1. 三條熱搜背后的技術(shù)信號拆解1.1 為什么這三條新聞值得放在一起看把這三條消息放在同一天來讀其實(shí)能拼出一張很清晰的行業(yè)地圖。第一條關(guān)于某頭部模型團(tuán)隊一次性放出377項數(shù)學(xué)成果第二條關(guān)于兩家科技巨頭聯(lián)手重造PC形態(tài)第三條關(guān)于代碼托管平臺上三分之一的合并請求已經(jīng)由AI完成。這三件事分別對應(yīng)了AI能力的上限突破、載體遷移和生產(chǎn)落地恰好是技術(shù)從實(shí)驗室走向日常工作的完整鏈條。我平時關(guān)注行業(yè)動態(tài)有個習(xí)慣就是不看單條新聞的熱鬧而是看同一天不同方向的消息能不能互相印證。這次三條消息的共振非常明顯模型在純智力任務(wù)上開始觸碰人類前沿硬件廠商在重新定義計算設(shè)備的形態(tài)而軟件開發(fā)這個最成熟的數(shù)字化生產(chǎn)場景里AI已經(jīng)悄悄占到了三分之一的實(shí)際產(chǎn)出。這三個信號疊加起來說明AI不再是一個需要被討論能不能用的話題而是已經(jīng)進(jìn)入了怎么用得好的階段。對于普通開發(fā)者和技術(shù)愛好者來說這意味著兩件事。第一你手里的工具鏈會在這半年內(nèi)發(fā)生肉眼可見的變化尤其是寫代碼、查資料、做數(shù)學(xué)推導(dǎo)這些環(huán)節(jié)。第二理解這些變化背后的原理比追著每一個新工具跑更重要因為工具會換但底層的推理機(jī)制、工程約束和協(xié)作模式在短期內(nèi)是穩(wěn)定的。1.2 377項數(shù)學(xué)成果到底意味著什么先說這個377項數(shù)學(xué)成果的事。很多人看到這個數(shù)字的第一反應(yīng)是AI又刷榜了但真正值得關(guān)注的是這些成果的性質(zhì)。根據(jù)公開討論的內(nèi)容這批成果覆蓋了組合數(shù)學(xué)、數(shù)論、圖論等多個分支其中一部分是已知定理的新證明另一部分是此前未被記錄的小型猜想驗證。爭議點(diǎn)主要集中在兩個方面一是這些成果是否經(jīng)過了嚴(yán)格的同行評審二是AI在其中的貢獻(xiàn)比例到底怎么界定。從技術(shù)角度看一個模型能在數(shù)學(xué)這種對邏輯嚴(yán)密性要求極高的領(lǐng)域批量產(chǎn)出可驗證的結(jié)果說明它的推理鏈條已經(jīng)能夠維持足夠長的連貫性。數(shù)學(xué)證明和寫文章不一樣中間任何一步邏輯斷裂整個證明就廢了。377項成果哪怕只有一部分是真正有價值的也說明模型在長程推理上的穩(wěn)定性有了實(shí)質(zhì)提升。但爭議也是合理的。數(shù)學(xué)界的慣例是一個新證明需要經(jīng)過領(lǐng)域?qū)＜曳磸?fù)檢驗才能被承認(rèn)而AI批量產(chǎn)出的成果在評審流程上很難跟上。這就引出一個很現(xiàn)實(shí)的問題當(dāng)AI的產(chǎn)出速度遠(yuǎn)超人類評審速度時我們該怎么建立新的質(zhì)量篩選機(jī)制這個問題目前沒有標(biāo)準(zhǔn)答案但可以確定的是單純看數(shù)量沒有意義關(guān)鍵要看有多少成果能被獨(dú)立驗證并納入知識體系。提示如果你在關(guān)注這類成果建議重點(diǎn)看那些提供了完整證明步驟、且能被現(xiàn)有數(shù)學(xué)工具輔助驗證的條目而不是只看總數(shù)。1.3 重造PC這件事的底層邏輯第二條消息關(guān)于兩家公司聯(lián)手重造PC這個方向其實(shí)醞釀了很久。傳統(tǒng)PC的架構(gòu)是CPU負(fù)責(zé)通用計算GPU負(fù)責(zé)圖形和并行計算兩者通過總線連接數(shù)據(jù)來回搬運(yùn)的延遲和功耗一直是瓶頸?