最近一个月,我做了一件从未做过的事:构建微调大模型的数据集。我从未学过 Python,却使用 AI 完成了所有代码,验证了我的构想。
工作流是这样的:
- 我负责架构:技术调研,拆解流程,明确每个环节的输入输出。
- AI 负责实现:我给足上下文,AI 填充具体代码。
- 我负责审查:AI 的知识有滞后性,我需要查阅文档,纠正它,组装它。
为了让 AI 高效工作,我必须提供充足的上下文,包括运行环境、完整流程、现状和目标。AI 的上下文窗口有限,而我的流程很长。我的办法是,每个聊天窗口只专注一个环节。开启新窗口时,更新提示语,重点说明“当前状况”。整个流程跑完后,回顾所有提示词,以此总结复盘整个流程的经验。
AI 的知识有滞后性和不完整性。因此,在利用 AI 时,必须提供完整准确的信息,否则它写的代码很可能出错。这正是微调大模型的意义所在,但在日常使用中,我们微调模型的门槛很高。这也凸显了人类的一个关键价值——审查输出,提供信息。
总的来看,AI 的确把“把想法变成代码”的效率推到了一个新高度,它非常擅长帮人快速入门,辅助人类从 0 到 1 新建一个程序。完成了 1 我们不能停留在 1,而是走向下一步,就像初级工程师要变成高级工程师,如果有机会还要想办法成为架构师。
再来看 AI 生成的代码,其实是零散的,AI 关注的是局部最优解,即:如何最快地满足你当前的这个 Prompt,它生成的就像一张一张孤立的牌,打牌时,要赢得牌局,必须有序的组织这些牌。回到前端开发,软件不能光有组件,还需要组织组件,这就涉及软件架构。
在我的朋友圈里,有人创业,也有人找工作,还有人正在职场中使用 AI 提高工作效率。有这样一部分人,他们每天都在写代码,比不用 AI 时写得更快,更好,但其实他们不会写代码了。当面试时,被问到一些基础问题,他答不上来;被问到怎么规划系统时,他也答不上来。这一现象在当前的技术圈非常普遍,我将它称之为“技能空心化”。
编程本质上是将人类的意图翻译成机器的指令,不依赖 AI 时,程序员掌握的是“命令式”细节。由于必须自己写每一行代码,他们被迫理解数据结构如何流转、变量生命周期如何管理,这种微观的掌控感,是宏观架构设计的基础。
“技能空心化”的人,停留在“声明式”层面,他们只负责告诉 AI “我要一个登录框”,而不关心它是用 Form 表单还是 Ajax 实现,也不关心鉴权 Token 存在哪里,这种工作方式导致程序员的知识库是由无数个零散的代码片段组成的,而不是一张连贯的知识图谱。结果他们变成了“产品经理式的程序员”,只懂要求,不懂实现。面试问实现细节,他答不上来,问实现细节的组合与取舍更无从谈起。说他们懂需求,又无法和产品经理竞争,因此处于一个尴尬的境地,看似既懂需求又懂技术实现,其实即不懂需求也不懂技术实现。
技能空心化这一现象的本质是,把 AI 当成了“替代者”,而不是“加速器”。这类人让 AI 替他思考,替他写代码,他只负责按回车,他将自己变成一个机械劳动者,这就导致,他的编程能力被迅速蒸发了。
与“让 AI 替他思考”的另一个极端是完全不用 AI,给的理由是,想完全掌握某个知识。那类坚持“不用 AI”的人,其实是混淆了记忆与理解,在 AI 时代,我们需要重新定义“掌握知识”的标准。
我们要避免将“掌握知识”等同于“肌肉记忆”,这一行代码怎么敲?API 的参数顺序是什么?如果不查文档能不能默写出来?在获取信息难度大的时代,这种能力很贵;但在 AI 时代,这种能力的边际成本趋近于零。
我理解的“掌握知识”是逻辑与结构层面的。比如:这个功能由哪几步组成?数据流怎么变?模块间怎么解耦?如果一个人能精准地把大问题拆解成小流程,并定义好输入输出,即使他一行代码不写,他对这个系统的掌控力也远高于一个只懂默写语法但不懂拆解的人。
“掌握知识”的另一个标准是验收结果。我在利用 AI 写 python 时,整个工作流中必不可少的环节是,审查输出,提供信息。如果一个人完全不懂,他无法判断 AI 生成的代码是好是坏,是否有安全漏洞;而如果一个人“掌握”了知识,他能一眼看出 AI 的代码哪里逻辑冗余,哪里没有处理边界。尽管我没有学过 python,但我懂拆流程,清楚每一个环节要产出的结果。
总结一下,我这样使用 AI:先思考架构,定义流程,让 AI 填充细节,然后审查和组装。带来的结果是效率提升,核心竞争力聚焦于顶层设计。
更进一步的“掌握知识”是知其然,更要知其所以然,也就是说你要知道为什么这么决策,这是最高级的掌握。比如,为什么选 A 方案而不选 B 方案?当你在做这些权衡时,你就在掌握技术。
当下,真正的“掌握知识”,不再是“我能把它写出来”**,**而是“我知道它怎么被构建出来,以及为什么要这样构建”。这也是我写《前端架构拆解》这个专栏的原因。
AI 可以帮你写出组件,但无法教你如何“组织组件”,AI 可以给你局部最优解,但无法给你“系统级思维”。
在这个专栏里,我不会教你简单的语法,而是带你完整拆解两个真实的复杂案例:
- 低代码引擎:从 0 到 1 推导协议设计、编排逻辑与渲染解耦。
- 2D/3D 云设计平台:在业务高速发展下,如何设计防腐层、实现新旧内核的平滑切换。
我的目标不是让你背诵代码,而是帮你建立一套“设计复杂系统的思维模型”**。**学会这套模型,无论 AI 如何进化,你都是那个发号施令的架构师,而不是被按回车的机械劳动者。
如何学习AI大模型?
大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。
不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!
想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。
但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高
那么针对所有自学遇到困难的同学们,我帮大家系统梳理大模型学习脉络,将这份LLM大模型资料分享出来:包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴,可以扫描下方二维码领取🆓↓↓↓
学习路线
第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;
第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;
第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;
第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;
第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;
第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;
第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;
• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;
• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;
• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式:
😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