AI了，我在打一种很新的工

五道视频面试题+四道选择题选择题（每道题限时1分钟左右）1. 是否使用过AI基座模型？2. 是否使用过cursor, winsurf等AI编程工具？3. 是否调用过AI模型api ？4. 是否有AI产品/功能的独立开发经历？视频面试题（每道题十几秒思考，5分钟作答时间）1. 使用过的AI基座模型有什么？2. 使用cursor，winsurf 的使用场景和使用情况如何？3. 近一年读过什么AI论文/技术报告两次以上？对你有什么帮助？4. 调用过最好用的AI模型API是哪个？5. 请说说开发过的AI产品/功能是什么？用户需求？最终结果？（最后还会要求上传作品链接，如果有的话）

25年AI年，今年肯定还是AI作为前端开发者，从最开始接触字节青训项目LLM对话框记得当时要求就是刷算法题当时还是MarsCode（或许是现Trae初版）辅助刷题编码到后续LLM对话框项目用Coze平台搭建了简单的Agent，了解了AI基本的概念当时受限于API免费次数和找工作时间原因后续没更多学习AI内容了解的就是后来用Trae搭建个人网站从原始HTML三件套迁移到ReactAI辅助下z五一假期花了点时间就做好了现在想当时难点还是第三方如百度API的嵌入AI好像还没这么智能，能先去搜并学习API不同版本可能也会不一样当时的Trae还没能做到还要人机协同去编码到后来Trae SOLO、Claude、Gemini Nano banana 等2026，希望Jinger能系统学一下理清知识框架

大家好，我是一名28届的前端开发，最近团队需要启动一个Agent（智能体）项目，但我对这个领域还很陌生，想请教大家几个问题，希望能得到一些工程实践上的指点。1. 我的背景和困惑我只知道“Agent”这个概念和一些名词，但没有深入学习过。以前在学校学的AI课程（深度学习、CV、搜索算法）感觉偏科研理论，和实际工程开发好像不太一样。我看到现在很多招聘要求“开发+Agent赋能”，感觉这已经是一个普遍趋势了。看到有牛油评论说：“现在大厂就很迷，感觉要么就是算法+agent，要么就是开发+agent。还是招和原来一样的岗位，只是都要求赋能agent了   ”。真正的工程化Agent开发到底该怎么做？2. 我的具体疑问a.技术栈疑问：我粗略了解到后端好像用Spring AI比较多？想请问在真实的产业项目里：后端主力语言是Java还是Python？各自的常见技术栈和框架是怎样的？b.开发流程疑问：我之前的理解实在太少了，以为就是“接入大模型API + 优化Prompt”。真实的Agent工程开发，到底包含哪些核心环节和模块？（比如除了调用模型，是不是还要做任务规划、工具调用、记忆管理这些？这些要怎么深入学习呢？要和科研深度学习一样跑“炼丹”项目读论文吗？）3. 我的角色定位：我本身是前端开发，自己写的toy是用Node.js 还有 express 框架做全栈项目。像我这样的背景，在一个Agent项目中：具体能从哪些方面入手去“赋能”？除了做个展示界面，在Node.js这一层能做哪些有意义的AI集成或能力封装？4. 求分享、指路我现在的认知太少了，非常需要一个从工程视角出发的学习路线和方向指引。希望大家能分享一下：我应该按什么步骤去学习？重点要掌握哪些工具和框架？作为前端/全栈，在实际业务里面怎么赋能agent？当前我的学习突破口在哪里？----------先谢谢各位大佬了！

客户端社招跳槽基本不可能了你们自己想想看，你平常用的 app 是不是都是中大厂的？所以现在很多中小公司基本不搞客户端开发的了，但是如果一定会有后端，后端是业务实现的核心，具体给用户的展现方式不一定是要用手机 app，也可以是 web 前端之类的形式。之前也有一些大厂客户端社招同学跟我反馈，在大厂卷累了， 想回二三线城市，可是发现客户端岗很少，都想转后端去求职了。客户端不可能有前途了测试点点点也比客户端强一百倍以上好自为之

