AI时代的工作 VS 传统时代的工作，有哪些不同？

每一次AI工具的更新，市场上都说不需要前端了，然而事实真的如此吗？互联网本身就是新兴技术，因此互联网的各种工种也是受AI影响最深最快的前端不会消失，只是可能会HC减少，并以另一种形态存在，说说我当前的工作状态吧👇去年下半年到现在，工作80%都是AI相关，工作边界变得更加广阔：1）技能结构：从“前端单点”升级为“产品+内容+技术”的复合型以前更像是典型的前端工程师：把需求实现出来、把页面做出来、把交互写出来。现在更接近“能把想法从 0 推到 1”的复合角色——既要会产品设计，也要能用 AI 批量生产内容，还要具备把功能快速落地的代码能力。2）协作方式：从“对接上下游”变成“AI 协同 + 跨部门整合”过去协作更多是：跟产品确认需求、跟后端对接口、跟测试走流程。现在更常见的模式是：我直接参与需求设计，用 AI 快速做 demo 或原型，先上线验证方案是否可行，再根据数据/反馈迭代。3）交付目标：从“交付代码”变成“交付解决方案”以前衡量产出最直接的方式就是：写了多少功能、交付了多少代码。现在更像在交付“产品 + 技术”的整体结果：不仅把功能做出来，还要解决业务问题。工作的时间配比也发生了些变化👇20%：手写代码（更多是修 bug、处理边界问题、关键逻辑兜底）30%：指挥 AI 写代码（生成、review、accept/undo，然后 commit & push）30%：调提示词/调产出质量（让 AI 更稳定、更贴合业务）20%：和 AI 一起想点子、做方案迭代（找方向、试路径、优化体验）在我这些项目里，几乎没有“前端/后端”的明确分界：很多时候是我跟业务把需求聊清楚、方案定下来，就直接开发上线；有些需求甚至是我在 AI 的帮助下自己做方案、自己验证、自己推进落地；AI 带来的不是“写代码更快”这么简单，而是让一个人具备了更强的端到端能力：从需求到方案、从验证到上线，都能更轻、更快地跑起来。那么有人就要问了：你涨薪了吗？你涨薪了吗？你涨薪了吗？😊😊😊先说结论：那肯定是没有的但是你不适应时代的变化，你就会被时代所淘汰，AI时代除了传统技能以外，更多的还是拼你对业务 、对市场的理解，过去程序员很多只停留在代码跑起来的逻辑上，但忽视了很多代码背后的业务情况，AI时代帮你节省了写代码时间，给了你更多的思考时间——你对于业务是否有更好的解决实现方案，是最重要的能力实习的时候不要总是低头看代码，更要横向看看业务目标

我早说，AI会逐步替代基础的程序员，但是我没想到速度如此之快，我还是太保守了。但是作为一个程序员，从立场来讲，我自然不希望AI替代我们，因为这影响我的就业和竞争。 但是我们不希望又能怎样，时代的趋势是不可阻挡了，我们只能顺势而为。 是时势造英雄，而不是英雄造时势。一、AI编程越来越离谱 我不得不承认，AI已经替我完成了70%的工作量，并且完成的比我更好，更精准，效率更高。算法中的时间复杂度、空间复杂度、最大圈数基本都是最优解，甚至很多时候，我感觉他已经在顺着我的思路帮我思考了。  替你写注释：我只需要打个“//”，注释就会自行生成，如果你觉得他生成的不对，你就再打两个字，他会顺着你的话去续写。...

不好意思标题党一下，但我是真的用AI优化简历拿到了2个offer！如果你觉得找人改简历太贵，自己的简历又拿不出手，可以用我的方法去修改。我的简历优化流程如下：第一步：用AI做简历诊断我用的是Claude（免费版就够了），把简历全文粘贴进去，然后问：我是计算机专业应届生，想应聘后端开发岗位。（其他岗位一样，这里以后端开发岗举例）请分析这份简历的问题，从HR和技术面试官两个角度评价。重点指出：1. 哪些描述太空洞2. 哪些经历可以加强3. 哪些技术栈需要突出第二步：用AI重写项目描述这是核心步骤。我把每个项目单独拎出来，让AI用"STAR法则"重写：- Situation（背景...

