聊聊我眼中的AI

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。

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...

打开招聘软件，不难发现一个明显的变化：技术岗JD里多了“熟练使用AI编程工具”的要求，非技术岗则标注“能运用AI提升工作效率”；身边的后端同事，开始主动学习前端知识，靠着AI辅助，快速转型全栈；就连行政、运营岗的伙伴，也不再埋头做重复工作，而是用AI批量处理事务、生成方案。从手搓代码到AI编程，从单一岗位到跨界全能，AI的浪潮席卷而来，没有哪个岗位能独善其身。不论你是深耕代码的技术人，还是深耕流程的非技术人，都在经历一场前所未有的岗位变革——工作方式被重构，能力要求被升级，有人在变革中顺势突围，有人在迷茫中被迫淘汰。作为一名深耕后端开发3年，如今转型全栈的从业者，我亲身经历了AI对岗位的颠覆性影响，也见过太多同行、不同岗位伙伴的挣扎与成长。今天，就和大家好好聊聊，AI到底如何改变我们的工作方式和能力要求，我们又该如何适应这场变革，不被时代淘汰。先说说技术岗，这是AI影响最直接、最深刻的领域，尤其是后端开发，几乎迎来了“范式级”的改变。放在3年前，我每天的工作就是手搓代码，从基础的接口编写、bug调试，到复杂的逻辑梳理，每一行代码都要逐字敲击，一个简单的功能模块，往往要花费大半天时间。那时候，后端开发者的核心竞争力，就是“代码写得快、bug少”，只要熟练掌握一门编程语言，能独立完成后端开发任务，就能站稳脚跟。但AI编程工具的出现，彻底打破了这种格局。如今，GitHub Copilot、AI代码助手等工具已成为技术人的标配，Meta的AI编程系统甚至能完成85%的初级代码编写任务，GitHub数据显示，AI生成代码在开源项目中的占比已突破37%。现在我编写代码，不再是从头手搓，而是先让AI生成基础代码框架，再根据业务需求进行微调、优化，原本大半天的工作量，现在2-3小时就能完成。这种改变，不仅提升了工作效率，更重构了后端岗位的工作方式。以前，我们把大量时间花费在重复的代码编写上，很少有精力去思考业务逻辑、系统架构；现在，AI承担了基础的执行工作，我们的重心从“写代码”转向“做决策”——思考如何优化系统性能、如何适配业务需求、如何规避技术债务，把精力放在AI无法替代的复杂决策上。更明显的变化是，后端岗位开始向“全栈化”转型。以前，后端和前端是两个独立的领域，后端只负责接口开发、数据处理，前端负责页面渲染、交互设计，两者各司其职，很少有交叉。但现在，借助AI工具，后端开发者可以快速掌握前端基础技能，用AI生成前端页面代码、调试交互效果，不用再依赖前端同事，就能独立完成“后端+前端”的全流程开发。我身边就有很多这样的例子：有个做后端开发2年的同事，以前连HTML、CSS都不会写，借助AI辅助，只用了1个月，就掌握了前端基础技能，现在能独立完成小型项目的全栈开发；还有个刚入职的应届生，靠着AI编程工具，快速上手后端开发，同时学习前端知识，入职3个月就独立交付了一个完整的全栈小项目。与此同时，技术岗的能力要求也发生了本质变化。以前，“熟练掌握编程语言、能独立编写代码”是核心竞争力；现在，单纯的“会写代码”已经不够了，AI能比我们更快、更准确地完成基础代码编写，我们需要具备的，是AI无法替代的能力——复杂问题解决能力、业务理解能力、系统架构思维。就像Netflix的微服务架构涉及1000+独立服务，其容错设计需结合业务场景进行权衡，AI无法自主完成此类决策；蚂蚁金服JVM调优案例中，人类工程师结合业务峰值设计动态内存扩容策略，将系统稳定性提升40%，这都是AI无法替代的核心能力。此外，学会运用AI工具，也成为技术岗的必备技能，不会用AI编程的开发者，很容易被同行拉开差距，甚至面临淘汰风险。不止是技术岗，非技术岗也在被AI深刻改变，工作方式和能力要求的升级，同样触手可及。以前，运营岗的伙伴每天要花费大量时间写文案、做数据分析、整理用户反馈，重复且繁琐；行政岗要手动整理报表、安排会议、统计考勤，效率低下；销售岗要手动筛选客户、撰写跟进话术，耗时耗力。而现在，AI已经成为非技术岗的“高效助手”。