感觉程序员要被 AI 淘汰了?学什么才有机会?
⭐️ 推荐观看视频版:https://www.bilibili.com/video/BV1i9Z8YhEja
AI 会淘汰程序员么?
我的答案是 "会"。
AI 会不会淘汰程序员?这是学编程的朋友们非常关注的问题,我也一样,因为如果程序员被淘汰了,那我这个程序员博主也就光荣退休了。
"你讲编程还有个毛用?你做教程还给谁看?给 AI 看吗?"
"AI 自己都能生成教程了,自己都能自产自销进化升级了,还要你?"
我觉得 AI 会淘汰很多程序员,但是程序员这个岗位不会消失。为什么呢?
假设 AI 是个能独立思考、有手有脚的数码宝贝。它很强,你让它写代码,它也能写,写得还比人更快更好;但是,它要是不听话,程序跑不起来、多写几个 Bug 都是小事,搞不好把你整个电脑都给烧了。而且一旦 AI 搞砸了、黑化了,往你的代码里加点小广告、加点 "老八秘制小汉堡",谁跟着倒霉啊?还不是咱们这些使用者嘛?毕竟 AI 又不能代替人类去坐牢对吧。

而且你想,当年汽车取代马车,虽然车夫被淘汰,但是却催生了司机这个新岗位!
所以想不被 AI 淘汰,必须要把自己的经验和 AI 融合,驾驭 AI 更快地完成工作。以后程序员将不再是码农,而是 AI 操控师。
下面我会发起《AI 程序员改造计划》,给大家分享 AI 时代下,程序员必须学习的知识。是我这两年半积累的经验,哪怕你之前完全没接触过 AI,看完后对 AI 的了解也会超过 90% 的同学,也就不用担心被淘汰了。
要分享的内容包含 4 大部分,最后一部分【AI + 编程】是最值得学习的。别的博主不会把这些东西一次性讲完,干货很多,建议收藏起来慢慢看~
一、AI 核心概念
首先,我会通过带大家实操一个主流的 AI 应用开发平台 Dify,把 AI 的核心概念串联起来,更高效直观地带大家理解。
首先进入平台,创建一个 AI 应用,然后进入到了 AI 对话界面。

首次使用时,我们要选择 大模型 (LLM)。大模型是 AI 的大脑,是指具有海量参数的人工智能模型,通过大规模的预训练获得广泛的知识和能力。

不同大模型的参数规模、处理能力、接受的对话长度是不一样的。

选择大模型后,我们可以设置参数来调整大模型的输出,比如 温度 可以控制模型输出的随机性,温度值越高,模型输出越随机多样;温度值越低,输出越确定保守。

下面我们来和 AI 进行对话,输入给 AI 的内容我们称为 提示词 Prompt ,用来引导模型生成特定内容或执行特定任务,提示词的质量直接决定了 AI 输出的准确度。
提示词又可以分为系统提示词和用户提示词,系统提示词可以整体约束 AI 输出的内容,一般需要提前设置;用户提示词则是用户自主输入的内容,随用随输。

我们进行一次对话后,会发现对话下方展示了 "花费 Token"。

看到 "花费" 很多同学就慌了,啥是 Token 啊?Token 贵不贵啊?
Token 是大语言模型处理文本的基本单位,可能是单词或标点符号,模型的输入和输出都是按 Token 计算 的,一般 Token 越多,成本越高、并且输出速度越慢。不同模型的计费都不太一样,一般 100 万 Token 要几十块钱吧。

让我们再来添加一个大模型,谷歌的 Gemini,这次它让我输入 API Key ,不让我免费用了。没事,我们去大模型官方去申请一个调用秘钥,输入过来即可,之后的每次扣费都会记在这个 API Key 上。

模型添加成功后,可以看到 Gemini 也支持非常多不同的大模型,比如标准版和 Lite 轻量版。

可以将轻量版简单地理解为蒸馏版本。在实际应用中,大模型可能因资源需求高而难以部署。采用 模型蒸馏 ,将复杂大模型的知识转移到更小模型中,就可以在保持模型性能的同时,减小模型体积,降低推理成本。

有些模型是具备 多模态 能力的,多模态大模型能够同时理解和处理多种类型的信息,比如文本、图像、音频和视频,实现图生文、文生图、文生视频等更智能的应用。

有些大模型还具备 文档解析 的能力,可以上传一个 PDF 文件作为 上下文信息 ,交给 AI 去总结。还记得几年前有个很火的爆款产品 ChatPDF,现在人人都能实现了。