伟大的克劳德大人，再带我冲一次吧之前在字节没接触过什么vibe coding，写测试工具基本是手写，最多用豆包，来了腾讯接触到了vibe coding，从刚开始的不信任，到已全力梭哈，没有什么是写不出来的，如果有就多生成几次附一张代码仓库提交

25届已经工作半年，找到工作的大家现在ai工具已经成为开发过程密不可分的小助手了吧？还记得在4月份实习的时候，公司或者外部ai还是比较蠢的，生成的单测都一塌糊涂。而在7月份正式入职后，这时候Cursor都已问世许久。回公司，公司的ai都已脱胎换骨，仅仅一个小插件，也能做到读取文件，按照意图生成符合上下文格式的代码，且能跑通。这对于我来说简直是不要太爽（刚入职 让我去参与一个平台初始搭建，crud通过mybatis generate生成了，其中有个功能点我不是很熟悉，将我的思路告诉ai后，生成的像模像样，我也学习到了）相比传统时代的办公方式，我认为ai时代，我们可以更多将想法去低成本或者无成本的实现，更多时间去学习、或者享受生活。

几年前还没有chatgpt的时候，刷题真的是很痛苦。刷不出来只能看题解，题解有几个问题：第一个是每次看的写题解的人都不一样，很难有一个统一的思路；第二个也是最重要的是，题解只提供了作者自己的思路，但是没有办法告诉你你的思路哪里错了。其实很少有错误的思路，我只是需要被引导到正确的思路上面去。所以传统题解学习起来非常困难，每次做不出来难受，找题解更难受。但是现在chatgpt能做很多！它可以这样帮助你 -1. 可以直接按照你喜欢的语言生成各种解法的题解和分析复杂度。2. 把题和你写的代码都发给它，它可以告诉你 你的思路到底哪里有问题。有时候我发现我和题解非常接近，只是有一点点🤏想错了。只要改这一点点就是最优解。信心倍增。3. 如果遇到不懂的题解可以一行一行询问为什么要这样写，chatgpt不会嫌你烦。有时候我觉得自己的range写错了，其实那样写也没错，只是chat老师的题解有一点优化，这个它都会讲清楚。4. 它可以帮你找可以用同类型解法来做的题。然后它可以保持解法思路不变，用一个思路爽刷一个类型的题。如果题目之间思路又有变化，它会告诉你只有哪里变了，其他的地方还是老思路。5. 它也可以直接帮你总结模板，易错点。经过chat老师的指导，我最大的改变是敢刷题了。之前刷题需要先找某一个人写的算法题repo，然后跟着某一个人他的思路刷他给的几个题。如果想写别的题，套用思路失败了，没有他的题解，也不知道到底哪里错了；看别人的题解，思路又乱了。这个问题在二分查找和dp类型的题里面特别常见。但是现在有chat老师，他会针对我的代码告诉我我哪里想错了，应该怎么做；还按照我写代码的习惯帮我总结了一套属于我的刷题模板。每天写题全是正反馈！

