聊聊我眼中的AI

故事要从这里说起：作为一个专业运营，数据处理和分析并不可少（但其实我根本没学过excel，工作这么多年我的excel都是网上现查的），deepseek不是很火吗？于是我问了它一个问题：不是吧，它还真可以啊！经过我一顿研究，这份《DeepSeek 接入 Excel 操作指南》送给每位打工人，有了它，一天摸鱼8小时。【具体操作步骤如下】：一、获取 API Key访问官网：打开 DeepSeek 官网 https://api-docs.deepseek.com/zh-cn/，点击“申请 API Key”。注册账号：注册并登录 DeepSeek 账号，完成实名认证后即可获取 API Key。二、Exc...

春招马上就要开始了，不知道各位牛友有没有赶时髦包装一些AI项目呢，无论是前端后端还是做产品，如果你的项目里包装了RAG却感觉好多知识答不上来，担心被面试官拷打到爆，这几天我从全网搜集到了部分AI相关面试真题和参考解答13题，搜集整理不易，希望能给个赞，如果参考答案有误或者希望补充真实题目，欢迎来评论区交流分享，最后祝大家求职顺利，春招都能接到心仪的OFFER，如果本期文章数据不错，就火速加更，期待你们的互动 第一部分：RAG核心概念与价值1. RAG是什么？可以说说RAG的流程吗？RAG的全称是Retrieval Augmented Generation（/rɪˈtriːv(ə)l ɔːɡˈm...

前言这是我的agent系列文章的第4篇，该系列分为三部分：AI认知篇：详细讲解相关基础概念AI实践篇：分享诸如skills怎么写、怎么ai coding、怎么写好prompt等的最佳实践AI八股篇：分享我自己整理的应付大模型应用开发岗位必备的八股笔记如果觉得有帮助，欢迎关注我并期待后续文章！预期是日更哦！当天没更可能是因为太累了，周末会弥补的。在大模型应用落地的浪潮中，我们常常面临一个核心矛盾：大模型博学但“失忆”，且容易“胡编乱造”。它不知道我们公司昨天的会议纪要，也不了解最新的内部产品文档。为了解决这个问题，检索增强生成（RAG, Retrieval-Augmented Generatio...

呜呼，程序员危矣！ 你以为你在和AI竞争？错。你在和老板的幻想竞争。 并不是AI的能力真的完全取代程序员，而是让老板以为AI的能力真的可以完全取代程序员！ AI导致的程序员就业危机应该会比预期的还要更早、更猛烈，因为大众对AI的认知有点过于盲目和狂热了，你可能会暗自嘲笑别人啥都不懂，盲目夸大ai,但你别忘了，给你开工资的老板可能也是其中盲目的一员。 可笑吗？荒谬吗？但现实就是——给你发工资的人，可能连 prompt 是什么都搞不清，却敢决定你的去留。上意难测啊!上过班的都能听懂这句话吧

前言这是我的agent系列文章的第5篇，该系列分为三部分：AI认知篇：详细讲解相关基础概念AI实践篇：分享诸如skills怎么写、怎么ai coding、怎么写好prompt等的最佳实践AI八股篇：分享我自己整理的应付大模型应用开发岗位必备的八股笔记在大型语言模型（LLM）的应用开发中，我们常常面临一个核心矛盾：如何平衡模型的“稳定性”与“创造性”？有时候我们需要模型像教科书一样严谨准确，有时候又希望它能像诗人一样灵感迸发。解决这一矛盾的关键，往往藏在两个看似简单却极其强大的参数背后：Temperature（温度） 和 Top-p（核采样）。很多开发者只是机械地调整这两个数值，却并不清楚它们底...

