网站制作:网推宝|百度北京电商网站开发

网站制作:网推宝|百度,北京电商网站开发,网站jsp充值和体现系统怎么做,动漫设计与制作属于什么大类本文基于QCon全球软件开发大会专家讨论#xff0c;探讨AI时代工程师应对策略。专家认为AI是提升生产力的工具而非替代者#xff0c;工程师应将其视为辅助伙伴#xff0c;核心竞争力在于理解需求意图和解决问题能力。建议主动学习AI工具#xff0c;培养求证习惯#xff0c;…本文基于QCon全球软件开发大会专家讨论探讨AI时代工程师应对策略。专家认为AI是提升生产力的工具而非替代者工程师应将其视为辅助伙伴核心竞争力在于理解需求意图和解决问题能力。建议主动学习AI工具培养求证习惯关注数据安全挑战将精力集中于基础能力和创新思维实现与AI共生共荣。随着技术的飞速发展AI 浪潮正在重塑行业格局工程师们站在变革前沿机遇与挑战并存。一方面强大的 AI 正在冲击着工程师的传统工作领域另一方面AI 又给很多工作带来了新的可能。那么如何让 AI 成为自己发展的“助力”而非“阻力”呢近日 InfoQ《极客有约》X QCon 直播栏目特别邀请了美团研究员丁雪丰担任主持人和华为云计算服务产品部软件专家张建飞、正马软件 CTO 沈淦一起在 QCon 全球软件开发大会2025 北京站即将召开之际共同探讨 AI 时代下工程师的应对法则。部分精彩观点如下如果一项工作很容易被 AI 取代那么你应该反思一下可能这项工作本来就不是你的强项。Vibe Coding 的方式对于那些有 idea 但编程能力不强的人帮助很大对于有较强编程能力的人来说也是有效的。关键在于抓住用户痛点编程不再是障碍。软件工程其实就是一个“草台班子”看起来很工程化实际上充满混乱和无序。多强迫自己和 AI 对话少埋头写代码。真正的学习能力不仅仅是学习还包括求证的习惯。在 4 月 10-12 日将于北京举办的 QCon 全球软件开发大会 上我们特别设置了【不被 AI 取代的工程师】专题。该专题将分享 AI 时代下研发工作模式的实践并深入探讨工程师该如何应对变化和挑战实现与 AI 共生共荣。查看大会日程解锁更多精彩内容https://qcon.infoq.cn/2025/beijing/track以下内容基于直播速记整理经 InfoQ 删减。AI 将取代工程师丁雪丰首先我们来个热身话题说说现在行业的一些情况。今年刚开年的时候扎克伯格就宣布 Meta 今年要用 AI 取代中级软件工程师同时Salesforce 方面也表示今年不再招聘软件工程师这些林林总总的消息似乎都在进一步透露出“AI 将取代很多软件工程师”的未来于是在技术圈这波因为 AI 大幅提升生产力的兴奋之下也不免充斥着一些焦虑。从各位近期的观感来看关于“AI 取代工程师”的话题真的有那么让人焦虑吗AI 的引入对初级和中级工程师的就业来说具体有什么影响沈淦一线同事关注提高效率而管理者则更看重整体的投资回报率ROI。举例来说使用 AI 辅助一个全新的系统效果明显因为它不依赖外部调用功能直接。例如简单的增删改查应用效率提升非常快。但在老旧系统中修补和调整的工作更多这对新手来说使用 AI 辅助的挑战较大。而管理者的职责是准确划分任务明确封闭性和开放性问题。张建飞事实上很多科技公司目前都在控制人力成本这与是否能被 AI 取代没有直接关系。特别是 Salesforce一直专注于 SaaS 业务产品成熟后确实不需要那么多工程师。短期内尤其是在生成式 AI 尚未成熟之前软件工程师很难被取代通用人工智能的实现还需要很长时间。AI 可以生成一些简单的代码但这通常是一次性生成除非不再修改否则后续的维护和改动仍然需要人工干预你无法通过 AI 自动生成和维护一个复杂的软件系统。