但有时,大模型可能缺少了某些信息,比如让 AI 总结鱼皮写的《保姆级写简历指南》,它给的信息就不准确,怎么办呢?我们可以开启知识库功能,背后是 RAG 检索增强生成 技术,来利用外部知识库给 AI 补充知识。

首先创建知识库,上传知识文档:

对文本进行切分,可以自己设置分块的规则:

然后利用 Embedding 嵌入 技术,将文本、图像等数据转换为向量表示,并写入到向量数据库中。用户向 AI 提问时,会将问题转换成向量,从知识库中检索和问题相关的信息,再将这些信息和问题一起输入大模型进行处理,使大模型的回答更准确。

好,这样我们的 AI 应用就做完了,可以发布给别人用,也可以通过 API 接口,在自己的代码程序中通过网络请求来调用。

刚刚我们只是牛刀小试,做了个聊天助手罢了。但实际上现在 AI 的应用已经升级为 智能体 了。智能体是能够感知环境、进行推理、制定计划、做出决策并自主采取行动来实现目标的 AI 系统。

我们可以给智能体提供 工具 ,比如网页搜索、查询天气、调用数据库等等,让智能体完成更复杂的任务。安装工具后,提供给智能体,它就会在需要的时候使用这个工具,比如从网上检索到内容,进行总结后再回复。这样一来,AI 的应用范围和能力边界将会是无限大。

当然,如果你用的 AI 大模型是个睿智,它可能不会用工具,所以我建议给智能体选用思考能力更强的推理模型。有些模型会使用 思维链 (CoT)和 ReAct 技术,让模型先思考问题、推理分析并提出行动计划,然后再行动,再基于结果进一步推理。并且中间步骤和思考过程是公开可见的,让我们能够理解模型是如何得出结论的,让整个推理过程更透明。
-
思维链 CoT:在处理复杂问题时,模型直接给出答案可能缺乏逻辑性和可解释性。思维链技术(Chain of Thought, CoT)通过让模型详细介绍中间步骤和推理过程,使人们能够理解模型是如何得出结论的,让整个推理过程更透明。
-
ReAct:结合推理(Reason)和行动(Act)的 AI 开发范式,模型先思考问题,推理分析并提出行动计划,然后执行行动,再基于结果进一步推理。这种循环能使 AI 能够更有效地解决复杂问题。

有时,单一的智能体并不能完成我们的任务,比如自动生成 100 个短视频、自动做个游戏并发布上线。这时我们可以使用 智能体工作流 (Agentic Workflow),可以通过规划和编排,让智能体自由搭配功能,自动化实现各种复杂的任务。有点像可视化编程。

最后再分享一个最近很火的概念,叫 MCP (Model Context Protocol) 模型上下文协议,用于实现 AI 与外部工具或数据的标准化交互。

简单来说,利用 MCP 服务,我们可以更方便地给 AI 集成不同的工具和数据,增强 AI 应用的功能。首先安装 MCP Agent 策略,让智能体支持调用 MCP:

然后可以去 MCP 大全网站找到我们需要的 MCP 服务,比如查询当前时间。

再回到智能体工作流中,填写 MCP 服务器地址、调用 MCP 的指令和查询条件等信息,AI 就可以在需要的时候向 MCP 发送请求来完成数据啦。

OK,AI 核心概念讲完了,看到这里,你应该就超过了 70% 的同学。
二、常用 AI 工具
如今 AI 相关的工具百花齐放,像我也精心整理过几十个主流的 AI 工具,覆盖 AI 对话、写作、图像、视频、音频、办公、编程等各个应用场景。

哇,这么多工具,看得眼都花了!不过别担心,我们不必都去学习。
下面我会着重为大家分享在程序员日常工作中非常实用的一整套工具链,如果你还不满足,想学习更多工具,可以看看我 免费开源的 AI 知识库,里面还有很多 AI 使用技巧、行业资讯、应用场景、资源干货的分享哦。

1、开发类工具
日常问题解决与知识搜索 - AI 对话产品
一些简单的问题和内容搜索可以直接使用 AI 对话产品来搞定,比如 DeepSeek、元宝、豆包、通义千问、文心一言、Kimi、GPT、Claude。像我自己一般会同时打开好几个网站一起用,挑选最合适的回答。觉得麻烦的话,也可以尝试下网友自制的 聚合 AI 应用,能直接在一个聊天框里和所有主流大模型对话。

小项目与新项目开发 - Cursor
如果要开发小项目或新项目,我建议使用 Cursor,一款专为编程打造的 AI 工具。新建一个文件夹,打开 AI 对话框,选择 Agent 智能体模式和大模型,然后输入一段提示词,接下来只需默默等待,AI 就会自主帮你生成一个完整的网站,真的一行代码都不用写!