第一章：AI 产品经理核心能力构建1.1 打造“T 型”能力结构AI 产品经理需要构建独特的“T 型”能力结构，既有技术深度，又有产品广度。纵向深度（AI 技术理解）：机器学习基础概念监督学习：分类（用户标签预测）、回归（价格预测）无监督学习：聚类（用户分群）、降维（特征提取）强化学习：推荐系统优化、游戏 AI 决策理解各种算法的适用场景和局限性深度学习认知架构神经网络：感知机到深度神经网络的发展历程CNN：计算机视觉领域的主力军（图像识别、人脸检测）RNN/LSTM：处理序列数据的利器（语音识别、文本生成）Transformer：大语言模型的基石架构（ChatGPT、文心一言）AI 产品应用场景掌握计算机视觉：美颜相机、自动驾驶、医疗影像诊断自然语言处理：智能客服、机器翻译、内容推荐推荐系统：抖音算法、淘宝商品推荐、网易云音乐语音识别：语音助手、实时字幕、语音输入法数据处理能力培养数据清洗：去重、异常值处理、缺失值填充特征工程：从原始数据到模型输入的特征转换数据标注：监督学习的数据准备流程数据隐私：GDPR、隐私保护技术理解横向广度（产品综合能力）：用户需求洞察能力用户访谈：开放式问题设计、深层次需求挖掘问卷调研：定量分析、问卷设计原则数据分析：用户行为数据解读、漏斗分析竞品分析：功能对比、体验评测、市场定位产品设计能力PRD 撰写：功能描述、逻辑梳理、验收标准原型设计：Axure、Figma、Sketch 等工具熟练使用用户体验设计：交互流程、界面布局、可用性测试需求管理：需求池维护、优先级排序、变更控制项目管理技能敏捷开发：Scrum 流程、Sprint 规划、Daily 站会跨部门协作：与算法、工程、设计团队的沟通技巧进度把控：里程碑设定、风险识别、应急预案资源协调：人力分配、时间管理、优先级决策商业分析素养市场调研：TAM/SAM/SOM 分析、用户画像构建竞品分析：功能对比、SWOT 分析、差异化定位商业模式：SaaS、广告、增值服务、API 调用盈利模式：付费订阅、按使用量计费、一次性购买2.2 简历优化黄金法则突出 AI 相关经验AI 项目经验描述模板AI产品实习经验 | XXX公司 | 2024.06-2024.12• 负责智能客服产品的需求分析，完成PRD撰写，需求文档达15页• 协同算法团队优化NLP模型，准确率提升15%，用户满意度提升20%• 主导产品功能设计，设计的对话流程覆盖90%用户咨询场景• 跟踪产品数据指标，日活用户增长25%，转化率提升12%数据成果量化用户指标：DAU、MAU、留存率、活跃度提升业务指标：转化率、点击率、用户满意度提升技术指标：响应时间、准确率、覆盖率优化商业指标：收入增长、成本降低、ROI 提升技能标签精准匹配必备技能矩阵核心技能：✓ 产品设计：PRD撰写、原型设计、用户研究✓ 项目管理：需求管理、进度跟踪、跨部门协作✓ 数据分析：用户行为分析、A/B测试、指标监控✓ 沟通表达：需求讲解、方案汇报、团队协调加分技能：✓ AI/ML基础：机器学习概念理解、算法原理认知✓ 编程能力：Python/SQL基础、数据处理技能✓ 用户研究：访谈技巧、问卷设计、用户画像✓ A/B测试：实验设计、结果分析、决策制定认证展示：✓ CDA数据分析师：数据分析专业认证✓ 敏捷项目管理：Scrum Master认证✓ AI产品经理认证：相关培训课程证书2.3 面试准备全攻略AI 基础概念准备用通俗语言解释 AI 概念监督学习 vs 无监督学习监督学习：就像有老师批改作业的考试，每道题都有标准答案无监督学习：就像在一堆没有标签的照片中自己找规律，发现其中有风景照、人像照、食物照深度学习原理神经网络：模拟人脑神经元连接，通过层层计算提取特征CNN：专门处理图像的神经网络，就像人的视觉系统Transformer：注意力机制，让模型关注输入的重要部分AI 产品常见问题如何评估 AI 产品效果？准确性：模型预测的正确率实用性：对用户实际问题的解决效果稳定性：不同场景下的一致性表现公平性：避免对特定群体的偏见AI 产品的隐私保护怎么做？数据脱敏：去除个人身份信息差分隐私：在数据中加入噪声保护隐私用户控制：让用户选择是否参与数据训练产品思维展示技巧STAR 法则准备案例Situation（情境）“公司在智能推荐业务中面临用户点击率下降的问题，转化率从 15% 降到 12%”Task（任务）“作为产品经理，我需要分析原因并提出改进方案”Action（行动）“1. 分析用户行为数据，发现新用户推荐准确率偏低2. 调研用户反馈，发现推荐内容与兴趣不匹配3. 协调算法团队优化推荐模型，加入用户实时反馈4. 设计 A/B 测试验证新模型效果“Result（结果）“新模型上线后，新用户点击率提升 20%，整体转化率恢复到 14%”产品决策思维数据驱动的决策建立完整的数据指标体系用数据验证产品假设基于数据调整产品策略量化产品效果和商业价值用户价值导向深度理解用户真实需求平衡用户体验和商业目标持续优化产品核心价值关注产品的长期发展第三章：通用求职成功策略3.1 时间规划与学习安排实习申请时间规划3-4 月：黄金准备期目标：完成简历优化，项目经验包装行动：投递简历，参与校园招聘重点：简历制作、面试技巧训练5-6 月：面试冲刺期目标：密集面试，积累面试经验行动：面试约谈，案例准备重点：模拟面试，经验总结7-8 月：入职准备期目标：顺利入职，快速适应行动：入职准备，知识复习重点：团队融入，工作熟悉3.2 个人品牌建设技术社区参与策略GitHub 项目贡献选择热门开源 AI 项目从修复文档开始，逐步贡献代码展示 AI 产品相关工具和脚本建立代码质量口碑技术博客建设定期发布 AI 产品分析文章分享实习经历和产品心得深度解析 AI 产品功能设计建立个人专业影响力行业活动参与参加 AI 产品经理 meetup在技术会议分享产品经验加入 AI 产品经理社群建立行业人脉网络校友资源利用校友关系维护联系在目标公司工作的学长学姐参加校友聚会，了解行业动态加入校友微信群，获取内推机会建立长期合作关系导师资源获取寻找 AI 领域资深专家作为导师定期请教求职和职业发展问题参与导师组织的学习活动建立长期的师徒关系3.3 面试心理调节压力管理技巧面试前准备充分准备，建立自信心提前踩点，熟悉面试环境深呼吸放松，调节紧张情绪积极心理暗示，相信自己能力面试中应对把面试官当作合作伙伴，而非评判者遇到难题时，主动请求思考时间诚实承认不足，展示学习意愿关注交流质量，而非标准答案面试后复盘及时总结面试表现分析得失，为下次面试做准备调整心态，保持积极乐观持续改进，不断提升失败应对策略面试失败分析客观分析失败原因区分技能不足和经验不足识别可以快速提升的能力制定针对性改进计划持续改进方法寻找面试表现录像，分析肢体语言请教有经验的学长学姐参加模拟面试，获取专业反馈记录常见问题，准备标准答案

