告别古法编程，拥抱AI时代

前言

在家休息了半年，半年没学习新的东西，AI 迅猛发展，感觉已经与外界格格不入，可以申请非物质文化遗产了。

人都是时代的产物，人在这个时代滚滚洪流面前连一粒沙子都算不上。把握好时代趋势，为了拥抱 AI 时代，从今天开始打开停更半年的博客，恢复持续学习的能力，学习和输出 AI 相关的内容，防止沦为笑话（开除速度一定要快）。

言归正传，从 AI 基础开始学起。

AI基础概念扫盲

如图所示：

1. 核心基础层

这是AI的"地基"，所有AI能力都建立在这些概念之上。

1. LLM（大语言模型）

   • 就像一个读过海量书籍，看过无数网页的"超级学霸"，能听懂人话、写文章、写代码、回答问题。我们平时用的豆包、GPT、Claude，背后都是它。

2. Prompt（提示词）

   • 你对AI说的话、提的要求，就是提示词。比如"帮我写一篇旅游文案"或"解释一下什么是RAG"，AI就是根据这些指令来干活的。

3. Context（上下文）

   • 对话的"短期记忆"。比如你先问"北京有什么景点"，再问"那附近有什么好吃的"，AI能知道你问的是北京附近，就是因为它记住了之前的上下文。

4. Memory（记忆）

   • 比上下文更持久的"长期记忆"。比如你告诉AI"我喜欢科幻小说"，它之后给你推荐书时就会优先考虑科幻，这就是记忆在起作用。

5. Token（令牌）

   • AI处理文字的"最小单位"，可以理解成AI的"字数"。比如中文里一个词或一个字，英文里一个单词片段，都可能是一个Token。AI的回答长度、收费多少，都和Token数量有关。

2. 能力增强层

在地基之上，给AI装上各种"超能力"，让它更聪明、更有用。

1. RAG（检索增强生成）

   • 让AI在回答前，先去一个"专属知识库"里查资料，再结合资料来回答。这样它就不会胡说八道，回答更准确，也能用到你自己的私有数据。

2. Search（搜索）

   • 就是让AI像用搜索引擎一样，去互联网上实时查找最新信息，然后再整理成答案。

3. Function Calling（函数调用）

   • 比如你让AI"查一下明天的天气"，它就会调用天气查询的函数，把结果拿回来再告诉你。

4. Fine-tuning（微调）

   • 用你自己的专属数据，对大模型进行"再培训"，让它更懂你的行业、你的业务，回答更贴合你的需求。

3. 应用架构

用这些工具和框架，把AI能力搭建成可用的应用。

1. Langchain

   • 一个非常流行的AI开发框架，就像一个"乐高积木箱"，里面有各种现成的模块（记忆、检索、工具调用等），开发者可以快速拼出一个复杂的AI应用。

2. MCP（模型上下文协议）

   • 一个让AI和各种工具、数据、系统之间顺畅沟通的"通用翻译器"，能够从外部系统获取信息。

3. Workflow（工作流）

   • 完成一个任务的固定步骤。比如"写一篇公众号文章"的工作流可能是：确定主题→搜集资料→写初稿→润色→排版发布。

4. SKILL（技能）

   • 给AI Agent赋予的特定能力，比如"订酒店""写周报""分析财报"，每个技能都是一套预设的操作流程。

5. PLUGIN（插件）

   • 可以理解为将你本地部署的AI工具打包，一次性给其他人，这样其他人安装就可以使用。

6. API接口

   • 让AI和其他软件"对话"的桥梁。比如你开发的App，可以通过API接口调用大模型的能力，让你的App也变得智能。

4. 智能体Agent生态

这是AI从"回答问题"进化到"自主完成任务"的关键。

1. Agent（智能体）

   • 一个能自己思考、自己行动的AI小助手。它不只是回答问题，还能帮你查资料、订机票、写代码，甚至自己规划步骤去完成一个复杂任务。

2. SubAgent（子智能体）

   • Agent手下的"小工"。当一个复杂任务（比如"策划一场婚礼"）被拆解后，会交给不同的SubAgent去完成，比如一个负责找场地，一个负责联系司仪。

3. Multi-Agent（多智能体协作）

   • 多个Agent像一个团队一样分工合作，共同完成一个复杂的大任务。

5. 工具与项目

这些是具体的产品和项目，用来实现上面的各种概念。

1. AI Agent工具

   • Moltbot / Clawdbot / OpenClaw / Trae / iFlow / Manus / Antigravity / AutoGPT / Gemini：这些都是基于大模型开发的AI Agent或工具项目，专注于自动化和复杂任务处理。比如AutoGPT就是一个能自己设定目标并执行的经典Agent。

2. 代码增强工具

   • Claude Code：Anthropic公司Claude模型的代码能力增强版，专门用来写代码、查Bug、解释代码。

   • Cursor：一款集成了AI的代码编辑器，能帮你写代码、重构代码、解释代码，大大提升编程效率。

6. 底层支撑

这些是AI运行的"基础设施"，没有它们AI就跑不起来。

1. GPU算力

   • AI的"超级大脑"，专门用来处理海量数据和复杂计算。训练大模型、运行AI应用，都需要强大的GPU算力支持。

2. Vector Database（向量数据库）

   • 专门用来存储和检索AI生成的"向量数据"的数据库，是RAG技术的核心组件，能让AI快速找到最相关的资料。

3. Embedding（嵌入）

   • 把文字、图片等信息转换成AI能理解的数字向量的技术，是AI理解和处理信息的基础。

AI 应用场景

公司可以全流程导入AI,提高工作效率。

1. 项目评估阶段,AI协助你进行评估,判断流程和技术风检点
2. AI检查评估阶段文本的语法错误,英文拼写错误。
3. 当你的助理,协助减少人工检查item,提供搜索查询服务。
4. AI自动生成软件需要做的UT/IT测试项
5. AI扫描有风险的解答项。
6. AI协助你写code,超级智能代码补全,随时询问API用法,自z动生成代码,解释代码,自动添加注释
7. AI进行codereview,并将该功能接入checkin系统自动扫描不合规代码。
8. AI自动分析bug的问题log,并尝试解决问题,或者给出初步分析。
9. 当遇到bug时候,AI自动检索过往相关问题单给你参考。
10. AI当FAQ机器人使用(RAG技术)
11. AI可以写报告,翻译,全篇翻译英文手册,句子改写等文档类工作。
12. AI联网并接入公司内部wiki系统后,可以自动检索公司内部资源,并给出解答。
13. 大公司中,AI帮助查找moduleowner
14. 自动总结会议纪要

AI技术落地方向:

• GAI生成式AI
• RAG
• COT微调(finetuning),技术点:全量微调,LoRA,QLoRA, prefix tuning, adaprer
• MCP接口技术+skills+提示词
• ACE自动概念提取
• N8N协助PM做流程管理
• 多模态,agent
• 指令工程(promptengineering)
• 正在商用落地的AI应用开发三大方向

正在商用落地的AI应用开发三大方向：