这也就是为什么现在突然有了那么多奇奇怪怪大开脑洞的应用,像我之前分享过的什么赛博拉屎,有了 Cursor,人人都能搞网站了。
老项目与大项目维护 - AI IDE 插件
不过对于老项目或者大项目的开发,AI 更适合作为辅助,我会选择在主流开发工具(比如 VSCode、JetBrains IDE)中安装插件来使用 AI,比如智谱 CodeGeex、JetBrains Assistant、通义灵码、GitHub Copilot 等。

这些工具的使用方式都差不多,可以将项目代码作为上下文信息,生成补全代码、分析错误信息改 Bug、解释代码、生成单元测试、生成提交信息等等,全部在 IDE 内完成,不用来回跳转到其他 AI 产品,开发效率会更高。

其他开发场景
日常开发一般使用上面这些工具就够了,如果你有一些特殊需求,也可以使用对应的 AI 工具来解决。
想更高效地管理数据库,可以使用 Chat2DB,借助 AI 一句话完成数据管理、SQL 生成、数据分析和可视化。

想对 API 接口进行测试,可以使用 PostMan,借助 AI 快速生成不同场景下的测试用例和接口文档。

想提交代码或部署项目,可以使用 Warp AI,自动帮你把自然语言转换为正确的命令并执行,再也不用记忆复杂的命令,简化了终端操作。

2、写作类工具
程序员的工作除了开发之外,也离不开写文档和作图。
写作与文档编写 - 语雀 AI
团队协作文档我用的比较多的还是语雀,本身功能就比较丰富,Markdown 语法写文章、嵌入画板等工具、一键进入演讲模式等等。现在它内嵌了 DeepSeek 大模型和 AI 助手功能,可以帮你快速完善丰富指定内容、改写口吻、总结转写内容,做笔记也是比较合适的。

作图 - 豆包 + Mermaid
程序员在写技术文档时,一般会通过各种流程图、架构图来让文档更好理解,看起来也更高大上。有了 AI 后,很多图例不用自己手绘了,我可以直接把作图的信息提供给豆包或者其他 AI,让它生成 Mermaid 文本作图语法,接下来就可以直接下载图片、或者把生成的代码放到 Mermaid 渲染工具中,就搞定了,非常方便。

值得一提的是,现在有些 AI 大模型比如 Gemini 已经原生支持多模态能力,可以直接生成图文混排的文章,再发展发展估计能直接根据代码生成有图有文的技术方案了吧。
OK,常用 AI 工具分享完了,看到这里,你应该就超过了 80% 的同学。
三、AI 使用技巧
其实现在很多程序员朋友对 AI 还是持怀疑态度的,觉得 AI 是不是只能做点儿小网站、小项目。我之前也是这么想的,直到我纯用 AI、完全不写代码地做了一个有几万行代码的大项目,我才发现 AI 的进化,远比我的想象更可怕。
当然,想用 AI 做大项目,还是有很多技巧的。为啥使用相同的 AI 工具,有同学能做出来网站,有同学只能做出来一堆 Bug 呢?这一部分,我们就来解决一个问题 ------ 如何让 AI 生成的代码更准确?
1、优化 Prompt
Prompt 的质量直接决定了 AI 生成代码的准确性,也正因如此,才有了 Prompt 工程的概念、市面上才出现了提示词工程师这个岗位。
首先我们要掌握最基本的 Prompt 优化技巧,比如明确 AI 的角色、提供具体的细节要求、拆解任务、提供示例等等,这里 智谱 AI 开放平台的文档 总结得不错,大家可以学习下。

