之前有个客户找我做个简单的程序。
涉及一些偏冷门的技术，和一些算法。
我和团队都没做过这个方向。
客户报价不高，但毕竟是老客户，考虑到其他大单，没法拒绝。
我问了做这个方向的朋友，朋友说友情价3万，只收开发成本。
我虽然不熟悉技术细节，但是查了查资料，也觉得他的报价真的相当优惠了。
然后用AI查资料的过程中，我灵机一动，自己写个demo试试？
说干就干，于是……我就一不小心把程序完成了，并且交付了。
一共用了五天。
用完全陌生的语言，去做完全陌生的领域，并且完成了交付。
……
我用1.5天研究了一下理论知识，以及开发环境的安装、调试、写helloworld测试。
用半天时间系统的做了整体程序设计，画了接口图，定义类的调用关系、出参和入参等。
剩下的都是AI写的代码，我几乎一行代码也没写。
调试了三天也不是全职，每天就抽三、四个小时的样子。
从工作量来说，按照八小时计算，工作量还不到三天。
……
需要解释一下，并非我花5天时间，就比我这个朋友强。
而是客户的需求，AI完成的程序恰好可以满足，另一方面毕竟我这么多年的经验，计算机体系熟悉，陌生语言只是熟练度的问题，而非什么挑战。
还有个关键点就是，这个程序需要具备一定的算法基础，这个可能很多程序员都不具备。
客户要求也不高，最后也没怎么做测试，如果是商用程序就必须得专业的人来了。
我想先自己试试……嗯，结果挺么么哒……
……
理论上，一个完全没有编程经验的人，也可以做这个事情。
但实践上很困难。
别说没经验的，就算是一些初中级程序员，可能也干不了这个活。
他们起码有系统级的设计经验才行。
近两年，我身边创业圈，不少从来没学过编程的人，都有自己尝试学习，主要是为了给自己省钱。
很多外行已经可以用demo愉快的玩耍了。
当然demo只是个demo，和真正的商业应用完全不是一码事情。
说远了。
只是说这个故事给了我一点启发，未来程序员可能的趋势：
写代码将做为基础学科，类似过去的学五笔，以后小学生都能随便做个网页、APP，对程序员的需求量自然会减少。
大量初级的被淘汰不是很正常了么。
AI在发展两年，更强大了，有些人出于省钱的需求，干脆自己学。
另一方面，公司的资深程序员，用AI让自己效率更快。
整体需求降低，一部分程序员被挤出这个赛道。
在AI时代，程序员需要重构自己的知识体系了。
过去程序员的门槛，普遍就是卷熟练度和背题，一旦卷入一个不错的公司，依赖公司发展，就能蹭到经验以及成长的机会，于是又加高了自身的从业门槛。
但是未来这样的机会大概会大量减少，因为建设大型系统的需求没那么多了，很多东西也上云了、组件化了。
未来，可能程序员的知识体系，需要从实践方向转向为理论方向。
即过去实践消耗了大量的时间，未来会节省下来这个时间。
但是深度还是得够，否则无法从整体上看待技术，也看不透技术背后蕴含的东西。
需要深一门，然后增加广度。
广度够了，就能跨行业完成解决方案。
比如说我开头说这个故事，就是个跨行业的事情。
理论熟悉了，并且需要掌握系统性的思维，包括但不限于：对不同行业的理解、计算机整个体系的构成、项目管理经验、系统工程学等等。
这样，即使是陌生的领域，也一样可以快速完成程序的构建。
还有另一种，资深程序，需要在某个领域不仅仅要深度，还要多年的经验、资历等等。
简单说就是肉身卷赢AI。
AI干不了的事儿，这种人能干。
然后这些人可以利用AI，不断放大自己的效率。
最终从业者两极分化。
一种是普通人，大家都能做点简单的程序。
另一种是专业的。
类比就是游戏里的建筑师。
大家都能利用游戏给的模型盖房子，但是高手和低手，是不一样的。
总之，个人认为，程序员的整个知识和技术体系，在AI时代，需要重构。
我们都需要思考，自身做为从业者，门槛在哪里。
其实最大的门槛在业务上，但我们暂且只探讨技术。
技术上的门槛，可能不仅仅需要深度，更需要广度。
比如大家都用Java写CRUD，都用spring，你会的别人也会，技术上的差距没多大。
这个时候你如果会一点前端、Windows桌面端等等，还会点别的……可能都不深，但你能用AI完成快速的交付，技术上的门槛不就有了么？
另一种是在效率上下功夫，琢磨如何提升个人效率，这方面可以结合AI agent等工具，来进一步提升效率。
从我的个人角度观测，AI写代码的效率还没有被最大化的挖掘。
也就是说，未来写代码的效率会比现在还快。
过去完成个新语言、框架的入门训练，至少一周半个月，现在，可能两三天就够了。
当然，这一切的建立条件，都需要对编程有系统性的认识，即深度。
数据结构、算法、计算机原理、编译原理……这些基本功还是少不了的。
深度就是内功，广度就是吃饭的技术，内功好技术进步才快。
还有另一条路，就是不在深度上下功夫，只研究交付。
这条路能走多远我不确定，只能依赖于AI的进化速度。
估计最终还是得回头锻炼内功才行。
目前来看，可能程序员的知识体系需要重构了。
不仅仅是程序员，所有行业都是。
那么，如何快速系统的去学习大模型LLM？
作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。
所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。
由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
👉大模型学习指南+路线汇总👈
我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
9周快速成为大模型工程师
第1周：基础入门
-
了解大模型基本概念与发展历程
-
学习Python编程基础与PyTorch/TensorFlow框架
-
掌握Transformer架构核心原理
-
第2周：数据处理与训练
-
学习数据清洗、标注与增强技术
-
掌握分布式训练与混合精度训练方法
-
实践小规模模型微调（如BERT/GPT-2）
第3周：模型架构深入
-
分析LLaMA、GPT等主流大模型结构
-
学习注意力机制优化技巧（如Flash Attention）
-
理解模型并行与流水线并行技术
第4周：预训练与微调
-
掌握全参数预训练与LoRA/QLoRA等高效微调方法
-
学习Prompt Engineering与指令微调
-
实践领域适配（如医疗/金融场景）
第5周：推理优化
-
学习模型量化（INT8/FP16）与剪枝技术
-
掌握vLLM/TensorRT等推理加速工具
-
部署模型到生产环境（FastAPI/Docker）
第6周：应用开发 - 构建RAG（检索增强生成）系统
-
开发Agent类应用（如AutoGPT）
-
实践多模态模型（如CLIP/Whisper）
第7周：安全与评估
-
学习大模型安全与对齐技术
-
掌握评估指标（BLEU/ROUGE/人工评测）
-
分析幻觉、偏见等常见问题
第8周：行业实战 - 参与Kaggle/天池大模型竞赛
- 复现最新论文（如Mixtral/Gemma）
- 企业级项目实战（客服/代码生成等）
第9周：前沿拓展
- 学习MoE、Long Context等前沿技术
- 探索AI Infra与MLOps体系
- 制定个人技术发展路线图
👉福利篇👈
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