ai时代其实做底层的基础模型开发永远都是少数人，而大部分人其实做的依然是开发方向，agent，rag，后端这些。可能有人说我学agent不需要学后端语言，其实并不是这样。我看了公司的ai项目，其实也会涉及到一些缓存，数据库的存储。agent开发不止需要的是对于大模型的基础性理解，还是需要一定的工程能力。刚开始企业在招聘的时候，主要考察ai是因为产品还在初始阶段，用户量不算很大。用户量大到一定程度就需要工程能力了，降级，容错，数据存储，性能优化，这是工程能力，而ai幻觉，输出质量稳定性，agent编排，微调需要的是ai能力。以下是更偏后端的ai开发的全栈能力1.  基础后端能力一门业务语言，框架，体系(java/golang/cpp)核心是构建后端服务，语言并不是最重要的，框架也不是最重要的。后端能力学框架并不是框架本身，而是涉及到底层的网络/io/数据存储/操作系统。为啥用多路复用，怎么结合业务逻辑配置缓存淘汰策略，其实是对计算机本质的理解。框架，中间件都是一层套一层的，最终会回归到最本质的io与trade off2.ai能力超越调用API，需理解大模型的核心原理（如Transformer架构、注意力机制）及其能力边界。ai应用侧的能力prompt，rag，mcp，langchainagent编排3.大数据处理能力随着互联网公司的数据量增大，普通的mysql以及不能支持高效的查询。对于一些复杂的聚合计算，报表这些通过简单的行式存储(tp)已经不能满足未来的需要，所以出现了列式存储(clickhouse/doris)。需要了解从tp数据库的清洗流程(flink流式处理/离线处理)ai时代我认为，数据的作用将会不断增大4.垂直领域的业务能力互联网(金融/电商/社交/内容/直播)都需要ai来赋能以我所在的跨境电商行业为例，你是否熟悉电商下单到跨境物流(头程，尾程)再到合规等业务，能否打通业务全链路形成闭环为什么未来需要全栈能力？(1)ai提升了代码开发的效率，如果我们把java，大数据，ai分成3个岗位，中间的沟通时间就会浪费掉，而ai更加擅长的其实是技术细节的coding(2)做ai开发prompt，rag，agent编排的偏向ai侧的工程师，其实是需要非常熟悉业务的，而java工程师最擅长的就是业务，不如让一个人去做，效率最高，不懂业务做ai开发效率是没那么高的就像美团履约团队，让前端去转后端一样，有可能未来，全栈正在成为一种趋势所以，先广度，再深度，先把工程能力和ai能力的广度建立起来，再对一些方面进行深挖最后再来谈谈为什么我认为ai是取代不了程序员的。我认为最核心的一点就是未来写代码有可能是一个需要情商的事情？什么叫需要情商，就是你废力去做的一个需求，可能用户根本不需要。举个例子，产品问开发，你认为这个需求最多能够承受多少数据量，开发问产品，你认为客户的需求能做到多少数据量就可以了。像saas公司，你真的要做到满足客户100%的需求嘛，不是的，因为你真满足了，你的服务器成本会很高，公司发现不划算。这就是一个trade off的问题所以本质上程序员开发涉及到情商/成本trade off/商业化思维的时候，ai做不了了还有一点就是行业的业务，以我在saas公司的经历，我认为saas公司其实就是在垂类赛道把行业的业务知识搞透了，赢得了客户的信赖，而其中一些业务设计，ai理解起来会非常困难。垂直领域的业务知识或许会成为程序的壁垒之一

前言这是我的agent系列文章的第2篇，该系列分为三部分：AI认知篇：详细讲解相关基础概念AI实践篇：分享诸如skills怎么写、怎么ai coding、怎么写好prompt等的最佳实践AI八股篇：分享我自己整理的应付大模型应用开发岗位必备的八股笔记如果觉得有帮助，欢迎关注我并期待后续文章！预期是日更哦！当天没更可能是因为太累了，周末会弥补的。做 AI Agent 开发，总被 Function Calling、MCP、Skills 这三个概念绕晕？其实三者层层递进，MCP 和 Skills 都基于 Function Calling 打造，只是解决的实际问题不同，二者甚至并非互补，而是核心竞争关...

