تیم دیتابیس داده رو نگه میداره، ولی لزوماً صاحبش نیست. این مقاله فرق owner و steward و custodian رو روشن میکنه و میگه چرا سه تا گزارش، سه تا عدد متفاوت میدن.
وید فوستر، مدیرعامل زاپیر، روبریک سنجش مهارت کار با AI رو باز کرده و تو یه پادکست دو سند واقعی مدیر محصول رو با همون معیارها نمره داده.
جف گوتلف میگه وقتی مصرفکنندهٔ محصول یه ایجنت خودمختاره، تیمها بیسروصدا آدم رو از هدف حذف میکنن و ماشین رو جاش میذارن، چون اندازهگیری ماشین خیلی راحتتره.
ویتالیک بوترین یه معیار ساده برای سنجیدن استدلالها پیشنهاد میده: اگه یه شیوهٔ فکر کردن بتونه هر نتیجهای رو توجیه کنه، در واقع هیچی نمیگه.
طراح اصلی Help Scout میگه هوش مصنوعی با دیزاین سیستم قدیمیشون عملاً هیچ کاری نمیتونست بکنه، برای همین کل سیستم رو از نو چید تا برای ماشین خوانا بشه.
ایجنتها ساختن نرمافزار رو انقدر ارزون کردن که میشه اپی ساخت که فقط خودت ازش استفاده کنی، ولی وقتی پای چند هزار کاربر وسط باشه «خوب» یه هدف متحرکه.
کیساستادیهای طراحی معمولا با «ازم خواستن این رو بسازم» شروع میشن. نویسنده میگه اگه یه پاراگراف قبلترش بنویسی، کل روایت عوض میشه.
دیوید هوانگ میگه نقش General Manager تقریباً هیچوقت به طراحها نمیرسه، در حالی که همون مهارتهای طراحی میتونه پایهی ادارهی یه کسبوکار باشه.
جان کاتلر میگه برچسبهایی مثل «استراتژیک» یا «اهل همکاری» کمتر از چیزی که فکر میکنیم کمک میکنن، چون رفتار آدمها با عوض شدن موقعیت عوض میشه.
نیلسن نورمن گروپ یه صفحهٔ راهنما منتشر کرده از مقالهها و ویدیوهای خودش دربارهٔ طراحی قابلیتهای هوش مصنوعی، با این نقطهٔ شروع که اول باید ثابت کنی AI اصلاً ارزشی اضافه میکنه یا نه.
بین ۲۶ تا ۴۰ درصد لغو اشتراک اپها بهخاطر کم استفاده کردنه و ریشهش جاییه که حلقهٔ عادت کاربر شکسته؛ چهار نقطهٔ شکست با چهار راهحل متفاوت.
جورج از prodmgmt.world میگه ایجنتهایی که خودشون مرورگر رو میگردونن میتونن یه محصول موجود رو واقعی استفاده کنن و از دلش مدل دامنه و نیازمندی دربیارن.
تورستن بال فهرستی از باورهاش دربارهی آیندهی توسعهی نرمافزار نوشته؛ از مرگ code review و ترمینال تا بیاهمیت شدن «کد خوب».
Dan Luu میگه کسی که فقط خروجی LLM رو بدون فکر جابهجا میکنه، حتی اگه این روش جواب بده، خودش اولین کسیه که لازم نیست.
یه چارچوب ششمرحلهای ساده برای حل تقریباً هر مسئلهای، و اینکه چرا فهمیدن اشتباه، سریعترین راه رسیدن به جواب درسته.
مدلها ارزونتر شدن ولی قبض ایجنتها سنگینتر. این مقاله میگه مشکل اصلی مدل نیست، مرحلههای اضافهایه که از فرایندهای قدیمی به ایجنتها رسیده.
کالین برک از خستگیش از داکیومنتها و PRهای نوشتهشده با AI میگه، و توضیح میده خودش چطور از AI برای بهتر نوشتن کمک گرفته بدون اینکه یه خطش رو بهش بسپره.
دن لو میگه خیلیها کارو میسپرن به LLM و فقط فرض میکنن درست کار کرده. ولی این روش، حتی اگه یه روز جواب بده، به نفع خود برنامهنویس نیست.
شغل جدید، پروژه بزرگ و حس اینکه باید خودتو ثابت کنی؛ سونیل پای توضیح میده چرا این مسیر خیلی وقتا به فرسودگی ختم میشه و راه بیرون اومدن چیه.
یه فایل مارکداون ساده میتونه جای توضیح دادن دوبارهٔ یه کار تکراری به ایجنت رو بگیره، به شرطی که از روی خروجی نهایی نوشته بشه نه از روی تصور.