软件开发的大头并不在首次编写代码而是把 80% 的精力都放在后期的维护、修 Bug。根据现有的编程范式我还没有看到 AI 能够很好地承担后期维护工作。当然AI 作为一个提高效率的工具用于辅助编程是没有问题的。丁雪丰以前我和别人讨论过一个故事两个人在森林里遇到了一只老虎一个人转身就跑另一个人问他“我们跑不过它你跑什么”他说“只要跑得比你快就行。”其实与其担心是否会被 AI 取代不如想想最终打败我们的可能不是 AI而是身边那些更会使用 AI 的人。我们可以看到身边的同事在使用 AI 时能够提供更好的提示词和输入清楚地拆解任务然后借助 AI 完成工作。相比之下刚刚进入这个行业、仍在处理简单任务的人可能会感受到 AI 带来的生产力差异。如果一项工作很容易被 AI 取代那么你应该反思一下可能这项工作本来就不是你的强项。我认为 AI 并不是要取代软件工程师而是帮助提升大家的生产力。越有经验的人越能更好地利用 AI。而对于初级程序员AI 也能帮助提升他们的工作效率和质量。因此我们可以将 AI 视为一个辅助工具像伙伴一样合作。张建飞软件开发不仅仅是写代码这只是其中的一小部分。它还涉及到权衡、思考、设计、架构特别是在复杂场景下的解决方案甚至包括协作和沟通等因素。丁雪丰毫无疑问AI 的迅速发展能让工程师的效率大幅提升提升生产力。抛开对于被取代的焦虑和讨论其实对于工程师来说享受这些 AI 带来的好处享受当下、利用好 AI 或许才更实际。那么AI 对软件开发流程是否有明显的“重塑”以及工程师在其中可以怎么利用好 AI 快速推进项目、同时自己也能从中获益 / 有所提升张建飞在华为我们有一个叫 Code Submit 的工具类似的工具在我们的编码过程中会结合代码的上下文实时给出提示并且随着使用工具的优化使得它能猜测你接下来要写的内容这提高了工作效率。另外我现在也经常使用代码审查工具。我会先让 AI 扫描代码然后查看它认为较为关键的问题这可以在审查时节省大量时间。还有一个最近的故事我妻子在一家设计公司工作最近他们接到一个丝绸公司的项目。设计公司本来是通过手绘进行设计但这个项目要求不仅仅是图片还要将图片转化为丝绸织物这就需要编程来实现。她的老板知道我从事这一行业便问我是否能帮助实现。实际上我对计算机绘图并不熟悉。于是我拿着他们的样例图片去询问豆包和 DeepSeek经过几天我成功开发出了一款基于贝塞尔曲线的计算机绘图工具满足了他们的需求。对于不熟悉的领域AI 对我帮助非常大否则我以前可能会依赖百度或 Google但效果并不如意。沈淦在我们具体的项目应用中大多数项目不是纯粹的 AI 项目而是把 AI 能力以插件形式集成到现有工作环境中我们的做法主要是将 AI 与现在的工程体系及整个开发流程pipeline结合。在敏捷开发的过程中很多环节看起来设计得很好但实际操作起来并不容易例如代码审查环节虽然我们推行过一定的标准但实际执行效果有限。不过随着 AI 的介入这些环节变得更加扎实尤其在敏捷开发过程中它对整体推进有很大的帮助。另外AI 对开发过程中的“左移”也有很大帮助。例如接口开发和测试的左移AI 辅助的效果尤为明显。我们鼓励每个开发者提交并使用 AI 工具并通过统计使用率来评估效果而不是仅仅关注最终的确认率。这样我们可以在关键环节通过 AI 工具实现敏捷开发中的常见做法并将其做得更扎实。这对团队帮助很大特别是一些做得比较好的团队他们将从需求开始到发布的整个过程基于用户故事进行管理。过去这些环节依赖人工工作量很大而有了 AI 的帮助效率和效果都显著提升。丁雪丰美团也有内部的工具。在我们的工作中有些接口代码是自动生成的AI 的帮助使得很多项目的代码生成更加高效尤其是对于新项目AI 可以通过无代码的方式直接帮助我们生成整个项目。