先说结论

这是一期"用脚投票"的职场样本：一位从药学转码进大厂的工程师，在去年年初从字节离职、昆明旅居大半年后，一年内接连换了三份工作——被前老板喊回美团做B端agent，5个月因"太闲"跑路；进入一家七八十人的AI coding创业公司做增长运营和FDE，判断"这个方向死了"再次离开；如今在一家具身智能创业公司做算法infra和企业agent开发。他说自己不是"创业成功"的信徒，而是"想让认可的事情发生"；不谈具体公司，他给出的判断比经历更值得记：AI coding对创业公司已是死赛道、FDE本质是AI版咨询外包、token用量只是认知基线而非能力上限、AI的真实价值在给持有业务的人当"弹性扩缩容"的放大器。对被"AI焦虑"与"稳定焦虑"双向拉扯的打工人，这期播客提供了一整套反主流的心智模型——包括一条可能冒犯的建议：需要问别人"该不该去创业公司"的人，已经不适合去了。

一、“太闲"的真实含义：AI效率与组织摩擦的时间差

嘉宾"美团太闲"的表述初听刺耳，机制拆开却很具体。他去年年末入职美团做agent开发，赶上了一个时间差：他自己从去年年初就已"全AI编程”，不再手写代码，而美团这类二线大厂彼时还普遍"古法编程"、按人力编程的节奏排期。他以人力排期为名、用AI干活，“上午八点到公司，十一点十二点就把一天预期要干完的活干完了”，下午只能"提心吊胆地摸鱼"——他自认不是摸鱼自如的人，这种做贼心虚的状态比忙碌更消耗人。

但"太闲"只是表层，他真正的痛点是此前就总结过的"结构性的累"：大厂把一个需求拆给产品、前端、后端、数据、算法多个团队，各自有各自的排期与scope，“无论哪一个职责，你想完成一件事都很难，因为你还得求爷爷告奶奶”。他跳到创业公司后发现，这些工作"基本上一个人或者两个人就能完成"——拆分不是因为工程需要，而是"大家都需要有点事儿干"。值得注意的是，他为老东家保留了公道：做的事本身是成立的（给商家做查流水、看商圈、AI批量回评论的B端agent），人也很nice，问题出在组织架构设计，而非业务合理性问题。这轮"太闲"还有一个心理机制：隔了一年，对字节时期"吃苦的记忆逐渐消退"，回去之后"又唤醒了旧日的记忆"——痛苦记忆的半衰期，本身就是职场决策的一个隐藏变量。

二、FDE：一个"名字很虚"的热门岗位的冷思考

FDE（Forward Deployed Engineer，前沿部署工程师）是2026年AI行业的当红岗位，嘉宾在AI coding公司身兼增长运营、研发与FDE数职。他的观察相当祛魅：行业里"大家隐约感觉到了有一个新的职能需要做，但不知道该起什么名字"，于是每家公司、每条业务线的FDE干的事完全不一样；很多FDE实际上"就是一个外包"——公司没有AI技术能力，聘人来帮搭agent，按单收几千几万的"一锤子买卖"。他将其概括为"稍微懂一点AI的咨询顾问"，甚至类比给个人搭"小龙虾爱马仕"（OpenClaw的社区戏称）的升级版。

外部核验显示这个判断有扎实依据。据证券时报2026年报道，字节跳动FDE岗位开出月薪3.5万至7万元（15薪）、阿里云2万至5万元（16薪），OpenAI、Anthropic及腾讯等海内外大厂都在增设该岗位；但同一篇报道也指出，斯坦福博士生、独立顾问Zaniel称"FDE这个词在2026年的热度，有很大一部分是概念套利"，本质更接近过去的解决方案架构师与实施顾问——与嘉宾"名字很虚、本质外包"的判断互相印证。他补的一刀更狠也更结构性：大厂招FDE未必为了那点咨询费，而是把它当作"拿其他行业数据的手段"——借驻场了解行业内部什么能被AI提效、有什么关键数据可拿去做模型训练。求职者眼中的黄金岗位，在大厂账本上可能是数据获取管道，这个视角差本身就值得警惕。