，F(xiàn)在要做的事情本質(zhì)上是在芯片層面把計算單元和內(nèi)存的距離拉近甚至讓AI推理任務(wù)直接在更靠近數(shù)據(jù)的地方完成。具體來說這種新形態(tài)的PC會強(qiáng)調(diào)幾個能力本地運(yùn)行中等規(guī)模的模型、實(shí)時處理多模態(tài)輸入、以及在斷網(wǎng)狀態(tài)下保持核心AI功能可用。這對開發(fā)者意味著什么意味著你寫的應(yīng)用不能再假設(shè)算力在云端而要考慮端側(cè)推理的延遲、內(nèi)存占用和功耗預(yù)算。以前做AI應(yīng)用大家習(xí)慣把請求發(fā)到服務(wù)器現(xiàn)在這個假設(shè)正在被打破。我個人的判斷是這類設(shè)備第一代不會便宜也不會適合所有人但它代表的方向是明確的。就像當(dāng)年從機(jī)械硬盤過渡到固態(tài)硬盤一開始只有高端機(jī)型用后來變成標(biāo)配。端側(cè)AI能力也會走類似的路只不過這次過渡速度會快很多因為軟件生態(tài)的遷移成本比硬件制造低得多。1.4 三分之一PR由AI完成說明了什么第三條消息可能是對普通開發(fā)者影響最直接的。代碼托管平臺上三分之一的合并請求已經(jīng)由AI參與完成這個比例比我年初預(yù)估的要高。需要澄清的是由AI完成不等于AI獨(dú)立完成大多數(shù)情況是AI生成初稿、人類審核修改或者AI輔助修復(fù)bug、補(bǔ)充測試。但即便如此三分之一這個量級也說明AI已經(jīng)深度嵌入了日常開發(fā)流程。從工程角度看這件事的意義在于協(xié)作模式的變化。以前一個PR從提交到合并主要成本在寫代碼和review上。現(xiàn)在寫代碼的成本被大幅壓縮review反而成了新的瓶頸。我觀察到的一個現(xiàn)象是很多團(tuán)隊的review時間不降反升因為AI生成的代碼雖然能跑但風(fēng)格不統(tǒng)一、邊界條件考慮不周全review的人需要花更多精力去判斷這段代碼能不能信。這就引出一個很實(shí)際的技能需求如何高效地review AI生成的代碼。這跟review人類同事的代碼不一樣人類寫代碼會有慣性思維你能猜到他的意圖AI寫代碼有時候會繞遠(yuǎn)路或者用一些你沒想到的寫法你需要快速判斷這是更優(yōu)解還是隱藏的坑。這個能力目前還沒有系統(tǒng)的培訓(xùn)材料主要靠實(shí)踐積累。2. 從數(shù)學(xué)成果爭議看AI推理能力的真實(shí)邊界2.1 長程推理為什么是道坎要理解377項數(shù)學(xué)成果的分量得先明白長程推理難在哪里。你可以把模型的推理過程想象成走迷宮每一步都有多個岔路走錯一步后面就全錯了。短程推理比如3加5等于幾模型幾乎不會錯但數(shù)學(xué)證明動輒幾十步甚至上百步每一步都要保持邏輯一致這對模型的狀態(tài)維持能力是極大的考驗。早期的模型在長程推理上經(jīng)常出現(xiàn)中間步驟正確、最后結(jié)論跑偏的情況原因是它在生成過程中會逐漸丟失前面的約束條件。后來的改進(jìn)主要集中在兩個方向一是讓模型在推理時顯式地寫出中間步驟相當(dāng)于把思路外化減少內(nèi)部狀態(tài)丟失二是引入驗證機(jī)制讓另一個模型或者工具來檢查每一步是否合法。這次377項成果能批量產(chǎn)出說明這兩個方向的工程化已經(jīng)比較成熟了。但成熟不等于完美。我實(shí)測過一些數(shù)學(xué)推理任務(wù)模型在遇到需要構(gòu)造性證明的題目時表現(xiàn)明顯不如驗證性證明。也就是說讓它驗證一個給定證明對不對它做得不錯讓它從零構(gòu)造一個證明成功率就下降很多。這次公布的成果里有多少是構(gòu)造性的有多少是驗證性的這個比例很關(guān)鍵但公開信息里沒有明確區(qū)分。2.2 爭議背后的評審機(jī)制問題數(shù)學(xué)界對AI成果的謹(jǐn)慎態(tài)度本質(zhì)上不是排斥新技術(shù)而是評審機(jī)制跟不上。