效果整体来看不错日常编码中大约有 30% 的代码可以直接通过 AI 辅助生成。我写 Python 代码时AI 可以根据我的需求自动生成项目结构和代码文件包括确认所需的库和版本这对于日常琐碎任务的效率提升非常显著。如果是一个正式的工程项目AI 也能根据需求自动生成和修改代码。在调试时以前我们可能需要在 Google 上搜索问题最终到 StackOverflow 复制粘贴代码但现在直接右键点击AI 就可以为我们提供解决方案极大地简化了调试过程。观众怎么用 AI 做 Code Review张建飞在整个开发流程中代码审查非常重要。谷歌提出了代码可读性的审查标准要求代码必须通过审查才能合并到库中。华为也借鉴了这一思想。在提交 MR合并请求时我们有自己的 Git 分支原则上代码需要由提交者或代码仓库的负责人进行审核。通常至少需要两个人确认代码无误才能合并。我们之前的流程是在审查过程中发现问题直接评论并要求开发者修正。只有在问题解决后才能点击合并。现在我们将 AI 工具集成到这个环节中使用 CodeMat 工具进行自动化审查。该工具会自动标出潜在问题我会先查看这些问题若有效则直接接受否则继续手动审查。工程师的核心竞争力在哪丁雪丰接下来我们来讨论今天的第三个话题——工程师核心竞争力的再定义。现在硅谷也兴起了新型开发模式“Vibe Coding”所谓氛围编码或随性编码由 OpenAI 联合创始人 Andrej Karpathy 所提出Vibe Coding 基于对话和反馈循环会更注重开发者和 AI 的互动。但也有观点认为过度依赖 AI 可能导致对系统架构的理解不足也会引入许多问题。所以在各位看来在 AI 的辅助下工程师应重点培养哪些核心能力以保持竞争力如何看待“**VibeC****oding”对传统编程范式的冲击****沈淦**Vibe Coding 的方式对于那些有创意但编程能力不强的人帮助很大对于有较强编程能力的人来说也是有效的。我最近在做一个研究项目涉及到一个复杂的前端界面模拟。虽然我不是前端工程师但通过 AI 工具我只需简单描述工具就能快速生成前端界面这让我验证其他部分想法时更加高效。对于有一定工程素养的人来说描述清楚后AI 可以在半小时到一小时内完成整个界面的生成这种方式对探索新事物和创意实现非常方便。丁雪丰关键在于抓住用户痛点编程不再是障碍。沈淦简单应用是可行的但复杂应用尤其是逻辑复杂的仍然有门槛。张建飞低代码和 Vibe Coding 让我想起了之前被广泛讨论的 Codeless。虽然低代码有其应用场景但当复杂度达到一定程度时低代码其实只是更复杂的代码它并没有真正简化开发流程。因此对于复杂应用AI 目前还难以处理端到端的功能尤其是商业级复杂系统。Vibe Coding其实类似于 Prompt Engineering和 AI 辅助编程并没有本质区别都是基于意图的编程。**沈淦**Vibe Coding 指的是完全通过口语描述来实现编程几乎不需要写代码。张建飞这是目前无法实现的就像低代码一样复杂系统无法通过这种方式完成。**丁雪丰**Vibe Coding 的应用场景包括非技术人员参与、快速原型开发和教育协作。但对于复杂业务需求AI 生成的内容仍然有限特别是当需求没有明确时AI 生成的东西往往无法满足真正的需求。张建飞这确实是一个挑战尤其是产品经理自己都不清楚需求时AI 无法提供有效帮助。丁雪丰除此之外AI 无法替代我们承担责任。它不能签字出了问题更不能找 AI 来背锅。按这个逻辑大概程序员永远不会被取代吧。张建飞软件工程其实就是一个“草台班子”看起来很工程化实际上充满混乱和无序。