1. 從“碼農(nóng)”到“AI協(xié)作者”一個(gè)時(shí)代的職業(yè)拐點(diǎn)最近和幾個(gè)做技術(shù)招聘的朋友聊天聽(tīng)到一個(gè)挺有沖擊力的現(xiàn)象過(guò)去半年他們收到的初級(jí)工程師簡(jiǎn)歷數(shù)量沒(méi)怎么變但真正能走到面試環(huán)節(jié)的尤其是那些只會(huì)CRUD增刪改查和簡(jiǎn)單業(yè)務(wù)邏輯實(shí)現(xiàn)的候選人比例在肉眼可見(jiàn)地下降。另一邊一些資深工程師的崗位特別是那些要求能駕馭AI工具、定義AI應(yīng)用場(chǎng)景、解決AI落地難題的職位薪資和需求都在逆勢(shì)上漲。這讓我想起幾年前“低代碼/無(wú)代碼”平臺(tái)興起時(shí)也有人預(yù)言程序員要失業(yè)但這次感覺(jué)真的不一樣了?！癆I來(lái)了初級(jí)工程師崗位正在消失”——這個(gè)標(biāo)題聽(tīng)起來(lái)有點(diǎn)聳人聽(tīng)聞但如果你拆開(kāi)來(lái)看它描述的是一種結(jié)構(gòu)性的崗位遷移而非總量的絕對(duì)減少。AI特別是大語(yǔ)言模型和代碼生成工具正在像當(dāng)年的編譯器、IDE集成開(kāi)發(fā)環(huán)境、開(kāi)源框架一樣成為新的“基礎(chǔ)設(shè)施”。它的直接效應(yīng)是大幅提升了基礎(chǔ)、重復(fù)性編碼工作的效率天花板。過(guò)去需要一個(gè)初級(jí)工程師花半天時(shí)間寫(xiě)的表單校驗(yàn)、數(shù)據(jù)接口、基礎(chǔ)頁(yè)面現(xiàn)在一個(gè)有經(jīng)驗(yàn)的工程師借助Copilot、Cursor等工具可能十幾分鐘就能完成初稿并且質(zhì)量更穩(wěn)定。企業(yè)自然會(huì)對(duì)純粹執(zhí)行簡(jiǎn)單編碼任務(wù)的崗位需求進(jìn)行重新評(píng)估。但這絕不意味著工程師這個(gè)職業(yè)在萎縮。恰恰相反我認(rèn)為這是技術(shù)行業(yè)一次深刻的“價(jià)值重構(gòu)”。初級(jí)崗位的“消失”本質(zhì)是技能門(mén)檻的平移和升級(jí)。市場(chǎng)不再需要大量的“代碼打字員”而是急需能夠與AI高效協(xié)作、解決更復(fù)雜問(wèn)題的“技術(shù)策展人”和“問(wèn)題架構(gòu)師”。舊的崗位形態(tài)在收斂而新的、更具價(jià)值的崗位需求正在三個(gè)關(guān)鍵方向上集中爆發(fā)。接下來(lái)我就結(jié)合最近的觀察和實(shí)際項(xiàng)目中的體會(huì)詳細(xì)拆解這三大爆發(fā)的需求方向以及我們?cè)撊绾螒?yīng)對(duì)。2. 需求爆發(fā)方向一AI原生應(yīng)用的設(shè)計(jì)與架構(gòu)師這是目前最炙手可熱的方向也是價(jià)值最高的領(lǐng)域。所謂“AI原生應(yīng)用”不是簡(jiǎn)單地在現(xiàn)有App里加個(gè)聊天機(jī)器人入口而是從產(chǎn)品理念、交互邏輯到技術(shù)架構(gòu)都圍繞AI的核心能力如理解、生成、推理、規(guī)劃重新設(shè)計(jì)的應(yīng)用。2.1 核心能力變遷從“實(shí)現(xiàn)邏輯”到“設(shè)計(jì)提示與流程”傳統(tǒng)應(yīng)用開(kāi)發(fā)工程師的核心任務(wù)是理解產(chǎn)品需求將其轉(zhuǎn)化為精確的數(shù)據(jù)庫(kù)設(shè)計(jì)、API接口和狀態(tài)管理邏輯。