运营岗可以用AI快速生成文案、制作海报、分析用户数据，原本需要1天完成的文案撰写，现在10分钟就能生成初稿，再稍作修改就能使用；行政岗可以用AI自动整理报表、安排会议、发送通知，节省大量时间用于更有价值的工作；销售岗可以用AI筛选精准客户、生成跟进话术，甚至模拟客户沟通场景，提升沟通效率。最直观的变化，就是58同城等企业已经明确要求，所有岗位招聘都要考察AI能力，不只针对技术岗，行政、财务、人力、销售等所有非技术岗位，全部纳入考核范围，完全没接触过AI的人，基本不会被录用。这意味着，AI已经从“可选技能”，变成了所有职场人的“入场券”，不会用AI，已经成为职场硬短板。我有个做运营的朋友，以前每天被文案、数据压得喘不过气，经常加班，后来开始用AI辅助工作，用AI生成文案初稿、分析用户画像、整理运营数据，工作效率提升了3倍以上，再也不用加班，还能有更多时间去思考运营策略、优化用户体验。她坦言，以前觉得AI和非技术岗无关，直到身边的同事都开始用AI，自己才意识到，不拥抱AI，迟早会被淘汰。对于非技术岗来说，AI改变的不仅是工作效率，更是能力要求。以前，非技术岗的核心竞争力是“熟练掌握岗位流程、认真负责”，只要能把本职工作做好，就能稳定立足；现在，单纯的“会做本职工作”已经不够了，我们需要具备“AI应用能力”和“核心创造力”。AI能帮我们完成重复、繁琐的基础工作，但无法替代我们的创造力、沟通能力和业务洞察力。比如运营岗，AI能生成文案，但无法结合品牌调性、用户需求做出有温度、有感染力的内容；行政岗，AI能整理报表，但无法应对突发的行政事务、协调复杂的人际关系；销售岗，AI能生成话术，但无法根据客户的情绪、需求灵活调整沟通策略。此外，跨领域学习能力也变得越来越重要。AI的普及，让岗位之间的边界变得越来越模糊，非技术岗也需要了解基础的技术知识，才能更好地运用AI工具、配合技术团队工作。比如运营岗，了解基础的数据分析知识、AI工具使用技巧，能更好地分析用户数据、优化运营方案；行政岗，了解基础的办公AI工具，能更高效地完成日常工作。不管是技术岗还是非技术岗，AI带来的变革，都不是“替代人类”，而是“解放人类”——把我们从重复、繁琐的基础工作中解放出来，让我们有更多精力去做更有价值、更有创造性的工作。但这种变革，也带来了焦虑：很多人担心自己被AI替代，担心自己的能力跟不上岗位要求，陷入自我怀疑和迷茫。我也曾有过这样的焦虑，尤其是在转型全栈的过程中，面对AI带来的岗位变化，一度不知道该如何发力，甚至担心自己多年的后端经验会被淘汰。直到我开始主动拥抱AI，学习AI工具的使用方法，同时提升自己的核心竞争力，才慢慢走出迷茫，意识到AI不是“敌人”，而是“助手”。在这个过程中，我也发现，很多人之所以焦虑，不是因为AI太强大，而是因为自己没有找到适配变革的方法，没有及时提升自己的能力。其实，应对AI带来的岗位变革，关键在于“拥抱变化、提升核心竞争力”，而精准展现自己的能力，让企业看到你的适配性，简历就成了关键。不管是技术岗转型全栈，还是非技术岗提升AI应用能力，一份能精准展现“AI适配能力”和“核心竞争力”的简历，才能帮你在求职中脱颖而出。但很多人不知道如何在简历中突出自己的AI应用经历、核心技能，要么写得像流水账，要么遗漏关键亮点，导致简历石沉大海。这时候，泡泡小程序AiCV简历王就能帮上大忙。它能一键分析简历与目标岗位JD的匹配度，自动标出缺漏的关键词，不管是技术岗的“AI编程工具使用”“全栈开发经验”，还是非技术岗的“AI高效办公”“跨领域协作能力”，都能精准捕捉。同时，它还能用STAR法则，把我们的工作经历、AI应用案例，优化成HR爱看的专业表述，不用自己费心琢磨，就能让简历亮点十足。我身边很多同行，不管是技术岗转型全栈，还是非技术岗提升竞争力，都用泡泡小程序AiCV简历王优化过简历，原本平平无奇的简历，经过优化后，投递命中率大幅提升，顺利拿到了心仪的offer。它就像一个“简历优化助手”，帮我们精准展现自己的能力，在AI变革的浪潮中，抓住更多机会。最后，我想和所有职场人、正在求职的同学说：AI带来的岗位变革，是挑战，更是机遇。从手搓代码到AI编程，从单一岗位到跨界全能，不是AI要替代我们，而是时代在要求我们变得更优秀、更全能。对于技术岗来说，不要害怕AI编程，要学会用AI提升效率，同时深耕核心能力，培养系统架构思维、业务理解能力，向全栈化、复合型人才转型；对于非技术岗来说，不要忽视AI的力量，要主动学习AI工具的使用方法，提升自己的创造力、沟通能力和跨领域学习能力，让AI成为自己的职场助力。