需求不清楚时AI 无法帮助生成准确的代码。丁雪丰程序员和 AI 的区别在于我们能更好地理解需求背后的意图。往往需求本身并不完全是问题所在我们通过理解背后的真正意图可以找到更有效的解决方案。张建飞AI 可以帮助我们梳理需求它能够考虑我们可能忽视的点并提供反馈尤其是在深度思考和需求解析方面。观众未来两年程序员被 AI 取代的概率有多大沈淦大多数被取代的可能是那些依赖经验的初级程序员因为这些人更多的是处理非工程类的工作。随着 AI 的发展这些工作可能会逐渐被自动化。我对 AI 的看法比较积极认为它会对软件行业带来巨大的价值。AI 能够将我们之前的“草台班子”式的工作方式逐步转向更加工程化的方向。就像工业革命一样AI 为我们的工程化能力提供了强大的支持这使得我们能够朝着更高效的生产力和规模化方向发展特别是敏捷之前不容易做到的环节现在借助 AI 来推动的话门槛变低了很多。所以我认为AI 不会取代所有程序员尤其是那些有经验、擅长处理复杂问题的程序员。反而随着工程化的提升这些程序员会变得更加重要。AI 的到来将解放更多的人的工作使得整体工作效率大大提高。**丁雪丰**AI 确实提高了效率但提效不意味着工作快速完成后就可以休息。反而是 AI 提高了生产力本来一天能完成一个需求现在可以完成两个需求。回到前面讨论的 Vibe Coding假设需求依旧如常但如果我们再往前想一步假设这个需求也是由 AI 生成的。那么是否可能是产品经理通过 AI 生成需求程序员只需讨论或者甚至不需要介入产品经理直接让 AI 实现需求这就可能带来一种不同的场景和我们现在讨论的有所不同。也许每个工程师的角色会转变成如何让 AI 理解并执行 AI 生成的需求这可能是未来的一种新情况。沈淦效率优先的环节将逐步被 AI 接管最终有可能完全由 AI 掌控而人类则只会出现在那些效率优先环节无法满足的任务中。丁雪丰现在我们还在用传统软件开发流程思考这个问题但未来流程也许会变得不同可能会变成一个面向 AI 的、AI 原生的流程。现在应该已经有一些开发 Agent 或者软件相关的研究正在尝试这个方向。这不一定是颠覆性的而是新的尝试或工作方式。随着新一代同学进入职场他们从学习阶段就接触 AI因此他们的思考方式和工作方式会和我们现在大不相同。那时可能连 Vibe Coding 都不再是主流生产方式和模型可能会完全不同。张建飞我刚才提到的编程范式确实是基于我们这一代人的思维和几十年前图灵机的基础。但不排除有一天编程不再需要理解代码出现全新的范式。沈淦我们常说“一次编写到处运行”AI 也有类似的尝试被称之为“再生式编程”就是每次都根据功能需要重新生成完整的代码甩开对遗留代码的依赖认为完备的功能描述才是关键代码本身并不重要。他们每次只需要通过提示词就能生成全新的应用而不再需要像现在一样进行迭代或重构。每次生成全新应用的好处在于如果效率足够高重新生成比修补原有代码更高效。虽然现在我们不敢完全采用这种方式因为重新写代码太费力但如果效率提升到一定程度完全可以考虑这种方法。张建飞我不确定这种方法现在的发展情况如何但我之前提到过生成一个简单的项目可能没问题但对于稍微复杂的应用就难度很大了。就像我们做电商一样每当你在页面上点击一个请求背后涉及的路径和技术点是非常多的。如果能够做到每次生成这些复杂的内容且不重复那的确是一个突破。张建飞前几天我面试了一位来自美国特斯拉的工程师特斯拉是埃隆·马斯克的公司而我对马斯克的工程文化非常感兴趣。当马斯克收购推特时他裁员了 85%只留下写代码的员工并要求所有人一个月内必须有代码产出否则就会被裁掉。我认为马斯克是一个非常看重工程师文化的人。我面试特斯拉员工时基本没问技术问题而是问了很多关于软件工程文化的问题。