需求是確定的輸出也是確定的。但在AI原生應(yīng)用中很大一部分邏輯變成了對(duì)不確定性的管理。舉個(gè)例子一個(gè)傳統(tǒng)的電商推薦系統(tǒng)工程師需要設(shè)計(jì)協(xié)同過(guò)濾算法、處理特征工程、搭建排序模型。而在AI原生場(chǎng)景下你可能需要構(gòu)建一個(gè)“購(gòu)物顧問(wèn)”AI。它的工作流程是先理解用戶一段模糊的描述“我想找一款適合夏天徒步、透氣性好、預(yù)算一千左右的鞋子”然后自主調(diào)用產(chǎn)品數(shù)據(jù)庫(kù)、用戶評(píng)論情感分析、甚至外部天氣信息生成一份帶有推理過(guò)程的推薦列表并能與用戶進(jìn)行多輪對(duì)話來(lái)澄清需求。這時(shí)工程師的核心工作發(fā)生了根本變化提示工程與編排如何設(shè)計(jì)一套精準(zhǔn)的“系統(tǒng)提示詞”讓大模型理解你的領(lǐng)域、遵循你的規(guī)則、使用你提供的工具這需要深厚的領(lǐng)域知識(shí)和對(duì)模型行為的理解。流程編排與韌性設(shè)計(jì)AI的調(diào)用可能失敗、可能產(chǎn)生荒謬結(jié)果。如何設(shè)計(jì)重試、降級(jí)、驗(yàn)證和人工審核流程這需要像設(shè)計(jì)分布式系統(tǒng)一樣考慮故障隔離和自愈。評(píng)估與優(yōu)化如何定量評(píng)估AI輸出的質(zhì)量如何通過(guò)A/B測(cè)試、數(shù)據(jù)反饋閉環(huán)來(lái)持續(xù)優(yōu)化提示詞和流程這接近傳統(tǒng)算法工程師的工作但評(píng)估對(duì)象變成了非結(jié)構(gòu)化的文本或多媒體內(nèi)容。實(shí)操心得開(kāi)始一個(gè)AI原生應(yīng)用設(shè)計(jì)時(shí)別急著寫(xiě)代碼。先用流程圖或偽代碼把AI Agent智能體與用戶、與內(nèi)部系統(tǒng)、與外部工具的交互流程完整畫(huà)出來(lái)特別標(biāo)注出每個(gè)環(huán)節(jié)的“確定性”和“不確定性”。這能幫你提前發(fā)現(xiàn)很多架構(gòu)上的挑戰(zhàn)。2.2 技術(shù)棧的擴(kuò)展LangChain、LlamaIndex與Agent框架應(yīng)對(duì)上述挑戰(zhàn)催生了一系列新的技術(shù)棧。單純會(huì)Python和幾個(gè)機(jī)器學(xué)習(xí)庫(kù)已經(jīng)不夠了?，F(xiàn)在你需要熟悉像LangChain、LlamaIndex這類用于構(gòu)建大模型應(yīng)用的框架。它們提供了模塊化的組件用于連接模型、管理對(duì)話記憶、編排工具調(diào)用鏈。更重要的是你需要理解AI Agent智能體的架構(gòu)模式。一個(gè)典型的Agent包含幾個(gè)核心部分規(guī)劃模塊分解復(fù)雜任務(wù)為子步驟。工具調(diào)用模塊學(xué)習(xí)使用外部API、數(shù)據(jù)庫(kù)查詢等擴(kuò)展能力。記憶模塊管理對(duì)話歷史、長(zhǎng)期知識(shí)。執(zhí)行與反思模塊執(zhí)行動(dòng)作并根據(jù)結(jié)果調(diào)整策略。