双非本次九研0，导师快退休了放养，无顶会可能，自己有很多时间可以卷实习，未来想去中大厂，目前纠结几个方向。搜广推：偏算法，不重论文的传统算法方向，薪资可观。大模型应用：偏开发，很多培训班现在都在推这个，个人感觉门槛不高，现在溢价，3年以后估计和现在Java后端薪资持平。ai infra：偏底层，需要较长的学习时间，岗位少。本人没有实习过，各方面基础目前也很一般，想知道这3个进大厂的普遍要求是什么样的？求各方向的大佬们推荐方向和路线。(如果可以，请简单介绍一下自身情况，不要一味强推或否决)拜托各位

主包2本9硕，学了一年Java开发，有一段比较长的大厂后端研发的实习，现在大模型太火了，有点儿想往大模型方向转，实验室基本都是就业向，发不出论文来，所以基本只能考虑大模型应用开发。有深度学习基础，研究方向也是大模型相关的，现在开始从头看那些什么langchain，langgraph的视频，感觉太浪费时间了，想直接通过项目去学习，有uu推荐rag和agent相关的项目吗

曾经的我，一看到Python代码就头大，语法记不住，报错看不懂，学几天就放弃。直到我开始用AI辅助学习，一切都变了。我把不懂的知识点丢给AI，它会用最简单的话讲明白；写代码卡住，它一步步带我写；遇到bug，它直接指出问题并修改。不用翻厚厚的书，不用到处找教程，我只需要跟着学、跟着练。慢慢的，我能写出简单的程序，能看懂逻辑，甚至能做小项目。原来学Python并没有那么难，只是我之前没找对方法。用AI学习，不是偷懒，而是让学习更高效、更轻松。现在的我，终于敢说：编程，我也可以。

我们是如何走到这一步的人工智能这一词出现，依然有几十年的历史，差不多每过十年就会经历一次 AI 浪潮。抛开那些繁杂的概念，只说大模型，起源可以追溯到 2017 年发布的《Attention is All Need》论文，论文提出了Transformer，给现在的 LLM（大语言模型） 奠定了理论基础。理论到落地通常需要很久的时间。所以直到2022年，才有第一个应用诞生，至今AI应用访问量上都占据着榜首。模型 & 应用如何理解LLM一个发光二极管，亮与暗代表1和0，这样电信号与数字信号便有了转换方式，硬件与软件有了初步合作。不过0101代码的还是不够让人类方便的理解，于是人们将一组01抽...

在这篇文章中，我尝试从趋势分析、企业选择、能力转型等几个角度，将关于大模型的所见所思呈现出来，希望对大家有帮助。第一部分：趋势分析前几周跟一个老朋友聚会，边吃边聊，我们一起YY出了很多的AI小秘书，在生活中帮助我们：我们应聘时，它监听面试官的问题，把答案显示在屏幕上。警察审案件时，它监听嫌疑人的声音、语气、生理数据，给出建议，并告诉警察如何进一步提问来挖出真相。它可以把律师事务所、会计师事务所大量根据行业模板做基础工作的一线员工给替换掉。结婚率进一步下降，因为春水堂的硅胶娃娃借助大模型的深厚思考，成了男性的真正伴侣，社会再没有了男女对抗，大家各玩各的。中年男人失业之后的几个退路，滴滴司机、保安...

