<p align="right"><font color="#3f3f3f">2025年05月11日</font></p> ## LLMs的长远影响 * **LLM对真实实际的影响**：就我个人而言，目前最重要的影响仅学习和编程。其他大部分的所谓的AI Agent，并没有发生根本性的影响 * **是否存在真正的通用模型**：长期来看我倾向于没有真正意义的通用模型，或者说所谓的通用模型的商业价值比较有限，而且目前市面上的通用模型其实也有其垂直性在，比如Claude的代码生成能力明显强于其他模型。 * **AI编程工具对世界的长期影响还在释放中**：当下已经可以亲身体会到AI编程带来的质变，但是注入Cursor、Claude等工具和模型还在发展中，可以想象还会有更大的提升。 ## LLMs模型微调 * **合适进行模型微调**：在启动阶段应该最大化使用到当前市面上的已有模型，避免重复造轮子(LLMs的重复造轮子成本很高)，在垂直场景深入到一定程度之后、认知到当下模型在垂直场景的缺陷所在之后，再考虑对针对性比较弱势的场景进行模型微调，此时也具备了足够的用户数据。 ## AI应用的成长路径 * **Dog Fooding的重要性**：如果开发这个AI应用的团队正好是这个产品的深度用户，那么这个在垂直场景会有更大的希望做成一个好的产品。 ## 关于AI编程 * **使用AI编程3个月后的感觉**：这是一个逐渐建立和AI配合的直觉的过程，探索LLMs的极限和边界，逐渐将刻意去做的事情变成潜意识，AI编程的效率就得到了最大化的发挥。 * **逻辑设计师**：最终的业务逻辑还是需要人类程序员来设计，最重要是把握与AI之间沟通的效率+质量平衡点，过多的让AI发挥则质量不可控，过于庞杂的细节，则效率低下。 * **使用AI编程工具的角度**：核心的观点是，程序员依然是编程中的主导者、控制者，虽然AI可以实现细枝末节的代码，但是程序员需要有掌控细节的能力。 * **小助理**：将一些规则化、模板化的代码交由AI工具来完成，提供可复用的模板化.md文件，可以大大提高效率。 * **解决疑难杂症**：当发生未处理过的错误时应该及时让AI介入，可以大大缩短解决问题的时间。 * **做自己不清楚技术细节的工作**：快速对技术架构了解后，就可以通过AI编程工具快速的启动，例如使用React+antd开发前端页面，快速了解技术框架后，可以在做的过程中逐渐完成对新技术的学习。 * **根据代码生成文档**：针对比较复杂的业务逻辑或接入某些SDK的文档，可以让AI根据代码生成详细的解释文档，可以大大节省时间。(此类文档生成建议使用Claude模型) * **复杂业务逻辑的开发**：并不是要完全依赖Agent模式，当比较复杂的业务逻辑开发时，可以通过伪代码的方式让AI生成，也可以程序员自行开发。在程序员自行开发的过程中，依然可以借助AI工具的代码提示功能，实现高效率的细节代码开发，如CursorIDE中的代码提示功能也非常强大。