一篇人類數(shù)學(xué)家寫的論文從投稿到發(fā)表通常要幾個月甚至幾年期間經(jīng)過多輪同行評審。AI一天產(chǎn)出幾百項成果如果每一項都要走這個流程評審資源根本不夠用。目前比較務(wù)實(shí)的做法是分層處理對于能直接被現(xiàn)有定理庫驗證的成果用自動化工具先篩一遍對于需要人類判斷的挑出最有價值的少量條目送審剩下的作為待驗證資料存檔。這個流程聽起來合理但實(shí)際操作中最有價值的判斷標(biāo)準(zhǔn)很難統(tǒng)一容易漏掉一些看起來不起眼但后續(xù)很重要的結(jié)果。注意如果你在跟進(jìn)這類成果不要只看新聞標(biāo)題里的數(shù)字要去查原始資料里有沒有提供完整的證明步驟和驗證方式。沒有驗證路徑的成果參考價值有限。2.3 對普通開發(fā)者的實(shí)際影響數(shù)學(xué)成果聽起來離日常開發(fā)很遠(yuǎn)但它背后的推理能力提升會很快滲透到工具層。最直接的影響是代碼生成的質(zhì)量。寫代碼本質(zhì)上也是一種邏輯構(gòu)造模型在數(shù)學(xué)推理上的進(jìn)步會直接反映在代碼的邊界條件處理、算法選擇和錯誤預(yù)防上。我自己的體感是最近半年AI生成的代碼在一次通過率上有明顯提升尤其是涉及復(fù)雜條件判斷和循環(huán)邏輯的部分。以前經(jīng)常需要手動補(bǔ)邊界條件現(xiàn)在這種情況少了很多。這背后就是推理能力提升帶來的紅利雖然普通用戶感知不到數(shù)學(xué)成果本身但能感知到工具變好用了。另一個影響是調(diào)試輔助。當(dāng)代碼出錯時模型現(xiàn)在能更準(zhǔn)確地定位到邏輯錯誤的根源而不是只告訴你這里報錯了。這同樣依賴于長程推理能力因為它需要從錯誤現(xiàn)象反推到最初的邏輯偏差。3. 端側(cè)AI與PC形態(tài)重構(gòu)的工程細(xì)節(jié)3.1 端側(cè)推理的算力賬怎么算重造PC的核心目標(biāo)之一是讓中等規(guī)模的模型能在本地流暢運(yùn)行。這里有個基本的算力賬要算清楚。假設(shè)一個模型有70億參數(shù)用16位精度存儲光模型權(quán)重就要占大約14GB內(nèi)存。如果再加上推理時的中間激活值實(shí)際內(nèi)存占用會更高。這意味著端側(cè)設(shè)備至少要有16GB以上的可用內(nèi)存最好有32GB。算力方面推理速度和芯片的內(nèi)存帶寬關(guān)系最大而不是單純的算力峰值。因為推理過程中大量時間花在把權(quán)重從內(nèi)存搬到計算單元上帶寬不夠算力再強(qiáng)也喂不飽。這就是為什么新的PC架構(gòu)強(qiáng)調(diào)內(nèi)存和計算單元的集成目的就是減少數(shù)據(jù)搬運(yùn)的開銷。功耗是另一個約束。桌面設(shè)備可以不太在意功耗但筆記本和平板必須考慮續(xù)航。本地跑模型時芯片會持續(xù)高負(fù)載運(yùn)行功耗墻很快就到了。所以端側(cè)推理通常會做量化把16位精度壓到8位甚至4位犧牲一點(diǎn)精度換功耗和速度。量化后的模型在通用任務(wù)上表現(xiàn)下降不明顯但在需要精細(xì)判斷的任務(wù)上會有可感知的差距。3.2 開發(fā)者需要調(diào)整的思維習(xí)慣以前做AI應(yīng)用開發(fā)者習(xí)慣把模型當(dāng)成一個遠(yuǎn)程服務(wù)調(diào)用時只關(guān)心輸入輸出不關(guān)心它跑在哪里。端側(cè)AI打破了這個假設(shè)你需要關(guān)心模型什么時候加載、占多少內(nèi)存、推理時會不會卡住界面。這些在云端都不是問題在端側(cè)全是問題。我建議的調(diào)整方式是把模型當(dāng)成一個重量級依賴來對待就像以前對待數(shù)據(jù)庫連接池一樣。你需要管理它的生命周期預(yù)熱、緩存、釋放都要有策略。