本周的科技新闻周刊精选了围绕 API、AI 以及 LLM（大型语言模型） 如何影响软件工程领域从业者职业发展的内容，引发了我们对技术趋势和未来工作模式的深入思考。从 API 设计的反思，到 AI 教育的探索，再到 LLM 如何改变软件工程实践，我们将逐一剖析这些关键议题。

API：RESTful API的反思与实践

文章提到 “Most RESTful APIs aren’t really RESTful”，这引发了一个对 API 设计的根本性问题：有多少 API 真正遵循了 RESTful 架构的原则？ RESTful API 的核心在于资源导向、无状态、可缓存、分层系统和统一接口。然而，在实际开发中，为了满足快速迭代和业务需求，很多 API 设计偏离了这些原则。

例如，为了提高性能，一些 API 引入了复杂的查询参数和请求体，使得 API 的语义变得模糊，不再清晰地代表一个资源。 此外，为了简化客户端的开发，一些 API 允许客户端一次性请求多个资源，破坏了 RESTful 的资源导向原则。

真正符合 RESTful 架构的 API 能够提供更好的可扩展性、可维护性和互操作性。例如， Stripe 的 API 被认为是 RESTful API 设计的典范，它清晰地定义了资源和操作，并使用标准的 HTTP 方法（GET, POST, PUT, DELETE）来操作资源。 这使得开发者能够轻松地理解和使用 Stripe 的 API，并构建出健壮的应用程序。

因此，在设计 API 时，我们需要重新审视 RESTful 的原则，并根据实际情况进行权衡。 我们可以采用 API 设计规范（如 OpenAPI Specification）来定义 API 的接口和行为，并使用工具（如 Swagger UI）来生成 API 文档和测试用例。 此外，我们还可以借鉴成熟的 API 设计模式（如 HATEOAS）来提高 API 的可发现性和互操作性。

AI教育：迎接人工智能时代的计算机科学教育

文章中出现的 “How do you teach computer science in the age of AI?” 引发了对 AI 时代计算机科学教育的思考。 传统的计算机科学教育侧重于算法、数据结构和编程语言等基础知识。 然而，随着 AI 技术的快速发展，我们需要重新审视计算机科学的课程体系，并引入 AI 相关的知识和技能。

一方面，我们需要教授学生如何使用 AI 工具和框架来解决实际问题。例如，我们可以教授学生如何使用 TensorFlow 或 PyTorch 来构建和训练机器学习模型。 另一方面，我们需要培养学生对 AI 技术的批判性思维和伦理意识。例如，我们可以讨论 AI 算法的偏见问题和 AI 技术的社会影响。

全球范围内，已经涌现出许多将 AI 融入计算机科学教育的成功案例。例如， MIT 的 AI 教育项目旨在为各个年龄段的学生提供 AI 相关的学习资源。斯坦福大学的 AI 课程涵盖了机器学习、自然语言处理和计算机视觉等领域，并鼓励学生参与实际的 AI 项目。

将 AI 融入计算机科学教育，不仅可以提高学生的就业竞争力，还可以培养学生的创新精神和解决问题的能力。 只有这样，我们才能培养出适应 AI 时代需求的计算机科学人才。

LLM：大型语言模型对软件工程的重塑

文章中 “Software engineering with LLMs in 2025: reality check (Gergely Orosz, 25min video)” 以及 “A non-anthropomorphized view of LLMs” 都提到了 LLM 对软件工程的影响。 LLM 的出现正在改变软件工程的开发模式和工作流程。 LLM 可以自动生成代码、测试用例和文档，从而提高开发效率和代码质量。

例如，GitHub Copilot 是一个基于 OpenAI Codex 的 AI 代码助手，它可以根据开发者的注释和代码片段自动生成代码。 开发者可以使用 GitHub Copilot 来快速生成代码框架、补全代码逻辑和修复代码错误。 此外， LLM 还可以用于代码审查、代码重构和代码优化等任务，从而提高代码质量和可维护性。