三、AI coding创业为什么是死赛道：大厂顺手就能做的事

嘉宾对AI coding创业公司的判断斩钉截铁：“完全没有前景，对创业公司来说。“他的逻辑链条值得完整展开：过去业界认为AI coding是创业公司的机会，前提假设是"coding不是模型厂的主赛道”——OpenAI、Anthropic、智谱、Kimi等把聊天当主场景，才有套壳空间。但现在行业共识变成了"coding牛逼就是模型牛逼”：To B场景下AI提效最有效的路径就是写代码（数据处理、小网页、甚至用Claude写代码生成视频），模型厂"顺便套一层壳"就能出AI coding产品。于是创业公司直面三重碾压：模型厂自己卖API比创业公司买API便宜无数倍、大厂有流量、有资金。他举的例证是Cursor：这家"承载全部希望"的公司，“基本上所有研发都在用”，被盯上后照样被收购——“你被大厂盯上了，就是没有任何机会”。

外部核验确认了Cursor案的走向：2026年4月SpaceX与Cursor母公司Anysphere签署收购选择权协议，6月16日宣布行使、以600亿美元全股票收购，8月14日完成交割，Cursor成为SpaceX全资子公司并并入SpaceXAI团队。值得注意的是，嘉宾用Cursor论证"被大厂盯上就没有机会"，而外部事实呈现的是另一个侧面——Cursor早期员工借收购实现财富自由（据证券时报，前50名早期员工人均近亿美元回报），“被收购"对创始团队与员工未必是坏事，但对志在独立发展的创业公司而言，赛道被巨头资源吞没的判断依然成立。他还澄清了一点以正视听：说前东家"快黄了"不准确，“是方向黄了”——公司融资位置漂亮、现金充足、运营健康，pivot是创业常态，“没换过方向的创业公司一般都不成功”。

四、AI商业化的真实落点：不是增长点，是弹性和放大器

主持人追问：大厂都在找AI的增长点，找得很累却没有方向，AI商业化到底往哪去？嘉宾的回答拆掉了"增长点"这个问法本身：大家找得累，是因为"自己其实没有持有一块真正能被AI提效的业务”。他给出一个来自增长业务一线的例子：找海外KOL投放要经过agency，而agency处于"茹毛饮血"阶段——没钱养研发做系统工具，只能雇小年轻人肉逐个联系达人，收益与人力成本强挂钩，“也许能挣钱，但挣得很苦”。若AI能为每个运营省20%效率，等价于扩大20%规模或裁掉20%的人，“只要token够便宜，就直接把人的工资省出来”。

他更核心的洞察是把AI的价值定义为"弹性"而非"增长"：人力是弹性极差的资源（招人按半年一年规划，没法招一个月就开），所以企业过去不得不放弃旺季接不完的单；AI是弹性资源，增长来了马上顶住，淡季无需养人。这改变了接单模型的边界——“你以前本来可以接但没有接的资源"现在接得住了。但前提被他反复强调：你得先是一个"成熟的business owner”，有一块现金流为正的业务，AI才能作为放大器"让你挣更多的钱或者亏更多的钱"；很难只靠"AI"本身、不靠"AI+某块真实业务"编出更值钱的东西。这个判断与token考核乱象互为镜像：据澎湃新闻与钛媒体2026年报道，Meta内部Claudeonomics排行榜30天消耗60万亿token、亚马逊因员工刷量紧急关停KiroRank、国内大厂曾将token用量纳入转正晋升参考——嘉宾对"token用量是认知基线"的判断（见下节）恰好解释了为什么这种KPI必然失真。

五、Token基线论：用完两个订阅，认知就没信息差了

这期播客流传最广的可能是嘉宾的"token基线论"：衡量一个人对AI的理解，基线是他能不能用完两个Codex或Claude的200美元订阅。“只要一个月能把这两个订阅烧干，你的认知跟最前沿的AI研发或使用者最多差半档”——因为大家用的都是同样的模型，用量到位后"这里没有任何信息差"，结论自然趋同；他对用量 proudly 的态度是：“我一个月用俩Codex，你说你用二百个，我呵呵一笑；你说你只用豆包还觉得很爽，我也呵呵一笑。“烧token超过基线后认知收益会"平掉”，剩下的事情跟AI无关，取决于你有没有一块真实的业务。