此外,我更建议先把自己手写的 Prompt 扔给其他 AI,让它帮我生成一段质量更高的、结构化的需求文档,再喂给 Cursor 去生成网站,效果会更好。
完整的需求文档通常包括:
-
明确项目背景和目标
-
详细列出功能要求和技术栈
-
指定代码风格和架构模式
-
提供示例和参考资料
-
明确限制条件和边界场景
2、复杂项目的生成技巧
对于复杂的项目,想一步到位是不现实的,可以采用分步迭代的策略:
-
先利用 Cursor 的 Agent 模式 + 高级推理模型生成基础项目框架,暂时不管功能好不好用,确保能够运行项目即可
-
划分模块和功能点,依次向 AI 提问,逐步实现核心功能并验证是否可用。
-
在保证不影响功能的前提下,优化实现细节。
听起来很简单,但实际操作时,大家经常会遇到 AI 输出的内容驴头不对马嘴、生成了一个新功能后原来的功能就不能用了、改了一个 Bug 又来 3 个 Bug 的情况。怎么办呢?
教你几招:
1)项目模块化。由于 AI 的脑容量不大,能接受的上下文是有限的,随着你的项目信息量不断增大,它有可能忘记之前的信息,导致生成的代码错误。所以我们要把项目的功能尽可能隔离开,把一个大项目分割成多个小项目,让 AI 生成某个功能时只需要关注一小部分上下文,得到的结果会更精准。
举个例子,开发一个电商系统,可以把商品管理模块独立出来,当需要 AI 生成添加商品功能的代码时,只需要提供像商品表的字段设计、添加商品的业务逻辑规则,不需要把支付结算、用户会员等关联不大的功能作为上下文提供给 AI。
2)限定修改范围。AI 生成的代码没有那么可控,经常改 A 功能的同时把 B 功能也顺带修改了。这个问题很好解决,只要在提示词中限定修改范围即可,比如:
仅修改 services/order.java 中的 CreateOrder 方法:
1. 添加分布式锁防止超卖
2. 保持现有日志格式
3. 不要改动其他文件
3)抽象和复用。假如我们要让 AI 生成 2 个布局一模一样的页面,它有的时候会很死板,生成完页面 A 之后,复制一遍页面 A 的代码来生成页面 B。这样非常不利于大项目的生成和维护,以后 AI 改了页面 A,说不定页面 B 就忘了改,跟人来开发一样。所以我们需要留个心眼儿,适当地告诉 AI:请帮我抽象 XX 页面、XX 代码为可复用的组件。这样也能减少整个项目的代码量,也有助于减轻 AI 上下文记忆的负担,让生成结果更准确。
4)版本控制。建议利用 Git 版本控制工具对代码进行管理,每正确生成一个功能后都提交一次版本,在每次 AI 生成新代码之后人工对比一下改动的文件,出了问题也能快速还原到之前的版本,防止代码丢失。

3、其他技巧
掌握了上面这些,是完全可以利用 AI 生成复杂大项目的。还有一些其他小技巧,大家自己看一看就好:
-
注意操作系统:AI 更喜欢 Linux 或 Mac 系统的终端,执行命令的能力更强。如果使用 Windows 系统,可以通过安装 Linux 子系统(WSL)来替代自带的终端。或者在和 AI 对话的上下文中明确告诉它使用 Windows 系统的终端命令,否则可能 AI 给的很多命令都是无法运行的。
-
人工控制:AI 有时会因缺乏关键上下文信息、或者自身能力的不足而陷入循环,这时就有必要人工介入了。可以尝试手动指定上下文、更换 Prompt 来引导 AI。
-
多元 AI 协作:不同 AI 大模型擅长不同任务,如果单一大模型无法正常完成工作,可以利用其他大模型生成 "教 AI 做事的方法和指令",增加解决问题的可能性。
OK,AI 使用技巧还是挺多的,建议大家可以多去练习练习,看到这里,你应该就超过了 90% 的同学。
四、AI + 编程
最后这部分最重要,作为程序员,咱们不光要会用 AI 工具、能利用 AI 开发项目,还要能够自主开发 AI 项目,把 AI 的能力接入到自己的项目中。
有句话说得好:AI 时代,所有的传统业务都值得利用 AI 重塑一遍。
所以现在很多公司都在招能够开发 AI 项目的程序员,这也是我们的机会。那么我们要学习哪些知识和技术,才能成为企业招聘的香饽饽呢?
1、AI 开发框架
首先从技术角度出发,我们要学习主流的 AI 开发框架,比如 Spring AI、LangChain4j 和 LangGraph。
Spring AI 和 LangChain4j 的作用是类似的,都提供了很多现成的方法来帮我们提高开发 AI 应用的效率。比如快速对接大模型、保存会话上下文、对接向量数据库实现 RAG 等等。

