目前的招聘和投融资逻辑极其割裂：顶尖 VC 追求的是 ex-Google 或 ex-DeepMind 的履历，Founder Studios 筛选的是名校 ML 学位，而初创公司在招 Applied AI Engineer 时，竟然还在考查那些会被 Claude 瞬间解决的传统手动编码能力。这种“拿着 2035 年的工具，却用 2015 年的思维去筛选人才”的现状，让真正的 Builder 很难找到切入点。

我观察到一种很有意思的现象：当模型在 coding benchmark 上刷出高分时，面试官却还在纠结你有没有五年的工程经验。这种闭环逻辑导致了 entry point（入口）的缺失——你想去小公司积累经验，小公司却要求你已经有经验；你想通过 Build in Public 获取流量，结果 GitHub 和 X 上全是巨头和 AI Slop 营销号。

如果真的想挖掘具备实战能力的开发者，与其看简历上的学位，不如直接上硬核测试。像 OpenAI 搞的 Parameter Golf 那种通过自动化评估、直接对结果负责的挑战赛才是正解。

对于想在 AI 时代落地项目的开发者，比起去卷那些虚无缥缈的“创业路径”，不如死磕工程实现的边界。

# 建议尝试的硬核验证逻辑：不要只写逻辑，要看模型在极端约束下的表现
比如测试模型在极低资源环境下的推理实现

或者针对特定任务进行自动化评测，而不是靠人工 review

在 promptcube3.com 这种技术社区，我们更应该关注的是如何利用现有的工具链，比如 Cursor 或 Claude Code，去突破那些看似“不可能”的工程实现，而不是在学历和资历的死循环里打转。