我问他怎么评价特斯拉的代码他说了一些优点也提到了一些不足。给我印象最深的是他提到特斯拉发展非常快这也意味着代码更新很快常常攒出来的代码不一定是最优化的。从我接触的全球公司来看包括国内外的大厂如 Google 等似乎没有一个能做到完美的软件开发。丁雪丰大家认为现在的工程师尤其是刚入行的、中高级工程师甚至是更资深的专家应该关注哪些能力的提升呢未来五到十年可能会有更多人是 AI 原生的一代。那么现在我们应该重点关注哪些核心能力以便更好地适应这个变化的时代呢张建飞我看到有同学提到一个问题说现在很多大公司只招具有 AI 能力的工程师感觉很多职位都与 AI 相关。我认为AI 工程师和有 AI 能力的工程师是两类人。例如AI 相关的工作可能包括大模型的开发、底层计算相关的工作或者模型微调等。这一波 AI 技术尤其是 RNNs 的应用肯定会带来需求的增长随着 AI 技术的广泛应用对 AI 工程师的需求会进一步增加。但对于我们更多的系统工程师或应用开发工程师来说我认为具备 AI 能力并不像大家想象的那么难。如今AI 辅助工具已经帮助我们提升了工作效率。无论是代码生成、编写单元测试还是代码审查等工作都可以借助 AI 工具来完成这并不困难。我们可以让 AI 来帮助我们提高效率这一点应该不算难。使用 AI 工具并不难关键是找到合适的工具来帮助提升效率。大多数公司尤其是 90% 的公司实际上都已经在使用这些工具大家每天都在使用 AI 技术我相信这个趋势会持续发展。**沈淦**AI 对所有人来说都是新鲜的技术。第一步是尽快投入使用 AI先用简单有效的方式应用。第二步想成为更强的工程师就要理解 AI 的逻辑尤其是与传统编程的不同之处。我建议大家要多强迫自己和 AI 对话少埋头写代码。通过与 AI 互动逐渐理解它的编程方式。举个例子AI 可能会按照标准格式修改代码如异常处理。但每个公司有自己的逻辑按照 AI 的标准格式可能会出现问题。所以想更好利用 AI就要主动与 AI 互动作为辅助工具而非完全依赖它。张建飞另外鉴别任务也很重要。你要判断 AI 生成的内容是否正确还要评估其生成的结果是否有益。这种鉴别能力来源于什么呢归根结底还是我们的工程能力和编程能力。因此作为软件工程师扎实的基本功永远是无可替代的。丁雪丰美团入职培训时的老师曾经对我们说过一句话甚至这句话现在还经常会被提到“我不会但我可以学。”现在借助 AI、搜索引擎和互联网学习已经不再是难事但有些人却不愿意去学。最核心的还是要提高主动学习的意愿和能力。未来的价值不在于你已经掌握了什么而在于面对未知时你的适应能力和灵敏度有多快。优秀的工程师尤其是那些对技术充满热情的人一定会是最早跟上去的可能是第一批也可能是第二批。目前AI 给出的结果不一定是对的但我们不能排除未来几年它会变得更准确。你要知道它是否对这种判断能力非常重要。我想起英国科幻作家道格拉斯·亚当斯曾说过“所有在我出生之前发明出来的东西都是理所当然的所有在我 15–35 岁之间发明的东西注定是要改变世界的所有在我 35 岁之后的发明都是反人类的。”但现在我们认为 AI 并不是反人类的它会造福世界、造福我们的生活。只要保持学习的动力和勇于尝试的心态这才是最重要的。至于我现在使用的是 GPT 4.0、DeepSeek 还是 Claude 3.7我并不关心只要能有效利用它们达到目标就好。张建飞直到目前为止我们这个群体是 AI 热潮中受益最明显的群体之一。作为技术人员我们本就常接触互联网和新兴技术。身处这个行业就注定要不断学习。所以我们这一群体本身已经走在前面不存在说我们需要去对抗 AI 的情况。其次接受了 AI 后如何有效使用它是关键。随着技术的发展AI 将变得越来越成熟、易用。