区别是 Spring AI 更容易和主流 Java 开发框架 Spring 集成,上手难度较低;而 LangChain4j 更灵活,更适合开发复杂的智能体。比如在开发一个智能文档分析系统时,利用 LangChain4j,智能体能够自动读取文档内容,调用搜索引擎获取相关背景知识,然后根据任务需求,将文档信息与外部知识结合,生成分析报告。
不过我的建议是,二个都要学,先从 Spring AI 学起,再学 LangChain4j 会更简单。
LangGraph 框架会更复杂一些,它用图的结构来组织和管理 AI 相关的工作流,适合构建有状态、多代理的企业级 AI 大项目。打个比方,我们有多个 AI 智能体,分别负责生成文字、生成图片、组合文字和图片,那么 LangGraph 像是负责人,可以安排这些智能体的工作顺序,一起搞大事。

用一个表格来总结这几种技术:
场景 | 推荐框架 | 优势 |
---|---|---|
Java 企业应用 | Spring AI | 无缝集成 Spring 生态 |
智能体开发 | LangChain4j | 完整 Agent 工具链 |
复杂工作流 | LangGraph | 可视化编排 |
2、AI 集成
开发 AI 应用的前提是要有大模型,但是大模型要消耗算力才能运行,算力就是金钱,从哪儿搞来大模型呢?
2 种方法,使用 AI 云服务、或者本地部署大模型。
AI 云服务
AI 云服务就是其他企业为我们部署了 AI 大模型,通过 API 接口的方式提供给我们使用,按量计费。
比如阿里云百炼、火山引擎、硅基流动、Open AI 等等。

咱们程序员需要重点掌握的是:
-
如何通过 API 接入云服务?
-
如何使用 AI 云服务来创建智能体和配置参数?
-
如何选择合适的云服务?这就需要关注各家云服务的计费模式和服务质量
-
如何更低成本、更稳定地使用云服务?这就需要我们学习 Prompt 工程和高可用技术
本地部署大模型
本地部署大模型对于很多企业来说也是刚需,数据无需上传至云端,能够有效保障数据的安全性和隐私性,尤其适用于医疗、金融等对数据安全极为敏感的行业。
本地部署大模型其实并不难,只需要使用 Ollama 工具 就可以一键部署各种主流的开源模型。

唉,但部署大模型的难度不在于技术啊,主要是没算力啊!不然我也给我们团队的 编程导航 和 面试鸭 都来一套鱼皮大模型了。
3、AI 领域业务
企业中的 AI 业务开发,可不仅仅是来个 AI 对话就够了,咱们还要掌握几种更复杂的业务开发,比如 RAG 知识库、多模态、MCP 服务、ReAct 智能体。
RAG 知识库
很多公司都有属于自己的业务知识和文档,会构建自己的问答系统或客服,这就要用到 RAG 检索增强生成技术。先通过文本嵌入模型,将企业各种文档转化为向量,存入向量数据库;当用户提问时,系统在向量数据库检索相关向量数据,找到最相似文档片段,和问题一起输入大模型处理。这样一来,大模型能够基于企业真实数据作答,更准确贴合实际。

关于 RAG 能学的知识可太多了,比如主流的向量数据库 Milvus 和 PGVector、文档的抽取 / 转换 / 加载、索引的构建、查询策略的优化等等。这也是 AI 企业面试的重点!
多模态
多模态也是主流的 AI 业务场景,即融合文本、图像、音频、视频等多种不同类型的数据模态,从而提高产品使用的易用性,做出更多有创意的功能。
比如做个智能导购系统,顾客既可以输入文字描述想要的商品,系统也能识别顾客上传的商品图片,甚至可以理解顾客通过语音提出的购物需求。系统会将这些来自不同模态的数据进行整合处理,在商品数据库中精准匹配符合要求的商品,并将结果反馈给顾客。

想开发多模态应用,咱们要学习模态转换技术,比如文本转语音(TTS)、语音转文本(STT)、光学字符识别(OCR)等,不过这些都有现成的工具库或者云服务,掌握调用方法就行。还可以通过 Spring AI、LangChain 等 AI 开发框架调用不同模态的大模型,降低开发难度。

MCP 服务
MCP(Model Context Protocol,模型上下文协议)可以理解为提供给 AI 的各种服务,AI 利用这些服务能够实现更强大的功能。

如何在项目中接入别人的 MCP 服务,来增强自己的项目能力;以及如何开发自己的 MCP 服务,让别人的项目使用,都是必须要学习的。现在使用 Spring AI 等开发框架就可以开发 MCP 服务,而且甚至有高手做了个 网站,能够一句话创建自己的 MCP 服务,这真的是泰裤辣。