工程師的角色從“編寫(xiě)所有邏輯”轉(zhuǎn)變?yōu)椤盀锳I配置能力工具箱并設(shè)定行動(dòng)綱領(lǐng)”。這要求你既懂軟件工程設(shè)計(jì)穩(wěn)定的API、數(shù)據(jù)流又懂AI原理理解模型的局限性和優(yōu)勢(shì)還能深刻理解業(yè)務(wù)。一個(gè)簡(jiǎn)單的工具調(diào)用示例概念性代碼# 偽代碼展示Agent使用工具的思路 from some_agent_framework import Agent, Tool def search_product(query: str) - str: 根據(jù)描述搜索商品數(shù)據(jù)庫(kù)的工具 # 實(shí)際這里會(huì)連接ES或數(shù)據(jù)庫(kù) results db.search(query) return format_results(results) def get_weather(city: str) - str: 獲取城市天氣的工具 # 調(diào)用天氣API return weather_api.fetch(city) # 定義AI Agent shopping_agent Agent( system_prompt你是一個(gè)專業(yè)的戶外裝備購(gòu)物顧問(wèn)..., tools[Tool(search_product), Tool(get_weather)], # 為Agent裝配工具 memoryConversationBufferMemory() ) # 用戶提問(wèn) response shopping_agent.run(北京下周要去露營(yíng)推薦個(gè)帳篷吧。) # Agent會(huì)自動(dòng)規(guī)劃先調(diào)用get_weather(北京)了解天氣再結(jié)合結(jié)果調(diào)用search_product(露營(yíng) 帳篷 防風(fēng))...3. 需求爆發(fā)方向二復(fù)雜系統(tǒng)的集成與“膠水”工程師AI不是空中樓閣它必須與現(xiàn)有的、往往盤(pán)根錯(cuò)節(jié)的企業(yè)IT系統(tǒng)集成才能產(chǎn)生商業(yè)價(jià)值。這就催生了第二類爆發(fā)需求能夠?qū)I能力安全、可靠、高效地“粘合”到復(fù)雜舊系統(tǒng)中的工程師。我更喜歡稱他們?yōu)椤澳z水工程師”或“集成架構(gòu)師”。3.1 挑戰(zhàn)在混沌中建立秩序很多企業(yè)的系統(tǒng)是歷史遺留的“屎山”文檔缺失接口混亂數(shù)據(jù)孤島林立。直接把大模型接進(jìn)去要么得不到有效數(shù)據(jù)要么會(huì)因?yàn)槟Ｐ筒豢煽氐妮敵鲆l(fā)生產(chǎn)事故比如錯(cuò)誤地調(diào)用了一個(gè)刪除數(shù)據(jù)的API。這類工程師的核心價(jià)值在于API化與抽象將企業(yè)內(nèi)部混亂的數(shù)據(jù)源和能力封裝成干凈、穩(wěn)定、安全的API或函數(shù)供AI Agent調(diào)用。這本身就是一項(xiàng)重要的軟件工程工作。數(shù)據(jù)管道構(gòu)建為AI準(zhǔn)備高質(zhì)量的“燃料”。需要建立實(shí)時(shí)或批處理的數(shù)據(jù)管道從各業(yè)務(wù)系統(tǒng)抽取、清洗、格式化數(shù)據(jù)灌入向量數(shù)據(jù)庫(kù)或作為上下文提供給模型。安全與權(quán)限沙箱設(shè)計(jì)嚴(yán)格的執(zhí)行沙箱。