但归根结底工程师自身的能力尤其是基本功才是最重要的。比如你原本代码写得不好AI 可以帮助你快速生成一些代码但这并不意味着你的编码水平会因此提高。所以我建议大家还是要把精力集中在基础能力上——编码能力和设计能力。这些能力即使在 AI 尚未取代我们的工作时依然不会让你失望。如果你想在这个行业长久发展打好基础是至关重要的。丁雪丰除了基本的技术能力还需要具备沟通能力和理解他人意图的能力。尽管 AI 能够帮助我们解决技术问题但我们能够解决提出问题的人所带来的情绪价值这也是一种重要的价值。沈淦真正的学习能力不仅仅是学习还包括求证的习惯。现在信息量太大真假难辨因此在学习自己感兴趣的领域之后必须具备快速验证的动手能力这样才能真正发挥学习的作用。例如我们提到的 DeepSeek很多人可能只是在群里听到了一些“秘笈”或“诀窍”并没有自己动手去验证。就像在讨论某个提示词的反馈时有些人显然没有亲自试过只是重复别人说过的话。丁雪丰在现在这个信息环境中AI 生成的内容有时可能充满“幻觉”有时看似一本正经但其实是胡说八道我们要能一眼识别出来。张建飞是的通用人工智能距离我们还很远。生成式人工智能只是通用人工智能的初级阶段。机器的知识可以超过人类但要产生和人类一样的意识和智慧这仍然很难实现。沈淦尤其是情感真的是非常困难。张建飞是的有些人认为这是不可能实现的也有人说最乐观的预测可能是 20 到 30 年而一般的看法是需要 100 年。沈淦我还是希望能短一些最好能在我们有生之年体验到。张建飞但人类的意识是如何产生的这个问题至今未解。即便我们通过模仿人类大脑的神经元来进行机器学习但如何产生人类的意识和理解呢有可能当参数达到一定程度时意识自然涌现。沈淦我个人觉得如果只是口水话那无所谓但如果是严肃讨论必须对“智能”有一个明确的定义。有些场景下智能的定义其实很简单。比如当一个系统基于自己的独立探索产生大概率正确的结果时就可以认为它具备某种智能的雏形。现在有些模型已经具备了这样的能力它们不是基于人类的经验和知识而是通过自己的探索得出正确答案。丁雪丰或者说如果它能通过图灵测试我们也可以认为它具备智能。沈淦如果能够通过图灵测试那就更简单了但现在很多模型都能通过图灵测试。我觉得讨论智能必须有明确的定义而不能仅仅说“没有定义”。如果没有定义就不能简单地说它没有智能。和人类相比当然目前的技术远远不如人类但这不值得讨论。丁雪丰尽管 AI 带来了诸多便利但也会存在技术兼容性、数据隐私、学习成本等问题。能否结合各自的经历聊聊在引入 AI 技术 / 工具 / 平台的过程中团队可能面临哪些主要挑战沈淦就目前而言AI 还没有成为数字化转型中的核心部分尽管它的热度很大但实际应用还有限。例如一些较大的客户IT 预算每年接近 1 亿但用于 AI 相关的部分可能连 500 万都没有这表明他们仍然将 AI 视为一种探索性的技术。然而我认为今年尤其是通过 AI 技术的突破可能会大大加速这一领域的发展这是一个积极的信号。第二个感受是之前很多企业已经投入大量资源做了类似数据中心和数据仓库的建设他们非常重视数据资产。然而对于当前这种依赖大模型的方式企业对于将大量内部数据提交给外部模型还是有顾虑的。我们目前的做法是与像阿里这样的电商平台合作通过专业的数据服务来解决这个问题。丁雪丰记得 DeepSeek 推出后很多产品和功能都纷纷加上“DeepSeek”标签似乎一切都和 DeepSeek 相关。甚至有说法称 DeepSeek 只是一个“功能”而非独立产品。沈淦我们主要做企业数字化相关的工作而 DeepSeek 在这方面的应用还需要找到合适的场景。因为在企业的实际操作中作业系统是执行系统光是思考几秒钟的延迟就让人难以接受。