焦虑是从一个晚上开始的
去年某个加班的深夜,我用 AI 十分钟写完了我预计要写两小时的模块。代码质量不差,测试一次通过。我盯着屏幕,心里冒出来的不是高兴,是一个问题:那我这两小时的判断力,以后还值钱吗?
那之后我焦虑了差不多三个月。看 AI 每次版本更新都心惊,群里谁说"某某岗位缩编"我就对号入座。直到我彻底改了自己的工作方式,才发现焦虑的方向从头就错了。这篇把我怎么想的、怎么改的、改完什么样,完整记下来。
想通的第一个弯:AI 到底擅长什么
焦虑的根源是把 AI 想成了"全知全能的替代者"。实际用下来,它的能力边界其实很清楚。
它擅长的:标准化、重复性工作——模板代码、单元测试、补全注释、语法转换、整理报错信息。低价值高重复,交给它最合适。
它不擅长的:读懂复杂的业务本质,统筹全局架构,它输出的代码时常暗藏逻辑漏洞、安全隐患,而且它不为项目最终结果负责。
想通这一点,焦虑就变了味道:AI 不是来抢我的全部工作的,它是来抢我工作中"我最不想干的那部分"的。
改造第一步:把精力从机械编码里撤出来
我开始有意识地把活分两类:AI 擅长的交给 AI,剩下的自己扛。具体做法就是一套简单工作流——先用 AI 快速产出初稿、收集备选方案;再由自己审核、校验、调整;最后落地、验证效果。
刚切换时有个不适应:审核比自己写还费劲,因为我看不懂它为什么这么写,也发现不了暗藏的坑。有一回 AI 生成的代码漏了个边界判断,测试没拦住,差点上线。这逼出了第二步改造。
改造第二步:把基本功捡回来当标尺
那次险情让我明白:操作系统、网络、数据库、算法这些底层基本功,是校验 AI 输出对错的标尺。没有标尺,审核就是走过场,最后沦为没有判断力的复核机器——比被替代更糟,因为你人还在岗位上,却已经不创造判断价值。
我给自己排了恢复计划:每周精读一个底层主题,配合审核 AI 代码的实际案例。三个月下来,看 AI 代码的速度快了一倍,大部分逻辑漏洞一眼就能定位。
三个具体场景还原
光说方法太虚,还原三个我实际经历的场景,看看新工作方式到底长什么样。
场景一,一次接口开发。以前的我:对照文档手写两小时。现在:我把业务背景(这是给下游对账系统用的接口)、约束(日调用峰值十万次、失败必须可重试、涉及金额字段要幂等)、边界(超时怎么处理、重复回调怎么处理)写清楚给 AI,十分钟拿到三个版本的初稿。我花四十分钟审核:发现其中一版的幂等键设计在并发场景下会失效——这是 AI 给不出来的判断,因为它不知道我们下游的重试机制。总耗时不到原来的四分之一,质量反而更高。
场景二,一次线上故障。周五晚上接口大面积超时。以前的我:把报错贴给 AI,按它说的加缓存、调参数,忙到半夜没解决。现在的我:先看监控定位是数据库连接池耗尽,然后顺着连接池往下查——AI 全程只帮我整理了各服务的报错时间和排查线索,根因定位是我自己完成的:一个新上线的定时任务没控制并发数。十一点问题解决。AI 给的十个"可能原因"里没有这个,因为它不知道我们上周上过什么。
场景三,一次需求评审。产品经理提了个"智能推荐"需求。以前的我:听完就排期。现在的我:先问清背后的业务目标,发现真实诉求是提升新用户次日留存,推荐功能只是产品经理想到的手段之一——而数据显示流失主要发生在注册后的第三个页面。我把数据甩到桌上,最后做的是那个页面的改版,推荐需求降级为二期。这种判断,AI 一辈子也给不了。
改造第三步:把省下来的时间投进四件事
工作流跑顺之后,每天确实多出了两三个小时。这些时间去哪了?我全部投进了四件 AI 难以替代的事:
业务拆解:主动找产品经理聊需求背后的目标,学会了砍需求、合并需求。AI 只根据提示词干活,但"该不该做"的判断权在我手里,我越懂业务,提示词越接近本质。
系统设计与权衡:高并发、数据一致性、存储选型、容灾、维护成本——这些利弊权衡 AI 给不了答案,我拿省下来的时间啃方案、做复盘。这是高阶工程师的核心壁垒。
深度排错:线上诡异问题和复杂链路故障没有标准答案,AI 只能基于已有信息给推测,根因定位靠扎实的底层功底——正好和第二步的基本功恢复形成循环。
交付闭环:方案评审、跨团队沟通、线上观测、迭代优化。写代码只是一环,让方案真正落地产生价值才是完整的工程能力。我开始跟进功能上线后的数据,第一次发现自己以前写的不少功能根本没人用。
改完之后的样子
现在我的日常是:AI 负责拓宽可能性——初稿、备选方案、重复劳动;我负责关键决策——需求判断、方案取舍、风险把关、效果验证。产出比以前高,但我干的活比以前"更值钱"了。
回头看那三个月的焦虑,问题出在拿"代码量"当自己的价值。技术发展的历史从来都是工具迭代:汇编、编译器、开发框架、云服务依次出现,没有一次消灭程序员,每次都淘汰固守旧模式、拒绝新工具的人。AI 抬高了开发效率的下限,同时拉高了对综合能力的要求。
写给同样焦虑的人
淘汰的从不是程序员,而是只会机械写重复代码的程序员。焦虑是最没用的反应,因为它不改变任何东西;改变工作方式才有用,而且第一步今天就能做——把你手头的活列个清单,分成"AI 能干的"和"AI 干不了的",从明天开始把前者的时间省出来,投给后者。
未来的竞争力不属于代码敲得最快的人,属于善用 AI 解决复杂真实问题的人。这是我用三个月的焦虑换来的答案,现在它花了你五分钟。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传优快云,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】


为什么要学习大模型?
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年,人才缺口已超百万,凸显培养不足。随着AI技术飞速发展,预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。


大模型入门到实战全套学习大礼包
1、大模型系统化学习路线
作为学习AI大模型技术的新手,方向至关重要。 正确的学习路线可以为你节省时间,少走弯路;方向不对,努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划,带你从零基础入门到精通!

2、大模型学习书籍&文档
学习AI大模型离不开书籍文档,我精选了一系列大模型技术的书籍和学习文档(电子版),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。

3、AI大模型最新行业报告
2025最新行业报告,针对不同行业的现状、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。

4、大模型项目实战&配套源码
学以致用,在项目实战中检验和巩固你所学到的知识,同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题
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,我精心整理了一份大模型面试题库,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。

适用人群

第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传优快云,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】

1900



被折叠的 条评论
为什么被折叠?