春招在即，无论是26届，还是即将找实习的27、28届。都会面临一个问题：去网上看了很多公司面经，面试时一个都想不起来。今天我教你用Notion建立面经管理系统，再配合AI做分析，让你从从容容，游刃有余。减少求职的压力。 1.在Notion中新建表格用来记录面试进度和刷题进展。如下图：这样可以清楚的展示你的面试进度以及你今天要复习什么，打开后面的面经链接就可以了。附上表格模板： 面经数据库（主表格） ├─ 基础信息 │ ├─ 公司 │ ├─ 岗位 │ └─ 面试日期 ├─ 技术考察 │ ├─ 高频题 │ ├─ 考察重点 │ └─ 难度评级（1-5星） └─ 我的准备 ├─ 准备状态 ├─ 复习次...

23年的时候，gpt刚起来，但我那个时候不会用这写代码，课设代码还都是我自己手动一行一行去敲，遇到不会的，还是会看百度，csdn，github，copy下其他人的代码，真正让我开始学会用ai写代码的是24年，豆包刚出来那会，我尝试用豆包写，把思路给它，代码我粘贴到idea里，遇到报错就甩给豆包，到现在，我基本上都是指导ai如何写代码，自己就写20%的量，感觉自己敲的代码量不多了，手都有些生疏了

我一直听各种类型的播客，这两年有个感觉愈发明显，那就是人类社会已经逐渐分化成了两个世界：一个是 AI-driven 的世界，变化和颠覆按天计算，不论你是否喜欢都被裹挟其中；另一个世界里一切如常，AI 不过是茶余饭后的谈资，不带来任何实质影响。这是一种前所未有的，奇怪的割裂感。我不知道它会持续下去并逐渐放大，还是会逐渐消弭。或许如前几次工业革命的进程一般，这种不均匀只是暂时的，亦或者，这次确实不一样？

工作时长不变，现在用AI工作虽然效率高了，但是干的活更多了，感觉大脑一天都闲不下来，还不如之前。

因为有个页面，它有个进行集群迁移通知 的那个抽屉的弹窗，要UI自动化测试的时候，要先把弹窗关闭，然后我对AI说你要做这种异常处理机制，要把弹窗关闭，结果他给我做了一个通用的关闭逻辑，结果导致我有一个用例执行过程中进行资源配置，它产生了一个card卡片的这样一个元素，然后点击创建之前，他先做了这样一个关闭逻辑，把我配的这个card给删了，我真服了。今天晚上定位好久才发现。我一开始还以为是服务端调接口实现的UI回放速度太快了，导致一些DOM元素没有更新，或者说是一些接口同步调用而产生的问题，现在看来应该不是这个问题，我还加了个时间戳的间隔设置，看来这种也没必要加