確保AI在調(diào)用工具時(shí)其權(quán)限被最小化操作可審計(jì)、可回滾。例如AI只能通過(guò)一個(gè)特定的、有嚴(yán)格參數(shù)校驗(yàn)和風(fēng)控的“服務(wù)層”來(lái)修改數(shù)據(jù)庫(kù)而不是直接獲得連接串。成本與性能優(yōu)化大模型API調(diào)用不便宜響應(yīng)延遲也可能很高。需要設(shè)計(jì)緩存策略、對(duì)非實(shí)時(shí)任務(wù)使用小模型或異步處理、對(duì)提示詞和上下文長(zhǎng)度進(jìn)行精細(xì)優(yōu)化以降低Token消耗。3.2 必備技能全棧視野與運(yùn)維思維這個(gè)方向的工程師往往是“全?！敝械摹叭珬！薄Ｋ麄冃枰蠖碎_(kāi)發(fā)設(shè)計(jì)高性能、高可用的服務(wù)。數(shù)據(jù)工程處理ETL、理解數(shù)據(jù)結(jié)構(gòu)。運(yùn)維與安全關(guān)注系統(tǒng)穩(wěn)定性、監(jiān)控、日志、權(quán)限控制。基本的AI知識(shí)理解不同模型的輸入輸出、Token計(jì)費(fèi)方式、上下文窗口限制。他們的工作成果常常不直接面向用戶卻是AI應(yīng)用能否穩(wěn)定運(yùn)行的“地基”。一個(gè)常見(jiàn)的場(chǎng)景是為銷售部門(mén)構(gòu)建一個(gè)能自動(dòng)查詢客戶歷史訂單、產(chǎn)品庫(kù)存和物流狀態(tài)的AI助手。這背后需要打通CRM、ERP、WMS至少三個(gè)系統(tǒng)處理好網(wǎng)絡(luò)隔離、數(shù)據(jù)同步延遲、接口兼容性等一系列問(wèn)題。避坑指南在集成初期務(wù)必實(shí)施“人類在環(huán)”策略。即AI的所有關(guān)鍵操作尤其是寫(xiě)操作先設(shè)置為“建議”模式由人工確認(rèn)后再執(zhí)行。同時(shí)建立完善的日志和監(jiān)控體系記錄下AI的每一次思考過(guò)程Chain of Thought和工具調(diào)用這是事后排查問(wèn)題和優(yōu)化流程的黃金資料。4. 需求爆發(fā)方向三垂直領(lǐng)域的數(shù)據(jù)準(zhǔn)備與模型精調(diào)師通用大模型很強(qiáng)大但“什么都懂一點(diǎn)什么都不精”。在醫(yī)療、法律、金融、工業(yè)等專業(yè)領(lǐng)域通用模型的表現(xiàn)可能不盡如人意甚至因?yàn)椤盎糜X(jué)”而產(chǎn)出危險(xiǎn)內(nèi)容。因此第三類爆發(fā)需求是能夠?yàn)樘囟ù怪鳖I(lǐng)域準(zhǔn)備高質(zhì)量數(shù)據(jù)并對(duì)基礎(chǔ)模型進(jìn)行精調(diào)打造行業(yè)專家模型的工程師。4.1 從“調(diào)參俠”到“數(shù)據(jù)雕塑家”傳統(tǒng)的機(jī)器學(xué)習(xí)工程師工作重心是特征工程和模型調(diào)參。而在大模型時(shí)代數(shù)據(jù)質(zhì)量的重要性被提到了前所未有的高度。對(duì)于精調(diào)來(lái)說(shuō)數(shù)據(jù)就是模型的“教材”。教材的質(zhì)量直接決定了學(xué)生的水平。這個(gè)方向的工作流程通常包括領(lǐng)域知識(shí)圖譜構(gòu)建與數(shù)據(jù)挖掘與領(lǐng)域?qū)＜疑疃群献魇崂黻P(guān)鍵概念、實(shí)體、關(guān)系和業(yè)務(wù)流程。