比如用戶打開應(yīng)用時不要立刻加載模型而是等真正需要AI功能時再加載加載過程中給個明確的進(jìn)度提示避免界面無響應(yīng)。另一個習(xí)慣調(diào)整是降級策略。端側(cè)設(shè)備性能參差不齊高端設(shè)備能跑大模型低端設(shè)備只能跑小模型或者干脆走云端。你的應(yīng)用需要能根據(jù)設(shè)備能力自動選擇推理路徑而不是假設(shè)所有設(shè)備都一樣。這個適配工作量不小但端側(cè)AI應(yīng)用遲早都要面對。3.3 本地與云端的混合架構(gòu)怎么設(shè)計完全端側(cè)和完全云端都不是最優(yōu)解實(shí)際產(chǎn)品大概率是混合架構(gòu)。我的經(jīng)驗是按任務(wù)敏感度來劃分涉及隱私數(shù)據(jù)的任務(wù)盡量端側(cè)完成需要強(qiáng)推理能力的任務(wù)走云端中間地帶根據(jù)網(wǎng)絡(luò)狀況和設(shè)備負(fù)載動態(tài)決定。具體實(shí)現(xiàn)上可以設(shè)計一個路由層它根據(jù)任務(wù)類型、設(shè)備狀態(tài)和網(wǎng)絡(luò)條件決定推理位置。這個路由層的邏輯不復(fù)雜但需要仔細(xì)調(diào)參。比如網(wǎng)絡(luò)延遲超過某個閾值時即使任務(wù)適合云端也切到端側(cè)用較小模型先給個粗略結(jié)果等網(wǎng)絡(luò)恢復(fù)再補(bǔ)充精確結(jié)果。這種先給反饋再優(yōu)化的模式在用戶體驗上比干等云端響應(yīng)要好得多。提示混合架構(gòu)的調(diào)試比純端或純云都麻煩建議在開發(fā)早期就把日志打全記錄每次推理的位置、耗時和結(jié)果質(zhì)量后續(xù)優(yōu)化才有依據(jù)。4. AI參與代碼生產(chǎn)的協(xié)作模式變化4.1 三分之一PR背后的真實(shí)工作流三分之一PR由AI參與這個數(shù)字背后是多種不同的工作流。我觀察到的模式主要有三類第一類是AI生成完整初稿人類做review和修改第二類是AI輔助修復(fù)人類定位問題后讓AI生成補(bǔ)丁第三類是AI補(bǔ)充測試和文檔人類寫核心邏輯。這三類的比例在不同團(tuán)隊差異很大但整體趨勢是AI承擔(dān)的比例在上升。對開發(fā)者來說最需要適應(yīng)的是從寫代碼轉(zhuǎn)向?qū)彺a。以前你的核心產(chǎn)出是代碼本身現(xiàn)在你的核心產(chǎn)出是判斷力——判斷AI寫的代碼能不能用、哪里需要改、有沒有隱藏風(fēng)險。這個轉(zhuǎn)變對很多人來說不舒服因為寫代碼有明確的成就感審代碼則更像挑毛病。但從效率角度看這個轉(zhuǎn)變是值得的。我自己的實(shí)測是用AI生成初稿再人工精修整體耗時比純手寫減少大約四成而且最終代碼質(zhì)量在多數(shù)場景下不降反升因為AI不會犯復(fù)制粘貼忘了改變量名這類低級錯誤。前提是你得認(rèn)真review不能直接合并。4.2 高效review AI代碼的幾個要點(diǎn)review AI生成的代碼和review人類代碼有幾點(diǎn)不同。第一不要假設(shè)AI理解你的業(yè)務(wù)上下文。它生成的代碼可能在語法上完美但業(yè)務(wù)邏輯上跑偏因為它不知道你們系統(tǒng)里某個字段的特殊含義。所以review時要重點(diǎn)檢查業(yè)務(wù)規(guī)則相關(guān)的部分。第二關(guān)注邊界條件。AI傾向于生成正常路徑的代碼對異常輸入、空值、并發(fā)沖突這些情況的處理往往不夠周全。我習(xí)慣在review時專門找這些地方看有沒有遺漏的判斷。第三檢查依賴和版本。AI有時會引用一些過時或者不存在的庫版本這在運(yùn)行前很難發(fā)現(xiàn)。建議在CI流程里加一步依賴檢查自動攔截這類問題。第四留意性能陷阱。