这套说法有两个可迁移的推论。其一关于人才鉴别：AI普及让社招面试彻底失灵——“大家现在都不写代码了”，八股文和算法题失效，跟资深工程师务虚聊三小时"看不出来实力的高低”，唯一有效的鉴别是长期共事的前同事关系，所以"前同事内推"成了创业公司"极其普遍"的招聘方式，他三份工作全部来自人脉。这在AI抹平技能信号的时代是个残酷的悖论：越是用AI提效的人，越无法被面试识别。其二关于认知下限：只用免费或廉价档AI的用户与重度用户之间存在真实的认知断层，“用豆包就很爽"和"烧干两个订阅"之间隔着的不是钱，是对模型能力边界的体感。企业若把token量当KPI，员工就发明"跑token的skill"刷量——硅谷八卦视频里提到的现象，与外部报道的tokenmaxxing乱象完全对上。

六、具身智能的"身体"与"大脑”，以及一次与王兴兴的隔空分歧

嘉宾现在的公司在做具身智能，他的入伙理由很诚实：一半是"纯粹给哥们儿面子"，一半是奔着企业agent来的——他想做的云端7×24小时agent与前东家的工具"一脉相承"，且"如果不训模型，只做上层应用，你需要一个真实的业务去让它成长"，这家公司正好是实验田。分工上他把具身智能拆成两块：一块是机器人本体与供应链（宇树那样的机器人、机器狗、机械臂），一块是"大脑"——用模型替代遥控器背后的人类操作员，他所在公司做的是基础的具身世界模型。

对谈中他点名了王兴兴"上市之后立马说要自研大模型"的表态，认为"更像是PR话术"：训一个大模型"几万卡起步"，字节都"掉着肉疼"，具身厂"招不到那么多人，有什么资格做"。这里外部核验给出了值得注意的反证：据中证网与人民网报道，宇树2026年8月19日登陆科创板，招股书明确将近半募集资金投向智能机器人模型研发；王兴兴在世界机器人大会演讲中介绍，UnifoLM-X1-0工业级具身大模型已在自有工厂试点部署，5月发布融合世界模型与VLA的WVLA2.0，7月发布统筹多任务的UnifoLM-OminiA-0.3，并称AI模型是"公司目前资金和人力投入最大的方向"。也就是说，宇树的自研模型是有产品序列和招股书背书的既成事实，而非空话；嘉宾的质疑更适用于"跟风宣称要训大模型"的其他具身厂商——把成本约束当筛子，这个方法论依然成立，但把宇树当靶子打偏了。分歧本身比结论更有信息量：工程师视角的"成本不可能三角"与上市公司视角的"募资投入承诺"，是具身智能叙事的两面。

七、把职业选择交给贝叶斯：沉没成本零留恋者的决策系统

整期播客最个人也最可迁移的部分，是嘉宾的职业决策系统。底色是贝叶斯主义：“我不认可坐在一个地方、不接触任何外界信息输入、凭空脑内推演就能得出正确结论”——决策更新不取决于多想两天，而取决于花一两个月做新动作、拿到新输入。配套的是对沉没成本"一点没有犹豫"的切割能力，自认"类似经济学理性人"；以及被验证过的生存底气：gap一年发现"基本没有开销，余额还增长"，收支为正的裸辞才是可持续的裸辞。薪资排序（字节最低、上一家创业公司其次、美团再次、现在最高）也侧面印证了其个人创收能力一路上行。他引用朋友推荐的书《臣服实验》（Michael Singer著，The Surrender Experiment；转写稿误作"沉浮实验"）总结自己的轨迹：人生最重要的选择往往不是主动追求来的，而是"送到嘴边的机会"，区别只在于你能不能看到并抓住它。

三条可带走的判断：第一，关于进不进创业公司，他的建议直白得近乎冒犯——“如果他需要问我建议，那就选大厂”，因为真正适合进创业公司的人"一般不需要向别人提问，他自己已经有数了"，这是selection bias；第二，关于AI时代的职业基础能力，纯粹的研发岗位会逐渐消失，AI编程会像Excel一样成为通用技能，“未来每个人都得有一个具体业务，顺带用编程解决它的问题”，初级程序员最受冲击，“因为坦率说，他们的编程能力不如AI”；第三，关于热爱，他承认AI编程让"古法编程的乐趣"少了一块——那种把十行代码压成两行的揣摩、“古代诗人炼字"式的快乐消失了，如今全语音输入、写完连自己都不愿再看一遍，“但AI反正能看懂”。这可能是整期播客最微妙的一处注脚：效率的每一次跃迁，都会顺手埋葬一部分无法定价的手艺快乐。他给当下状态打八分，理由是"有真正想做的事情时精力状态就好”——以及"永远话不说满"。