所以我觉得大家对于 AI 的热情有些过度过于依赖 AI 思考。实际上我们不可能将所有工作都交给 AI 来处理过度依赖反而可能导致问题。丁雪丰其实我最担心的还是数据安全问题。前段时间 AI 大神 Andrej Karpathy 做了个通俗易懂的人工智能课程当讲到 DeepSeek 时他特别提到这是家中国公司部署的服务器在中国境内所以使用时可以考虑选择部署在美国公司的服务器上的服务。外国人也会担心数据安全特别是在使用像 ChatGPT 或 Claude 时数据会被如何处理。尤其是对于那些涉及国家安全、金融、军工等核心领域的行业他们的顾虑更为明显。如果跟用户说“我会拿你的数据去训练模型”我觉得很多人可能会反感和反对。所以这确实是一个隐私和数据安全的问题。一些公司已经开始推出 DeepSeek 一体机用户只需要支付一定的费用买回去的机器已经预装好了大模型。这种做法也是为了更好地管理数据和支持大规模的服务。我觉得数据问题是一方面另一方面当数据量变得很大时如何更好地支持这些服务也是一个需要考虑的挑战。沈淦对于大多数应用来说很多数据量还没达到更多的还是集中在如何做好应用尤其是那些非功能性的场景体验还比较少。一旦量起来可能会出现很多新的问题。比如过去我们说的重试机制、避免雪崩等现在如果是 AI 驱动这些方法可能就没效了。现在的瓶颈可能是在于大模型的卡点前面的优化方法就显得没那么有效。比如之前我们做缓存的优化虽然现在有一些对话缓存技术但命中率就像我们 SQL 缓存一样命中率很低只有完全一致的情况才可能命中。丁雪丰现在确实还在找场景怎么才能更好地利用 AI。说到特别大的困难像 DeepSeek 真正火起来那段时间很多服务都无法使用。用不了就是我们的困难曾经我们在用 DeepSeek 处理一些任务时它无法正常运行直接影响了进度。张建飞而且不稳定之前服务器经常出问题。丁雪丰对所以现在很多公司都在推私有化部署各大厂商都在提供自己的私有化方案。沈淦私有化部署一旦起量也会面临各种挑战。这个是一个过程现在没有现成的经验可以借鉴只能通过不断摸索和实践来解决问题。观众AI agent 现在发展如何能做到自己执行自己写的代码自我推动吗丁雪丰我记得有些项目比如 MetaGPT还有一些类似的尝试似乎是在尝试让几个 Agent 相互之间对话。还有类似于让 DeepSeek 分析让 Claude 去写代码再换一个 Agent 去评分类似这样的应用。沈淦你说的是 AI 小镇吗它是一个模拟环境不是真正的应用。它是用于模拟和探索而不是实际的生产环境。丁雪丰我记得有类似的 MetaGPT 的尝试模拟大家的交互。将来可能会有更多这样的尝试像我们之前讨论的 AI 自己提出需求、分析需求、实现需求。这类应用应该会逐渐出现但可能短期内大家还看不到特别成熟的应用落地但它的确带来了新的尝试和探索的方向未来可能会成为一个重要的趋势。观众什么程度才算会用 AI 的工程师张建飞从使用的角度来看如何“用好”AI 应用其实是很难度量的。首先我们不排斥这些新技术我们能够接受它们其次我们不仅接受还会积极拥抱它们借助这些工具提升我们的效率辅助我们的工程工作无论是编码、还是整个工程 PipelineAI 都会成为我们得力的助手。但至于如何真正“用好”它我个人认为这个是很难量化的。丁雪丰现在我们很多时候都用指标来衡量工作效能。我有时候也会拿过去的自己、现在的自己和未来的自己做对比。举个简单的例子比如说我做一件事情过去可能要两天时间而现在有了更高效的工具半天就能完成。如果这种变化给我带来了正向的收益那就说明我确实使用得很好。其实“用好”和“用了”之间的差异只是在于度量的标准不同或者是心理上、心态上的变化。部分改变是可以通过一些指标来度量的比如可控输入指标和输出指标。