AI生成的代碼在功能上正確但可能用了低效的寫法比如在循環(huán)里做重復(fù)查詢、用嵌套循環(huán)處理本可以一次遍歷完成的任務(wù)。這類問題在小數(shù)據(jù)量下看不出來上線后才暴露。4.3 團(tuán)隊協(xié)作規(guī)范要怎么調(diào)整當(dāng)AI成為代碼生產(chǎn)的重要參與者時團(tuán)隊的協(xié)作規(guī)范需要相應(yīng)調(diào)整。我建議至少明確三件事AI生成代碼的標(biāo)記方式、review的額外要求、以及責(zé)任歸屬。標(biāo)記方式上可以在commit信息里注明哪些部分是AI生成的方便后續(xù)追溯。這不是為了追責(zé)而是為了在出問題時能快速定位是生成環(huán)節(jié)還是修改環(huán)節(jié)引入的缺陷。review要求上對AI生成的代碼應(yīng)該比人類代碼更嚴(yán)格尤其是測試覆蓋。人類寫的代碼通常有隱含的上下文理解AI沒有所以需要更明確的測試來保證行為正確。責(zé)任歸屬上原則很簡單誰合并誰負(fù)責(zé)。不管代碼是誰寫的還是哪個AI生成的合并的人承擔(dān)最終責(zé)任。這個原則能避免這是AI寫的所以不怪我這種心態(tài)保證review質(zhì)量。5. 常見問題與實(shí)操避坑指南5.1 數(shù)學(xué)推理類工具的使用誤區(qū)很多人用AI做數(shù)學(xué)推導(dǎo)時容易犯一個錯誤只看結(jié)論不看過程。AI給出的結(jié)論可能是對的但推導(dǎo)過程有跳躍或者隱含假設(shè)如果你直接采信結(jié)論而不檢查過程在后續(xù)使用中可能踩坑。我的習(xí)慣是凡是用于實(shí)際工作的數(shù)學(xué)結(jié)果都要把推導(dǎo)過程逐步核對一遍尤其是那些顯然可得的步驟往往藏著問題。另一個誤區(qū)是過度信任符號計算。AI在處理符號推導(dǎo)時有時會混淆變量作用域或者在不該化簡的地方化簡。這類錯誤很隱蔽因為結(jié)果看起來合理。建議在關(guān)鍵步驟上用獨(dú)立的工具交叉驗證不要只依賴一個來源。5.2 端側(cè)AI應(yīng)用的性能排查端側(cè)AI應(yīng)用最常見的性能問題是首次推理特別慢。原因是模型加載和初始化需要時間第一次調(diào)用時這些開銷都算在用戶頭上。解決辦法是在應(yīng)用啟動后、用戶觸發(fā)AI功能前用一個低優(yōu)先級的后臺任務(wù)預(yù)熱模型。預(yù)熱不需要跑完整推理只要把權(quán)重加載到內(nèi)存并做一次簡單的前向計算就行。第二個常見問題是內(nèi)存抖動。端側(cè)設(shè)備內(nèi)存有限模型加載后如果頻繁分配釋放臨時緩沖區(qū)會導(dǎo)致內(nèi)存碎片化最終觸發(fā)系統(tǒng)回收表現(xiàn)為間歇性卡頓。解決辦法是預(yù)分配固定的緩沖區(qū)推理時復(fù)用不要每次動態(tài)申請。第三個問題是熱管理。持續(xù)推理會讓芯片發(fā)熱觸發(fā)降頻推理速度越來越慢。這個在手機(jī)上尤其明顯。緩解辦法是控制單次推理的時長把長任務(wù)拆成多個短任務(wù)中間留出散熱間隙。5.3 AI代碼review的速查表問題類型檢查要點(diǎn)常見表現(xiàn)業(yè)務(wù)邏輯字段含義、規(guī)則優(yōu)先級語法正確但業(yè)務(wù)結(jié)果錯誤邊界條件空值、越界、并發(fā)正常輸入通過異常輸入崩潰依賴版本庫版本、API兼容性本地能跑CI失敗性能循環(huán)內(nèi)查詢、重復(fù)計算小數(shù)據(jù)正常大數(shù)據(jù)超時安全輸入校驗、權(quán)限檢查功能正常但存在注入風(fēng)險這張表是我自己review時常用的檢查清單按優(yōu)先級從上到下。業(yè)務(wù)邏輯和邊界條件是最容易出問題的地方建議每次review都過一遍。