從海量的行業(yè)文檔、報(bào)告、歷史對(duì)話記錄中挖掘和清洗出有價(jià)值的訓(xùn)練數(shù)據(jù)對(duì)Instruction-Output Pair。高質(zhì)量數(shù)據(jù)集的精心制作這不僅僅是收集數(shù)據(jù)更是“雕刻”數(shù)據(jù)。需要設(shè)計(jì)多樣化的任務(wù)指令覆蓋領(lǐng)域內(nèi)各種場(chǎng)景。輸出答案必須精準(zhǔn)、無(wú)歧義、符合行業(yè)規(guī)范。這個(gè)過(guò)程極其耗費(fèi)人力且需要深厚的領(lǐng)域知識(shí)。模型精調(diào)技術(shù)選型與實(shí)施掌握LoRA、QLoRA等參數(shù)高效微調(diào)技術(shù)在有限的算力下對(duì)大型模型進(jìn)行適配。需要理解訓(xùn)練過(guò)程中的損失曲線、評(píng)估指標(biāo)并能解決過(guò)擬合、災(zāi)難性遺忘等問(wèn)題。評(píng)估與迭代建立專業(yè)的評(píng)估體系。不僅要用傳統(tǒng)的準(zhǔn)確率、召回率更要設(shè)計(jì)領(lǐng)域相關(guān)的評(píng)測(cè)集甚至請(qǐng)領(lǐng)域?qū)＜疫M(jìn)行人工評(píng)估確保模型輸出在專業(yè)上是可靠的。4.2 工具鏈與協(xié)作模式從事這份工作你會(huì)頻繁使用到以下工具和概念數(shù)據(jù)標(biāo)注平臺(tái)如Label Studio用于高效組織和標(biāo)注數(shù)據(jù)。精調(diào)框架如Hugging Face的TRL、PEFT庫(kù)以及Axolotl等開(kāi)源項(xiàng)目。評(píng)估框架除了自動(dòng)評(píng)估可能還需要搭建一個(gè)評(píng)估平臺(tái)方便專家進(jìn)行盲測(cè)打分。版本管理與實(shí)驗(yàn)追蹤像MLflow或Weights Biases用于管理不同的數(shù)據(jù)版本、模型版本和實(shí)驗(yàn)參數(shù)。這個(gè)角色是AI與垂直行業(yè)深度結(jié)合的橋梁。他們產(chǎn)出的不是一個(gè)通用的聊天機(jī)器人而是一個(gè)具備專業(yè)資質(zhì)的“數(shù)字員工”。例如一個(gè)精調(diào)后的法律模型可以更準(zhǔn)確地理解法律條文生成更合規(guī)的合同審閱意見(jiàn)一個(gè)醫(yī)療模型在診斷建議上會(huì)更加謹(jǐn)慎并引用權(quán)威的診療指南。一個(gè)精調(diào)數(shù)據(jù)樣本的示例{ instruction: 作為一名心血管內(nèi)科醫(yī)生請(qǐng)根據(jù)以下患者主訴和檢查結(jié)果給出初步診斷思路和后續(xù)檢查建議。患者58歲男性主訴‘活動(dòng)后胸悶、氣短3個(gè)月加重1周’。查體BP 150/95mmHg心率92次/分律齊心尖部可聞及2/6級(jí)收縮期吹風(fēng)樣雜音。心電圖示竇性心律ST段在V4-V6導(dǎo)聯(lián)輕度下斜型壓低0.05-0.1mV。, input: , output: 【初步診斷思路】患者為中老年男性有活動(dòng)后胸悶氣短癥狀需優(yōu)先考慮冠心病心絞痛可能。支持點(diǎn)1. 典型勞力性胸痛癥狀2. 心電圖有心肌缺血性ST段改變V4-V6導(dǎo)聯(lián)。