Ai

简介 从头到尾过了一遍OpenClaw作者的访谈(https://www.youtube.com/watch?v=8lF7HmQ_RgY)，其实有很多点感觉都还挺有意思的，用个AI工具能把大纲都总结出来，我就不重复工作了。实际上我觉得前面一段讲述个人经历，以及体现出的一些对人生和社会的理解，也蛮值得品味品味的，不过还是把重点放在「生产力」上，谈谈我对Peter如果使用AI实现爆炸性生产力提升（一天能提600个commits）的理解，篇幅应该不会太长，可能会有从「道」到 「术」的理解递进。当然这个访谈里也有很多Peter其他观点以及这个项目本身的愿景，这些我们持保留意见，暂时不做讨论。 人的主观能力性 其实我觉得这个才是最重要的 愿意思考 保持好奇心和热情 持续学习 不怕犯错 … 有这些属性的人才有可能对真正提升生产力有追求，不然我们再怎么追求「工具」、「方法论」、「最佳实践」都是没有用的。 因为世界在不断变化，我们面临的问题也在不断变化，这个世界唯一不变的就是变化，只追求表面上的东西很可能演化成巨大的流程或技术债务，让大量生产力浪费在没有意义的事情上。 聚集有共同理想的人，并创造利于培养/保持这些品格的人的环境，其实可能在组织/公司上，可能才是最重要的。 道：开发模式的转变 最重要的，Peter认为开发模式应该有一个转变，从传统手写，到Agentic Engineering，我理解为基于Agent的整套工作流，而不只是编码本身。 如果只说编码，实际上我们平时做的大量工作是「缝合代码」，用他的话来说，是「Plumbing Code」，这部分工作其实大量是纯粹的苦活，完全可以由AI来搞定。 但目前的LLM，最大的问题就是它们是概率模型，对输出的结果的「正确性」无法保证，那么我们怎么提升Agent的协作与生成效果，减少频繁的返工和堆屎山呢？他说他最大的技巧在Close the Loop，即「闭环原则」上。 代码场景之所以现在比较火，是因为这个场景更容易构建compile-lint-execute-verify这一整套闭环，让AI自己在实现一些功能后，自我验证、发现错误、迭代修改，不断循环，直到事情完成。 普通小白当然感受不到这个，但他们其实可以通过现在的AI工具了解这些东西，取决于人是否愿意思考、愿意学习，门槛真的没有那么高，可惜自媒体们忙于夸大事实和割韭菜，并不会说这个。 在这个基础上，他建议我们改变一些思维方式，从一个代码的编写者，转变成为架构和系统的思考者（但用他的话来说，他更愿意用Builder这个词而不是Architect）。 所谓的不review代码，并不是真的一点都不看，而是不一行行看代码的具体实现逻辑，把正确性的保障尽可能交给「闭环」。 而我们作为Builder，应该更认真去思考架构，如何设计测试，如何指导AI让他们生成合理的测试，如何对工具层下指令等等等等。 这些是真正的Skill Issue，在以前人主力编码的时代也是存在的，只是Manager和所谓的架构师们根本不care，出问题了就让干活的人背锅。 现在生成式AI的大发展给当前的生产关系带来了冲击，这些问题会被摆到明面上，以更深刻的代价来冲击组织架构、交付方式等等。我们需要让自己能够「放手」，让方向/架构本身不出现问题，而不是纠结于一些细枝末节。 而问「对的问题」的能力，是需要人的主观能动性的。 不断学习，实际上和LLM/Agent不断对话的过程，也是一个学习的过程。我们会在学习过程中不断修正自己对系统的理解，大模型也是一样的。 这也是他认为所谓的spec driven可能行不通的原因，它就像是人类软件工程以前的「瀑布模型」。用他的话来说： “How can you even know what you want to build before you built it? You learn so much in the proess of building it that will go back into your thinking of how the system actually will end up being. ...