我是22级硕士研究生，大概22年底，ChatGPT-3.5发布的时候，我就注册了账号尝试使用，那会儿的感觉就是“颠覆”二字。但2022/2023两年给导师写过近10篇本子，还都和大模型没关系，一直到2023年下半年才初见端倪，专家们开始说“2024年热门肯定是AI大模型”。课题组一直有研究AI，但基本上没有传承，2024年初导师开始要求我们研究大模型，这期间问过我好几个“愚蠢”的问题：“咱的3090训练大模型不够用？”“那为啥人家学校都能研究大模型，他们都有A100吗？”“你要想着去解决科学问题，比如能不能提升推理时间，能不能比世界第一更强！”“咱的显卡也是够用的，你看那台服务器就有两块4090D，那台有4060……”所以我认为AI不是科研项目，它不依赖学术界的主导。AI是一个工程领域，需要应用数学家和大量工程师的大规模投入，涉及购买GPU、建造服务器、数据处理和模型训练等，远非在办公室/会议室/酒桌上讨论可行性的问题。全球范围内，像中国和美国的大型AI模型，都是由企业主导的，而非大学或研究机构。因此，中国的学术界只能在旁边观望，已经没有话语权，也不应将美国的论文当作标杆。中国的学者普遍没有参与一线AI项目，这也是为什么他们觉得中国在AI领域落后，而实际在一线工作的美国公司认为中国并不差，甚至在某些领域有所领先。这种现象恰恰揭示了产学之间思维范式的根本差异。高校的科研体系本质上是围绕学科建设与论文产出的"盆景式创新"，而企业驱动的AI革命则是以市场需求为导向的"雨林型进化"。当院士们还在用论文引用数丈量科研价值时，DeepSeek的工程师们已经在用每秒浮点运算次数重构认知边界。这并非学术界的失职，而是技术代际更替的必然——就像蒸汽机不会诞生于牛津大学的经院哲学，AI大模型时代的创新主场注定要回归到产业实践的熔炉之中。

我觉得这是一个伪命题，因为这根本就不是一个A或B的问题。互联网各个部门都喜欢搞ai,也确实有很多结合具体业务开发智能体的需求（主要是大老板喜欢），但是据我观察现实情况有个很现实的结论：现阶段大部分智能体开发，核心执行者都是后端工程师。我本人的工作也包含了部分智能体开发，所以有点发言权。究其原因，一来后端工程师最懂业务逻辑和系统底层架构，能精准捕捉业务痛点，知道哪里适合用 AI 赋能、怎么落地才贴合实际需求；二来智能体开发的核心是 “业务落地” 而非 “大模型底层研发”，技术门槛更多集中在业务拆解、工具整合与流程闭环，而非高不可攀的算法研发，后端工程师上手起来反而更有优势。ai是风口，agent...

身边好几个Java选手都是面大厂后端开发岗，结果进去干Agent开发。传统后端的那些高并发，高可用的技术是一个都没用到，Agent开发也是纯粹的写prompt和workflow，感觉Agent开发这东西没啥具体业务，更像是今年大厂都有一个AI赋能的指标，所以招几个实习生完成上面的任务。目前，身边干Agent开发的哥们都是2B的，没听说过有2C的，而且这个Agent都是面向公司内部的大模型

快过年了，就别再揪着 Vibe Code、OpenClaw、各种 Skills 没完没了聊了。你费心部署的那些 Bot、AI 助手，过年回家半点儿实际用场都派不上。朋友聚在一起掏着钱吃喝玩乐热热闹闹，你却在一旁对着刚搭好的 AI 助手发愁，默默嘀咕怎么又不生效、跑不通。亲戚吃饭问你一年有啥收获，你兴冲冲说自己做了 AI 助手、写了好几个挺厉害的 Skills，亲戚们听得一脸茫然，你还暗自觉得他们不懂 AI 时代，不明白你这 “超级个体” 的价值。可等到父母和同事聊起儿女，别家孩子买房买车、升职加薪，你爸妈只能沉默不语，心里只想着：自家孩子成天对着黑底白字的屏幕自言自语，时而笑时而点头，也不知道...

前言：打破“隔行如隔山”的幻觉 半年前，我还是一个纯粹的 ACMer（程序设计竞赛选手）。 我的世界里只有算法、数据结构和 StdIO，对于现代软件工程——无论是前端的 CSS/JS，还是后端的架构设计——我的经验是绝对的 0。毕业后，我长期从事编程题命题工作，虽然为大厂贡献了数千道题目，但那依然是“做题家”的思维逻辑。 然而，在短短不到半年的时间里，我借助 AI（Cursor 等工具）的力量，从零开始独立完成了多个全栈项目：包括包含每日一题、技能树、对战系统的 牛客竞赛题目追踪器 (Tracker)，集成抽奖与 Prompt 互动的 2026 春季 AI 体验站，以及基于紫微斗数的 牛客 A...

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！