依賴和性能問題可以在CI階段用自動化工具攔截一部分但人工檢查仍然必要。5.4 混合架構(gòu)的調(diào)試技巧混合架構(gòu)最難調(diào)試的是推理位置切換時的行為不一致。同一個請求端側(cè)和云端可能給出不同結(jié)果用戶會感到困惑。解決辦法是統(tǒng)一后處理邏輯讓端側(cè)和云端的輸出經(jīng)過同一套格式化流程減少表面差異。至于結(jié)果本身的差異如果業(yè)務(wù)允許可以在界面上標(biāo)注當(dāng)前為快速結(jié)果給用戶預(yù)期。另一個技巧是記錄推理路徑。每次推理都記錄是在端側(cè)還是云端完成的、耗時多少、結(jié)果置信度如何。這些日志在排查為什么這次結(jié)果不一樣時非常有用。我一般會在開發(fā)階段把日志級別調(diào)高上線后保留關(guān)鍵字段方便回溯。6. 這些變化對個人技能棧的長期影響6.1 哪些技能在升值哪些在貶值從這三條消息能看出一個清晰的趨勢執(zhí)行類技能在貶值判斷類技能在升值。寫代碼、做數(shù)學(xué)推導(dǎo)、生成文檔這些執(zhí)行類工作AI的參與度會越來越高。而判斷代碼質(zhì)量、判斷數(shù)學(xué)證明是否可靠、判斷架構(gòu)方案是否合理這些判斷類工作反而更需要人來做因為AI目前還不擅長對自己的產(chǎn)出做批判性評估。具體到技能棧上我建議重點(diǎn)投入三個方向。第一是領(lǐng)域知識你對業(yè)務(wù)的理解越深越能判斷AI的產(chǎn)出是否符合實(shí)際需求。第二是驗證能力包括寫測試、做交叉驗證、設(shè)計實(shí)驗這些能力在AI產(chǎn)出泛濫的環(huán)境下會越來越重要。第三是架構(gòu)設(shè)計尤其是混合架構(gòu)的設(shè)計能力因為端側(cè)和云端的邊界會長期存在怎么劃分任務(wù)、怎么保證一致性這些都需要人來決策。6.2 學(xué)習(xí)路徑的調(diào)整建議如果你還在按傳統(tǒng)路徑學(xué)習(xí)編程我建議做兩個調(diào)整。一是盡早把AI工具納入日常練習(xí)不是用它替你寫作業(yè)而是用它生成代碼后你來review訓(xùn)練自己的判斷力。二是加強(qiáng)數(shù)學(xué)和邏輯基礎(chǔ)因為AI產(chǎn)出的代碼和推導(dǎo)越來越復(fù)雜沒有扎實(shí)的基礎(chǔ)你連review都做不了。對于已經(jīng)在職的開發(fā)者調(diào)整的重點(diǎn)是工作流的重構(gòu)。把重復(fù)性的編碼任務(wù)交給AI自己把時間花在需求分析、方案設(shè)計和質(zhì)量把關(guān)上。這個轉(zhuǎn)變一開始會不適應(yīng)因為寫代碼有即時的成就感而設(shè)計和把關(guān)的反饋周期更長。但從長期看這個轉(zhuǎn)變是必須的越早適應(yīng)越主動。6.3 我個人的實(shí)踐體會最后分享一點(diǎn)我自己的體會。這半年我明顯感覺到工作中動手的時間在減少動腦的時間在增加。以前一天可能寫幾百行代碼現(xiàn)在可能只寫幾十行但花在思考架構(gòu)、review產(chǎn)出、驗證結(jié)果上的時間多了很多。這個變化一開始讓我有點(diǎn)焦慮覺得自己的編碼能力在退化。但后來想明白了編碼能力不只是打字速度更重要的是知道該寫什么、不該寫什么這個能力反而在提升。另一個體會是工具的選擇比工具的使用更重要。AI工具層出不窮每個都學(xué)一遍不現(xiàn)實(shí)。我的策略是只深入掌握一兩個主力工具其他的了解基本能力就行需要時再查文檔。把省下來的時間用在理解原理和積累領(lǐng)域知識上這些才是長期競爭力。提示不要因為AI能寫代碼就放棄學(xué)習(xí)編程基礎(chǔ)。恰恰相反基礎(chǔ)越扎實(shí)你越能判斷AI產(chǎn)出的質(zhì)量越能寫出高質(zhì)量的提示詞越能在AI出錯時快速定位問題。