沈淦无论是插件形式还是 AI IDE 的形式“用好”最直观的表现就是你至少要非常熟悉主流工具尤其是里面的一些 AI 操作。例如像左边拷贝、右边交互的方式或者确认提交、多文件处理等操作。如果你能熟练掌握这些工具的交互方式并能高效地运用它们这就是“用好”的体现。会议推荐在AI大模型重塑软件开发的时代我们如何把握变革如何突破技术边界4月10-12日QCon全球软件开发大会· 北京站 邀你共赴3天沉浸式学习跳出「技术茧房」探索前沿科技的无限可能。本次大会将汇聚顶尖技术专家、创新实践者共同探讨多行业AI落地应用分享一手实践经验深度参与DeepSeek主题圆桌洞见未来趋势。AI时代未来的就业机会在哪里答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具到自然语言处理、计算机视觉、多模态等核心领域技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。掌握大模型技能就是把握高薪未来。那么普通人如何抓住大模型风口AI技术的普及对个人能力提出了新的要求在AI时代持续学习和适应新技术变得尤为重要。无论是企业还是个人都需要不断更新知识体系提升与AI协作的能力以适应不断变化的工作环境。因此这里给大家整理了一份《2025最新大模型全套学习资源》包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等带你从零基础入门到精通快速掌握大模型技术由于篇幅有限有需要的小伙伴可以扫码获取1. 成长路线图学习规划要学习一门新的技术作为新手一定要先学习成长路线图方向不对努力白费。这里我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。2. 大模型经典PDF书籍书籍和学习文档资料是学习大模型过程中必不可少的我们精选了一系列深入探讨大模型技术的书籍和学习文档它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。书籍含电子版PDF3. 大模型视频教程对于很多自学或者没有基础的同学来说书籍这些纯文字类的学习教材会觉得比较晦涩难以理解因此我们提供了丰富的大模型视频教程以动态、形象的方式展示技术概念帮助你更快、更轻松地掌握核心知识。4. 大模型项目实战学以致用当你的理论知识积累到一定程度就需要通过项目实战在实际操作中检验和巩固你所学到的知识同时为你找工作和职业发展打下坚实的基础。5. 大模型行业报告行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。6. 大模型面试题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我们将提供精心整理的大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。为什么大家都在学AI大模型随着AI技术的发展企业对人才的需求从“单一技术”转向 “AI行业”双背景。企业对人才的需求从“单一技术”转向 “AI行业”双背景。金融AI、制造AI、医疗AI等跨界岗位薪资涨幅达30%-50%。同时很多人面临优化裁员近期科技巨头英特尔裁员2万人传统岗位不断缩减因此转行AI势在必行这些资料有用吗这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。大模型全套学习资料已整理打包有需要的小伙伴可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】