
Offline Dev Talks | 离线思考 hasn't explicitly signalled guest openness in recent episodes. That doesn't rule out pitching. your hook just needs to be especially compelling and relevant to their recent content.
Episodes of Offline Dev Talks | 离线思考 average 8 minutes. a focused format where a clear narrative arc and tight preparation matter most.
Our data rates Offline Dev Talks | 离线思考's guest bar at 80/100 (Premium tier). Established thought leaders with verified media credentials. Sign in to PitchCentric to see how your own Pod Score compares against this show.
Methodology. Booking Probability™ blends Listen Score, 30-day Virality, open-to-guests detection, and Apple ratings. Data refreshed every 60 minutes. Listen Score and Booking Probability are calculated by PitchCentric. Last enriched 6 days ago.