鑒別診斷需包括心力衰竭、心臟瓣膜病聽(tīng)診有雜音、肺源性疾病等。\n【后續(xù)檢查建議】1. **必需檢查**心臟超聲評(píng)估心臟結(jié)構(gòu)、瓣膜情況及心功能心肌損傷標(biāo)志物如hs-cTnT血脂、血糖。2. **重要檢查**冠狀動(dòng)脈CTA或運(yùn)動(dòng)負(fù)荷試驗(yàn)若結(jié)果提示中高危建議行冠狀動(dòng)脈造影。3. **生活方式干預(yù)**立即建議患者戒煙限酒、低鹽低脂飲食并預(yù)約心內(nèi)科門(mén)診隨訪。\n【注意】本分析僅為AI輔助建議不能替代執(zhí)業(yè)醫(yī)師的面對(duì)面診療。最終診斷需結(jié)合全部臨床資料由醫(yī)生確定。 }5. 新需求下的技能重塑與學(xué)習(xí)路徑面對(duì)這三個(gè)爆發(fā)的新需求無(wú)論是初入行的新人還是希望轉(zhuǎn)型的資深工程師都需要有針對(duì)性地重塑自己的技能樹(shù)。這不再是簡(jiǎn)單學(xué)習(xí)一門(mén)新語(yǔ)言或框架而是一種思維模式和能力組合的升級(jí)。5.1 思維模式轉(zhuǎn)型從“執(zhí)行者”到“定義者”與“評(píng)估者”最根本的轉(zhuǎn)變發(fā)生在思維層面問(wèn)題定義能力以前產(chǎn)品經(jīng)理給PRD產(chǎn)品需求文檔工程師實(shí)現(xiàn)?，F(xiàn)在很多問(wèn)題本身是模糊的“做一個(gè)能幫我們提升客服效率的AI”。工程師需要主動(dòng)參與甚至主導(dǎo)問(wèn)題的澄清和定義提升哪方面效率是回答常見(jiàn)問(wèn)題還是生成工單摘要成功的標(biāo)準(zhǔn)是什么評(píng)估與迭代思維AI系統(tǒng)的輸出沒(méi)有絕對(duì)的正確只有“更好”或“更合適”。工程師需要建立一套持續(xù)評(píng)估和迭代的機(jī)制通過(guò)數(shù)據(jù)反饋來(lái)驅(qū)動(dòng)系統(tǒng)優(yōu)化這很像數(shù)據(jù)科學(xué)家的思維方式。概率性思維接受系統(tǒng)有一定程度的不確定性并學(xué)會(huì)管理這種不確定性。通過(guò)設(shè)計(jì)冗余、驗(yàn)證、人工審核流程來(lái)保證系統(tǒng)的整體可靠性。5.2 核心技能棧建議針對(duì)前述三大方向你可以有側(cè)重地構(gòu)建自己的能力對(duì)于AI原生應(yīng)用方向深入理解至少一個(gè)主流大模型API如OpenAI GPT、Claude、國(guó)產(chǎn)深度求索等的詳細(xì)參數(shù)、能力邊界和成本結(jié)構(gòu)。熟練掌握一個(gè)AI應(yīng)用框架如LangChain或LlamaIndex并理解其核心概念Chain, Agent, Tool, Retriever等。強(qiáng)化軟件工程基礎(chǔ)特別是API設(shè)計(jì)、異步編程、錯(cuò)誤處理和系統(tǒng)監(jiān)控。學(xué)習(xí)基本的提示工程能寫(xiě)出結(jié)構(gòu)清晰、指令明確的系統(tǒng)提示詞和少樣本示例。對(duì)于系統(tǒng)集成方向深耕后端與數(shù)據(jù)工程技術(shù)微服務(wù)架構(gòu)、消息隊(duì)列、流處理、數(shù)據(jù)倉(cāng)庫(kù)等。掌握云原生和DevOps工具鏈容器、Kubernetes、CI/CD確保集成的系統(tǒng)穩(wěn)定可控。