大家好，周五发布了Ask me anything后，很高兴收到了大家一系列的问题，了解了很多一线的诉求，也认识了几位做相关行业的朋友。这里挑了几个比较典型的问题，希望能帮到有需要的大家。再做一次自我介绍吧，我是Carl，一个本科进入大厂做了2年+AI研发后裸辞的AI创业者，完整经历过寒暑期实习与转正sp的全流程，目前关注垂类Agent与企业AI赋能相关方向。不管是AI，创业，产研求职等，我都有许多自己的思考和经验能够分享，也能从大家的问题里了解到很多当下的需求情况，欢迎大家与我交流！

最近DS概念很火。对于这种高（lan）新（ren）科（fu）技（yin）的新东西，作为一个六年的理财up自然是闻风而动。新年第一天的交易日。我灵机一动：DeepSeek不是据说很牛逼吗。那能不能用来判断短期内股票的涨跌概率呢？假如涨的概率很高，我就买入。那我岂不是立于不败之地，从此迎娶白富美，实现财富自由，走上人生巅峰。想着想着我就口水直流。于是我火速打开的DS，美滋滋的问他：当时我就怒了，人类还在上班，AI岂能摆烂？！快快起床干活！！！我就拼命的刷新经过锲而不舍的坚持询问，最终DS狠心的拒绝了我！冷静下来之后，我在想是不是我打开的方式不太对，问的有点太粗糙了？DS表示臣妾做不到啊。好歹喂它一...

作为机械结构工程师，在设计和优化产品结构时，AI已经成为不可或缺的工具。举个例子，在项目初期的概念设计阶段，以前我们需要花费大量时间进行手动计算和模拟，以确保设计的可行性。然而现在，通过AI技术，我们可以大幅缩短这个过程。具体来说，做项目时的拓扑优化工具能够在设定的边界条件和目标函数下，自动生成最优的结构形态。通过这种方式，我们在短时间内就找到了一个不仅满足强度要求，还能够显著减重的设计方案。这在传统方法下可能需要反复试验和大量的迭代。

