软件开发研讨会凸显了对 Harness Engineering 日益增长的兴趣，重点在于大语言模型（LLM）的上下文管理，以确保模型注意力机制的有效性。计算传感器也日益受到关注，技术趋势正转向 Rust 等语言，并加强验证技术。Harness 的未来效用尚不确定，但目前已展现出减少 Token 用量、赋能较弱模型等优势。由于 Token 成本上升以及对前沿模型提供商独立性的追求，自托管开源权重模型正变得愈发具有吸引力。信息安全与数据主权等因素进一步推动了这一趋势。然而，自托管面临 GPU 人才短缺和显著运营成本等挑战，这与私有云早期阶段的情况类似。无论是自托管还是外部部署，有效管理 LLM 的关键在于教会用户选择合适的模型，并可能利用 LLM 作为任务分发的代理。针对特定领域微调模型预计将增加，从而提升运营效率与成本效益。一个核心主题浮现出来：确定委派给 AI 代理的适当工作单元，并维持对其输出结果的信心。"为我带一块石头"这一概念被重新诠释，表明借助 AI 的耐心，迭代式细化可成为一种可防御的工作流程。关于谁应主导 LLM 的讨论演变为按目标而非方法进行管理的理念，强调超越单纯工程能力的技能。归根结底，利用 AI 构建软件涉及探索与人类指导，因为 AI 无法完全外包模型的创建与理解。本地模型（如 Qwen 3.6）已证明适用于代理式编程，而诸如引导强大模型使用更廉价模型处理简单任务等策略，有助于控制成本。AI 的崛起正在影响开发者教育，引发人们对付费课程未来可行性以及高质量免费内容创作可持续性的担忧。