深入了解企業(yè)安全與合規(guī)要求這是集成的生命線。學(xué)習(xí)如何將復(fù)雜業(yè)務(wù)邏輯封裝為AI可用的工具設(shè)計(jì)好用的SDK或API。對(duì)于垂直領(lǐng)域精調(diào)方向深入一個(gè)垂直領(lǐng)域最好能與領(lǐng)域?qū)＜揖o密合作理解其核心知識(shí)體系和業(yè)務(wù)流程。掌握數(shù)據(jù)工程和數(shù)據(jù)分析技能能高效地處理非結(jié)構(gòu)化文本數(shù)據(jù)。學(xué)習(xí)機(jī)器學(xué)習(xí)運(yùn)維的基礎(chǔ)特別是模型訓(xùn)練、評(píng)估和部署的全流程。精通至少一種模型精調(diào)技術(shù)如LoRA并了解其背后的原理。5.3 實(shí)踐起步建議從一個(gè)小項(xiàng)目開(kāi)始不要試圖一下子掌握所有。最好的方式是選擇一個(gè)你感興趣的小方向動(dòng)手做一個(gè)完整的項(xiàng)目。例如方向一用LangChain OpenAI API給自己做一個(gè)個(gè)人知識(shí)庫(kù)問(wèn)答機(jī)器人索引你的筆記和文檔。方向二將你的某個(gè)日常手動(dòng)操作比如整理周報(bào)數(shù)據(jù)、監(jiān)控某個(gè)網(wǎng)站更新自動(dòng)化編寫(xiě)一個(gè)能調(diào)用瀏覽器工具或辦公軟件API的AI小助手。方向三找一個(gè)你熟悉的細(xì)分領(lǐng)域比如健身食譜、寵物護(hù)理從網(wǎng)上收集高質(zhì)量的問(wèn)答數(shù)據(jù)嘗試用開(kāi)源模型如Qwen、Llama和PEFT庫(kù)做一個(gè)領(lǐng)域小模型。在實(shí)踐過(guò)程中你會(huì)遇到真實(shí)的問(wèn)題這會(huì)驅(qū)動(dòng)你去學(xué)習(xí)相關(guān)的知識(shí)這種學(xué)習(xí)是最有效、最牢固的。6. 常見(jiàn)困惑與職業(yè)發(fā)展問(wèn)答結(jié)合我與同行和年輕工程師的交流這里整理了幾個(gè)最常見(jiàn)的疑問(wèn)和我的個(gè)人看法。Q1我是應(yīng)屆生/初級(jí)工程師感覺(jué)機(jī)會(huì)大門(mén)關(guān)上了怎么辦A大門(mén)沒(méi)有關(guān)上只是入口挪了地方。以前可能從“寫(xiě)增刪改查”入門(mén)現(xiàn)在可能需要從“參與AI數(shù)據(jù)標(biāo)注”、“維護(hù)精調(diào)代碼”、“編寫(xiě)工具調(diào)用接口”或“構(gòu)建評(píng)估測(cè)試用例”開(kāi)始。這些工作同樣極具價(jià)值且能讓你快速接觸到核心流程。關(guān)鍵在于不要只把自己定位為“寫(xiě)業(yè)務(wù)代碼的”而要主動(dòng)靠近數(shù)據(jù)、靠近AI工作流、靠近業(yè)務(wù)難題。在完成基礎(chǔ)任務(wù)的同時(shí)積極研究團(tuán)隊(duì)是如何使用AI工具的嘗試去理解背后的設(shè)計(jì)思路。Q2AI工具這么強(qiáng)資深工程師會(huì)不會(huì)也被替代A短期內(nèi)不會(huì)但角色會(huì)進(jìn)化。AI替代的是“可預(yù)測(cè)的、模式化的腦力勞動(dòng)”。