这个话题我有切身的感受。最近这段时间，我一直沉浸在用AI大模型进行艺术绘画的学习过程，这个学习已经持续了差不多一年。这个学习过程让我感受到，AI确实是一个非常好用的创作工具。因为自己喜欢绘画，但从未从接受过系统的绘画专业训练，所以很少画出自己满意的作品。但通过AI，我达成了这种可能，这让我非常欣喜。其实在整个学习的过程中，不是所有的体验都是正向的，我也会焦虑，这源于AI的快速进化。因为它的迭代速度太快了，模型的重大版本升级和新的工具出现都非常快速，它会让你置疑之前投入的学习成本。在绘画类的大模型里就有好多工具。我最开始用MJ绘画，后来转学SD，这里面又有两个操作平台Webui和ComFyui，里面的模型也在快速迭代升级。面对这种场景，你会有很强的受挫感，感觉学习跟不上变化。这个时侯就需要不断的调整自己的情绪，调整自己的学习方法与路径去适应这种变化。总结起来，AI是非常好的工具，可以大幅提升学习工作效率，我们应该抱持开放的心态去接触学习使用它。就像人类历史上出现的任何一个新技术一样，它会让传统的一些职业消失，但同时会创造出更多新的职业。相较于传统时代的工作，AI时代的工作会更加专业化、个性化，人类在重复性劳动中的投入会越来越低，重复性劳动在贬值，但“定义问题”的能力在升值。未来的艺术家可能更像是一个导演。AI 负责生成，画家负责审美把控、创意组合和情感注入。这是大势所趋，没人能改变它。

最近马斯克3个小时的采访你看了吗？反正我看了两遍了，现在脑子里已经彻底炸翻了。他说的第一件事就够扎心的：‌各位，准备好，五年内，你我现在干的活儿，大概率要没了。‌ 这可不是危言耸听。想想看，咱们白领天天对着屏幕，敲键盘、点鼠标、处理信息，这些在AI眼里，跟小孩搭积木没啥区别。它处理信息的速度和精度，是人类大脑永远追不上的。律师写的法律文书，AI能瞬间生成更规范的版本；程序员吭哧吭哧debug，AI扫一眼可能全搞定了；会计对账？AI能24小时不眠不休，还不出错。这就像什么呢？就像当年汽车取代马车，不是马跑得不够快，而是整个游戏的规则变了。我们在数字世界里拼的“手艺”，正在被AI的“算力”无情碾压...

AI应用越来越普及，很多重复性的工作会被替代，传统时代有一个技能就能吃一辈子现在不行了。

我个人是很感谢ai这个工具的，但是不得不说ai对就业市场造成了很大的冲击。我在这里发表一句暴论，那就是以后除了需要面对面接触人的工作，所有岗位都会被ai取代。像办公室白领（正是在下）做的一些机械性的重复性的工作，随着ai越来越强大，这些岗位必然消失。连我这种代码小白驾驭了ai以后就很快学会了让ai替我写代码，我随便debug一下，就可以用了，然后我把我的工作内容自动化了80%，至于剩下的20%怎么办，那ai确实不能假扮我给供应商打电话。很多写代码的程序员也是如此，他们就是会担心自己的工作被ai替代，因为大势所趋。

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...

大家好，某大厂螺丝钉一枚。上周发生了件让我失眠的事儿。我用GPT写了个自动化脚本，把原本一周的数据清洗工作压缩到3天完成。本来挺开心，结果周四下午ld找我问这周怎么这么闲？无语……传统时代的工作逻辑是：你越忙越有价值，加班到深夜说明你很拼。但AI时代完全反过来了——效率高了反而成了原罪，因为你证明了这个岗位其实不需要一个人。后来我跟几个朋友聊，发现大家都在经历类似的尴尬：运营小姐姐用AI写文案，2小时产出以前2天的量，但不敢告诉老板；设计师用Midjourney出图，省了80%时间，结果被安排了更多需求；程序员用Copilot写代码，debug时间大幅减少，但KPI反而加重了。我的应对策略（血...