楼主本人是25届毕业生，三月初才在某央企全资子公司开始第一段实习，刚来的第一秒钟就被直接带到工位上打开电脑发项目给我，喊我直接在某个tab中完善UI图，但其实楼主本人是一个代码能力基本没有/编程基本都靠Ai/转码一个月的超级无敌大彩笔，刚从黑马学Vue不过15天勉强懂一点前端结构。背景提示:公司是做省里各种大型项目的，很多事业单位的系统/特殊单位的系统都是公司在做，公司基本不招校招生，所有项目都是面临紧张的上线周期。后面入职一个月才知道:对于实习生态度完全是上级指标要求，你哪怕真的做不出来东西都行，所以面试的时候问了问CRUD流程和有Vue和elementui基础吗就放我进来了.....拿到项目那一秒钟人都是懵逼的，其实项目也才刚刚搭好框架不久😢，周期还算长，项目其实特别特别大，也是一个省里的项目。Mentor告诉我要做什么，看我能打开项目页面就直接走了...我抱着电脑找了二十分钟才找到要做的地方在哪里😢然后各种问Ai，当时还在用通义千问来看代码，对着Ui图说需求并且反复问ai怎么改代码就基本一天，才大概非常不还原的还原了UI图（实际上做的非常烂），当时连CSS基本都不会调，甚至连简单的盒子模型，内边距外边距也不会看，当初学习的时候全是二倍速看过去的，完全是似懂非懂只是有个概念而已，自己上手改代码屁都不会。第一天过完非常焦虑感觉自己完蛋了，甚至想辞职感觉自己就是一个非常糟糕的人，但是秉持着破罐子破摔的态度，在网上找那些好用的编程ai，后面发现了Claude才缓和了我尴尬的现状，虽然基础不牢但是把ui和代码喂给它，还是能做的比较像的。当时整个项目需求就是把前端静态页面写出来就好，后端都还在对需求和开发接口，所以楼主每天和ai斗智斗勇，比如这个盒子大一点那个按键小一点...这样诡异的过程也还算做的勉强可以最后用上了Trae之后才是真的有点感觉很爽了，把要求的静态页面基本都能按要求做出来。三四天完成需求后，就没喊我继续往下做也不给我派任务，我就开始疯狂的恶补前端基础知识，CSS和JavaScript，Ajax以及Vue更多的内容。上班学下班学，才渐渐对做的东西大概了解。要注意哪些...后面接到新的任务，也是完成其他路由下面的tab界面内容，可以做到基本还原ui，就开始对着自己的静态页面沾沾自喜。其实页面主要都是表格/echarts数据展示，也学会用git，自己也是拥有了第一次多人项目的经历这段时间时间空下来了就开始背八股找工作，手撕是一点不会手撕的，完全不刷代码题因为真的非常恐惧，很依赖Ai也没有这种算法思维，简单的程序都写不完整的😓就这样边上班边背八股边学前端过了差不多一个半月，到四月上旬接到了第一个也是唯一一个Offer，薪资和地点都很满意也超出了我的预期，毕竟作为一个超级水笔当时已经焦虑到幻想自己失业/二战的场景。四月中旬，拿完Offer后实习单位这边开始推进度，我负责的页面开始对接口。其实也是全交给AI做...要用哪些选择器，该传哪些参数，怎么传，然后拿到返回来的数据叫Ai做数据适配，也算是第一次把自己的页面动起来，当时真的非常感动。后面就是不断优化，做懒加载，做复杂弹窗，二级弹窗的数据适配。帮Mentor对不是我写的界面的接口，和三个后端大哥对接，然后天天被测试追着完善效果，由于一开始没有直接和后端对接，很多要传的参数可能不到位，监听没做到位，导致效果不匹配😢五月回来，开始在新的路由里面写新的界面，由于还要联动地图的效果😢开始做需要提交和展示的表单项，也是帮Mentor搭好界面框架，他做复杂的我做简单的。对着原型图直接就是干，开始问产品业务逻辑。准备干满这个月就回学校了，其实我一直不知道大厂中厂的前端实习生都要做到哪些东西，也非常幸运能做到这种体量的项目，五月由于项目要应标交付第一阶段，而且人手抽不过来每天都很忙，所以每天都会干很多事情。每天就是和Ai互相学习，自己也感觉到Ai编程也是一个大趋势，但是也知道自己要学的东西还有很多很多。也是想问问大家，在实习的最后一个月有什么需要多注意的吗？应该多问哪些内容呢？有什么东西是实习中更应该做到以后工作中踩雷能少一点的呢？需要记录哪些可以帮助自己以后的工作经历？还应该积极参与什么？

一开始是接到说，用vscode去实现一个多视频图片对比插件， 这下把我整懵了， 不过需求是很简单，但是缺少对这门语言的掌握，很难说去从0到1去写， 不过还好有gpt，需求已给到，，那么整体的实现细节就有了， 通过不断的去描述情况， 加上自己去debug，很快就做出来了。如果像以前一样， 那我觉得，开发效率绝对会慢的很多，这是b站录制的工具详情。https://www.bilibili.com/video/BV1Si4y1W7im/

不学ai大模型真的会被淘汰吗？😢  

Prompt Engineering:提示词- 通过设计输入文本来引导模型输出- 不修改模型参数- 适合快速迭代场景Supervised Fine-Tuning:模型精调- 使用标注数据微调模型参数- 需要训练资源- 适合专业化场景Prompt典型案例:1. 添加"逐步思考"提升推理能力2. 角色设定"你是一位资深律师..."3. 输出格式控制"用Markdown表格展示..."SFT典型案例:1. 医疗问答数据微调2. 客服对话场景优化3. 法律文书生成专项优化Prompt优势:✓ 零训练成本✓ 即时生效✓ 灵活可调✓ 保留通用性Prompt劣势:✗ 专业领域效果有限✗ 提示设计需要经验✗ 输出稳定性较低SFT优势:✓ 领域适应性强✓ 输出质量稳定✓ 可处理复杂任务✓ 减少提示长度SFT劣势:✗ 需要标注数据✗ 训练成本高✗ 迭代周期长✗ 可能过拟合## 产品决策建议• MVP阶段优先Prompt• 核心业务场景采用SFT• 混合方案：通用能力+专项优化• 考虑：数据/算力/时效/效果的平衡