然而，我们也需要对 LLM 的能力保持清醒的认识。 LLM 并不是万能的，它仍然存在一些局限性。 例如， LLM 可能会生成不安全的代码或包含偏见的代码。 因此，在使用 LLM 时，我们需要进行充分的测试和验证，并人工审查 LLM 生成的代码。

Gergely Orosz 的视频 “Software engineering with LLMs in 2025: reality check” 对 LLM 在软件工程领域的应用前景进行了深入分析，并提出了许多有价值的观点。 他认为， LLM 将会改变软件工程师的工作方式，但不会完全取代软件工程师。 软件工程师需要学习如何与 LLM 协同工作，并利用 LLM 来提高自己的工作效率和创造力。

工具推荐：提升开发效率的实用工具

文章还推荐了一些实用的工具，包括 fzf、Backlog.md、 st/opencode、nikvdp/cco、Wasm-agents 和 openvenues/libpostal。 这些工具涵盖了代码审查、任务管理、 AI 编码助手、代码保护、 AI 代理和地址解析等多个领域。

• fzf: fzf 是一个通用的命令行模糊查找器，可以用于快速查找文件、历史命令和 Git commit。 开发者可以使用 fzf 来快速定位代码中的问题和查找相关的文档。

• Backlog.md: Backlog.md 是一个基于 Markdown 的任务管理器和看板可视化工具，可以用于管理 Git 仓库中的任务。 开发者可以使用 Backlog.md 来跟踪任务进度、分配任务和协作开发。

• st/opencode: st/opencode 是一个基于终端的 AI 编码助手，可以根据开发者的指令自动生成代码。 开发者可以使用 st/opencode 来快速生成代码框架和补全代码逻辑。

• nikvdp/cco: nikvdp/cco 是一个轻量级的 Claude 代码保护层，可以用于保护代码免受恶意攻击。 开发者可以使用 nikvdp/cco 来提高代码的安全性。

• Wasm-agents: Wasm-agents 是一个基于 Mozilla 的在浏览器中运行 AI 代理的框架。 开发者可以使用 Wasm-agents 来构建智能的 Web 应用程序。

• openvenues/libpostal: openvenues/libpostal 是一个用于解析和规范化全球街道地址的 C 语言库。 开发者可以使用 openvenues/libpostal 来处理地址数据。

这些工具可以帮助开发者提高开发效率和代码质量，并构建出更智能的应用程序。

AI女性：科技领域中的性别平等

文章中 “Why We Should Focus on AI for Women (by Shuyang)” 强调了在 AI 领域促进性别平等的重要性。 长期以来，科技领域一直存在性别失衡的问题，女性在 STEM （科学、技术、工程和数学）领域的代表性不足。 这不仅对女性自身的发展不利，也对整个科技行业的创新和发展造成了阻碍。

为了解决这个问题，我们需要采取多方面的措施，包括：

• 鼓励女性选择 STEM 专业： 通过奖学金、导师计划和职业指导等方式，鼓励女性选择 STEM 专业，并为她们提供支持和帮助。

• 提高女性在科技领域的地位： 通过促进女性晋升到领导岗位、提高女性的薪酬待遇和创造更加包容的工作环境，提高女性在科技领域的地位和影响力。

• 关注 AI 算法的偏见问题： AI 算法可能会受到训练数据的偏见影响，从而产生不公平的结果。 我们需要关注 AI 算法的偏见问题，并采取措施消除偏见。

Shuyang 的文章深入探讨了 AI 技术对女性的影响，以及如何利用 AI 技术来促进性别平等。 她认为，我们需要鼓励更多的女性参与到 AI 技术的开发和应用中，并确保 AI 技术能够为所有人都带来利益。

总结

本周的科技新闻周刊涵盖了 API 设计的反思、 AI 教育的探索、 LLM 对软件工程的重塑、实用工具的推荐以及在 AI 领域促进性别平等的重要性。 这些议题都与软件工程领域从业者的职业发展息息相关。 只有不断学习和适应新的技术趋势，我们才能在快速变化的科技世界中保持竞争力。希望本文能够引发大家对技术趋势和职业发展的深入思考。