ReAct 智能体
ReAct 是一种构建智能体的开发范式,目的是打造能够依据推理结果自主采取行动的智能体。
它的开发过程会涉及到任务规划、工具调用、交互 I/O、异常处理等知识。尤其是工具调用,可以通过 Function Call 或 MCP 实现像天气查询、文件读写、网页运行、信息检索、终端命令执行等功能。

就拿开发视频网站为例,用户说了 "帮我开发一个 Dilidili 视频网站并部署上线" 的指令时,智能体首先会深入理解任务内容,通过推理梳理出一系列执行步骤,包括明确需求、设计方案、搭建框架、生成代码、部署上线等。接下来,智能体就会调用相应的工具来执行这些行动。如果执行过程中遇到问题,还会询问我们的意见,重新推理并及时调整行动方案。

4、AI 工具链
最后就是我们开发 AI 项目时可能会用到的一些平台、工具和类库了。
低代码平台
比如主流的低代码 AI 开发平台 Dify,可以让我们通过拖拉拽的方式构建自己的 AI 智能体,创建知识库并导入自己的文档,搭建复杂的工作流等等。就哪怕你不会写代码,都能用它搞出复杂的 AI 应用。

工具库
还有一些开发 AI 智能体时会用到的工具库,比如:
-
Apache Tika,功能强大的文件解析器工具库,支持解析 PDF、Word、Excel、PowerPoint 等各种文档,然后提供给 AI 作为知识。
-
Playwright,用于模拟浏览器行为的工具库,AI 需要运行网页、抓取网页数据、自动化测试时,它都能派上用场。
-
JSON 格式解析库 GSON 和 Kryo
-
HTML 文档解析库 jsoup
这些类库基本没什么学习成本,要用的时候看文档就好了。
部署工具
项目最终是要部署上线的嘛,所以我们还要掌握高效的部署工具,让 AI 应用从开发环境顺利过渡到生产环境,为用户提供稳定服务。
如果不在意价格、追求稳定的话,还是优先选择大厂提供的云服务来部署项目。但如果是个人学习使用、想快速上线自己的 AI 小应用,可以试试下面这些平台:
-
Vercel:适合前端应用的部署平台,支持自动构建、在线浏览、CDN 分发,而且还免费提供可访问的域名
-
Sealos:云原生应用管理平台,支持 Kubernetes 集群管理,为 AI 应用提供容器化部署环境,适合需要弹性伸缩的 AI 服务
-
Railway:能让开发人员轻松部署 Docker 容器,无需操心服务器配置与运维,且自带自动化构建工具、环境管理能力等
当然,想快速部署服务,上面提到的 Docker 容器化技术也是必须要学习的,就像 APP 的安装包一样,能够轻松分发和部署你的应用程序。

其实我有一种假设,如果 AI 足够稳定、并且一句提示词就能生成完整应用的话,是不是可以直接根据 Prompt 来部署项目啊。扯远了扯远了,当我没说吧~
怎么样,要学的东西还是挺多的吧,有没有感觉信息量爆炸。别担心,上面这些都是实践,咱还得学一些理论呀,比如某个框架的底层原理、调优技巧、算法实现等等。不过真的别担心,我也在持续学习这些内容并且会持续分享给大家,以上我提到的东西,在我后续的 项目教程 中,都会讲到,期待的话可以关注一下。
尾声
OK,以上就是鱼皮 AI 指南的内容,我觉得能有 1% 的同学看完就不错了。
如果你问我 AI 会淘汰程序员么?我的答案仍然是 "会"。因为程序员本身就是需要持续学习和实践来保持竞争力的,只要大家能够学会我提到的这些知识,多关注 AI 的前沿资讯,相信 AI 不会抢走咱们程序员的饭碗,而是成为咱们改造世界的杠杆。
在这里也推荐一下我们免费公开的 AI 知识库
,汇总收集了最新最全的 DeepSeek 知识,帮助大家更好地适应 AI 时代的到来。
鱼皮的 AI 知识库:https://ai.codefather.cn
里面除了各种教程资料外,也重点给大家分享了很多 AI 工具的具体应用场景,比如接入办公软件提升效率,帮你做自媒体,AI 批量制作视频等。希望帮助大家举一反三,找到新的思路。