最火的AI要属ChatGPT了，但是国内访问ChatGPT需要翻墙，这就导致了很多小伙伴望而却步，这里我提供两个国内的AI网站，使用体验轻便快速整洁高效。1.Kimi2.智谱清言（牛客不能提供外部链接，找不到的可以私信我哦）下面我来说一下我工作中是如何使用AI的首先，AI写一些模板画的个人介绍，个人品德之类的文章超级绝，比如毕业生要写个人在校表现，同学老师的评价，这两个网站不仅会完整给出，还会分段分条。另外如果工作上遇到不会的难题，比如说Excel和Word中遇到不会的操作，我基本上都是求助于AI，大部分时间都能很快的解决，可以说非常好用。AI使用注意事项：诉求一定要清晰，意思就是说你一定要完整清晰的描述你需要解决的问题，不同的问题是会有不同的答案PS：可以说自从用了AI，工作上顺顺利利，效率值拉满，做完工作之后还能够爽爽的摸鱼。如果你觉得以上两个网站能帮到你，可以回来给我送朵花嘛

现在刚入职，进入项目，去写几个测试demo，有很多知识点都没学过，但是去博客看一下相关用法，然后自己写个简单用例测试下，理解一些内容就直接上ai，效率真的是又高又快，而且写的还比我手搓的好太多，就是需要自己不断的去提需求然后调试代码，ai甚至覆盖了我现在80%代码编写，总觉得心里偷感很强，我原以为是需要自己手搓很多东西的，进来了才发现好像很多人都是这样，因为太好用了实在，但算法方面就不太行了，涉及到张量维度这些还是需要自己一点一点是打印然后匹配调试的，不过ai倒是可以给搭一个简单的框架，像是盖房子的地基，也是蛮好的

对于开发中遇到的乱七八糟的需求，AI再合适不过了，几千行屎山丢AI里面跑跑就能知道大概逻辑，对于我这种大废物而言简直是救星，特别是遇到开源项目，直接3、4个AI轮流着跑顺便对比结果，大概率能在短时间内吧项目的关键要点学到，之后就可以切换下一个如法炮制目前我主要用这三个：1. kimi（神）2. chatgpt（神）3. 豆包（有点慢）

1. 核心影响因素- 任务类型：- 简单任务（如文本分类）：可能需数百到数千条标注数据。- 复杂任务（如对话生成、阅读理解）：通常需数万条甚至更多数据，尤其需多样性和高质量样本。- 模型规模：- 大参数量模型（如GPT-3、PaLM）可能需更多数据防止过拟合，但通过策略（如参数冻结）可降低需求。- 较小模型（如BERT-base）可能在较少数据下表现良好。核心是数据质量：- 高质量、标注精准、多样化的数据可显著减少需求量。- 低质量数据可能导致模型性能瓶颈，需额外清洗或增补。领域差异：- 若预训练数据与目标领域差异大（如通用→医疗），需更多领域数据调整模型分布。- 训练策略：- 正则化技术（早停、Dropout、数据增强）可缓解小数据过拟合。- 迁移学习技巧（如Adapter、LoRA）可减少可训练参数量，降低数据需求。经验可参考范围- 常规任务（分类/标注）：- 小模型（如BERT）：1k-10k样本。- 大模型（如GPT-3.5）：可能需10k-50k样本（结合领域适配策略）。- 生成任务（对话/摘要）：- 通常需5k-100k+样本，依赖生成质量要求。- 领域适配：- 若领域差异大，需额外增加20%-50%数据量。产品经理的权衡维度- 业务目标：- 若需快速验证MVP，可接受小数据+低精度（如数百样本），后续迭代优化。- 若追求高精度（如医疗、金融场景），需预留足够标注预算。- 资源限制：- 标注成本：若数据获取昂贵，需优先优化数据质量或采用主动学习。- 算力与时间：大数据量需更高训练成本，需权衡ROI。- 替代方案：- Prompt Engineering：用少量样本设计提示词，可能无需微调。- Few-shot Learning：结合模型原生能力减少数据依赖。

我想问一下万能的uu ，亚信科技初级AI能力测试大概考哪些方面的内容，我好做准备，有没有已经考过的uu们，求助！！！😭😭😭