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...

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...

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...

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。

先给大家说清楚：AI 幻觉 = AI 看起来很专业，其实全是瞎编。放别的地方顶多尴尬，放简历上，直接影响面试、offer、背调。我先说我自己最社死的一次。当时秋招急着改简历，我把一段很普通的校园活动经历丢给 AI，让它帮我润色。AI 输出的那叫一个高级：“统筹活动全流程，通过渠道优化提升参与率 47%，搭建用户触达体系……”我一看，哇，这么厉害，直接用了。结果面试时，面试官盯着那行字问我：“你说的 47% 提升，是怎么统计的？用了什么方法？”我当场僵住。因为我真实干的事，就是发了朋友圈、统计了签到、整理了表格。什么 47%、什么体系、什么优化，全是 AI凭空编出来的。那场面，我这辈子都忘不了。支支吾吾半天，面试官只轻轻说了一句：“同学，简历可以优化，但不能虚构。”那面试直接黄了。后来我做了一段招聘相关的工作，看过几千份简历，发现被 AI 坑的人真的一抓一大把。我总结了三类最常见、最容易翻车的「简历 AI 幻觉」，你们看完一定会有共鸣。一、最常见的 3 种简历 AI 幻觉，每一种都能让你面试凉凉1. 凭空捏造数据、转化率、成果，精确到小数点，全是假的这是 AI 最爱干的事。你写：协助整理资料。AI 给你改成：完成数据整理与流程优化，提升效率 210%。你写：参与社团活动。AI 给你改成：负责线下推广，引流 320 人，转化率 18.7%。数字越精确，看起来越权威，但全是编的。HR 和面试官一眼就能看穿：短期实习、校园经历，根本不可能有这种标准化数据。一追问，你答不上来，直接判定不诚实。2. 乱加职责，把实习生写成负责人，把助理写成经理AI 特别喜欢 “越级包装”。你只是协助，它给你写 “主导”；你只是执行，它给你写 “制定策略”；你只是打杂，它给你写 “全链路负责”。看起来很厉害，实际上漏洞百出。一个大三学生，怎么可能独立负责业务、制定策略？HR 看了只会觉得：这人简历造假。3. 虚构技能、项目、经历，你不会的它敢乱写更可怕的是无中生有。你没写的技能，AI 给你加上；你没做过的项目，AI 给你补全；你没拿过的奖，AI 都敢给你编出来。最恐怖的是，很多同学不检查，直接投递。结果面试一问：“你熟练用 Python？做过什么分析？”人直接傻了：“我根本不会啊。”这就是 AI 幻觉最可怕的地方：它不负责真实，只负责好看。二、为什么 AI 特别容易在简历上胡说八道？原因其实很简单：AI 没有你的真实记忆，不知道你到底做过什么AI 的目标是 “写得像优质简历”，而不是 “写你真实的经历”你输入的信息太少，AI 为了凑内容，只能脑补、编造它以为是帮你变强，实际上是把你往火坑里推。我见过太多人：真实经历明明够用，被 AI 一加工，变得浮夸、虚假、经不起问，反而连面试机会都拿不到。三、AI 简历到底能不能用？能用，但要选对工具我不是反对用 AI 做简历。相反，AI 能极大提高效率，关键是：这个 AI 不能编故事，不能有幻觉，必须忠于你的真实经历。我踩过无数坑之后，现在只敢用一款真正靠谱的工具：泡泡小程序 AiCV 简历王。它和那些会瞎编数据、虚构经历的 AI 完全不一样：只在你原有经历上优化表达，不凭空造经历不乱编数据、不编成果、不编奖项帮你把口语化内容，改成 HR 爱看的专业表述对标 JD 做匹配度分析，补关键词，而不是编关键词所有内容都真实、可复述、经得起面试追问它不会把你吹成大神，但能把你真实的能力，干净、专业、安全地展示出来。对我们学生来说，这才是最稳、最不翻车的选择。四、给所有人的 4 条「AI 简历防坑铁律」不管你用什么工具，这 4 条一定要记住：任何数据、成果，你必须能讲得清清楚楚讲不出来，一律删掉。不写自己没做过的事，不担自己没负过的责参与就是参与，协助就是协助，别乱写 “主导”“负责”。不让 AI 替你创造经历，只让 AI 优化表达多一行没做过的内容，都是隐患。AI 改完，你必须逐字读一遍你自己都不熟的内容，面试一定会崩。简历的第一原则是真实，第二是匹配，第三才是好看。AI 能帮你搞定 2 和 3，但第 1 条，必须你自己守住。五、最后想说我经历过最离谱、代价最大的 AI 幻觉，就是AI 在简历上一本正经地胡说八道。它差点让我以为，简历必须造假才有人看。但后来我才明白：真实、干净、匹配岗位的简历，永远比虚假华丽的简历更值钱。AI 是工具，不是替你撒谎的帮手。别让 AI 的幻觉，毁掉你本来能拿到的机会。如果你也被 AI 改简历坑过，或者正在担心简历太普通、又怕被 AI 瞎改，真心建议你避开那些会编故事的工具，用更稳、更安全的方式打磨简历。

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

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

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！

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...

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...

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...