而資深工程師的價(jià)值恰恰在于處理不可預(yù)測(cè)的復(fù)雜性設(shè)計(jì)一個(gè)能應(yīng)對(duì)未來(lái)變化的系統(tǒng)架構(gòu)、在資源約束下做出最優(yōu)的技術(shù)選型、調(diào)試一個(gè)深藏在分布式系統(tǒng)里的詭異故障、帶領(lǐng)團(tuán)隊(duì)跨越認(rèn)知鴻溝。這些需要深厚經(jīng)驗(yàn)、創(chuàng)造性思維和人際協(xié)調(diào)能力的工作AI目前還無(wú)法勝任。資深工程師需要做的是學(xué)會(huì)利用AI作為“超級(jí)杠桿”放大自己這些獨(dú)特價(jià)值。Q3數(shù)學(xué)和算法基礎(chǔ)不好還能進(jìn)入AI相關(guān)的崗位嗎A當(dāng)然可以。前述三大爆發(fā)方向中只有“模型精調(diào)師”對(duì)傳統(tǒng)的機(jī)器學(xué)習(xí)理論要求較高。對(duì)于“AI應(yīng)用設(shè)計(jì)師”和“系統(tǒng)集成工程師”更重要的是工程能力、領(lǐng)域知識(shí)和產(chǎn)品思維。你能理解業(yè)務(wù)能設(shè)計(jì)出穩(wěn)定可靠的系統(tǒng)將AI能力落地能評(píng)估AI產(chǎn)出在業(yè)務(wù)場(chǎng)景下的有效性這些價(jià)值絲毫不亞于推導(dǎo)一個(gè)公式。當(dāng)然了解一些基本概念如Token、Embedding、溫度系數(shù)是必要的但這可以通過(guò)實(shí)踐快速學(xué)習(xí)。Q4應(yīng)該去大公司還是小公司把握AI機(jī)會(huì)A這取決于你的風(fēng)險(xiǎn)偏好和學(xué)習(xí)風(fēng)格。大公司通常有成熟的業(yè)務(wù)場(chǎng)景和海量數(shù)據(jù)有機(jī)會(huì)接觸大規(guī)模、高并發(fā)的AI落地項(xiàng)目流程規(guī)范能見(jiàn)識(shí)到工業(yè)級(jí)的最佳實(shí)踐。但可能分工較細(xì)初期接觸不到全貌。創(chuàng)業(yè)公司/小團(tuán)隊(duì)機(jī)會(huì)更多在于從0到1打造AI原生產(chǎn)品需要你身兼數(shù)職對(duì)個(gè)人綜合能力鍛煉極大。能快速看到業(yè)務(wù)影響但風(fēng)險(xiǎn)較高資源可能有限。我的建議是無(wú)論在哪確保自己正在解決真實(shí)的、有價(jià)值的問(wèn)題并且能接觸到從數(shù)據(jù)、模型到產(chǎn)品、用戶的完整閉環(huán)。這比公司的牌子更重要。技術(shù)的浪潮從未停歇從大型機(jī)到PC從互聯(lián)網(wǎng)到移動(dòng)每一次變革都會(huì)重塑職業(yè)版圖。AI帶來(lái)的這次變革其廣度和深度可能前所未有。它不是在淘汰工程師而是在淘汰“僅以編碼速度為榮”的舊模式同時(shí)慷慨地打開(kāi)了通向更高價(jià)值創(chuàng)造的大門(mén)。那些能夠擁抱變化將AI視為強(qiáng)大協(xié)作者而非替代者并持續(xù)學(xué)習(xí)如何駕馭它去解決更復(fù)雜、更模糊問(wèn)題的工程師將會(huì)發(fā)現(xiàn)一個(gè)比過(guò)去任何時(shí)候都更廣闊的職業(yè)舞臺(tái)。真正的挑戰(zhàn)不在于AI本身而在于我們能否快速進(jìn)化自己的認(rèn)知和技能跟上這個(gè)重新定義“創(chuàng)造”的時(shí)代。