许多水平很高的人，都对AI Coding抱有更客观的态度 像Geogre在他的这篇博客上提出了和tsoding在X上发的 一篇推文发表了类似的观点，即LLM只是更差的编译器而已，而自然语言（这里主要是English）是非常差的「编程语言」，所以他们不看好， 但这并不代表他们完全不看好AI的发展。反而是有些日常只做着平庸工作（不等于不挣钱）的人，只会重复纺织机与旧纺织工人的故事， 嘲笑别人不会使用「先进工具」 I’m not against AI at all, I’m pro recognizing its strengths and limitations as a tool, and once you do that, if it makes sense for your workflow by all means use it. I also think AI will continue to improve at a careful and steady pace. What I’m against is hype. 这篇文章本身不长，也没有用很多高科技词汇（刻意为之的），并不难理解，推荐去读一下，随便摘录几句我觉得值得思考的 In my old age I’ve mostly given up trying to convince anyone of anything. Most people do not care to find the truth, they care about what pumps their bags. Some people go as far as to believe that perception is reality and that truth is a construction. I hope there’s a special place in hell for those people. ...

前言 这里我主要讲讲为什么我要折腾本地搭建，了解相关知识： 好玩 了解大语言模型在应用上的基础原理（基本不涉及Transformer这种底层原理，仅仅是应用上的），有利于我们更好地使用线上的模型 免费，且大多数方案开源。对于有需求有能力的人来说，可以魔改一些东西，来满足自己的特定化工作场景/工作流 可以离线使用，这里可说道的就多了：隐私、自由、厂商价格歧视、广告投放等等，这些东西仁者见仁，我不展开，仅引用网上的一小段评论: 首先本地模型有一个好处就是不会缩减算力，云端服务明显就是会随着新一代模型发布，把旧模型能力通过缩减算力的方法压缩成本，然后再逼你使用更贵的服务，（OpenAI为什么涨价涨的那么熟练啊，你究竟涨过多少次价啊 其次就是云端模型上限制比较多，我之前在几个云服务上翻译一个关于中国卫星产业链的外国智库报告，因为出现了几个国资委相关的关键字，基本上几个国内的模型都不敢翻译。 第三就是隐私相关了，公司的内部资料你肯定是不能用外部大模型的，只能用内部部署的模型。 另外本文也仅作为一个超入门级的介绍，并不涉及非常深入的东西，比如不涉及模型的微调和训练，也不涉及图像、视频等多模态的形式。对于其中一些具体的应用场景，也不会将所有的选项尽善尽美的列举（有问题请参照官方文档），旨在抛砖引玉，分享我所了解的，激发所有同好的创造力，互相学习。 声明 LLM及其应用绝对是生产力的突破 我可能字里行间也许会透露出一些看上去对AI持负面意见的内容，但其实我个人还是非常喜欢并拥抱AI带来的变化的，这玩意儿确实是10年来我感受到的真正的科技突破（比5G、VR、苹果的M芯片、TWS耳机等都更明显），大多数人应该也是类似的想法。正是因为对此抱有希望，并且非常重视LLM可能带的技术、社会、文化影响，我们才会去“苛求”LLM有更强的能力，所以还请不要误解我对AI的态度。 我用Trae/Cursor 「Vibe Code」一些个人用的小项目，我用GPT/Grok尝试做文生图做视频的封面，我用DeepSeek/Perplexity做搜索引擎等等。每一项都让我感受到，从2022年GPT3.5横空出世以来，LLM及其应用的高速发展为生产力提升带来了无法想象的提升空间。 我的负面意见与其说是针对LLM本身，倒不如说是针对一些hype，或者是一些蹭热度的行为。LLM的快速发展毫无疑问是人工智能的一次突破 一些梗（负面） Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity We conduct a randomized controlled trial (RCT) to understand how early-2025 AI tools affect the productivity of experienced open-source developers working on their own repositories. Surprisingly, we find that when developers use AI tools, they take 19% longer than without—AI makes them slower. We view this result as a snapshot of early-2025 AI capabilities in one relevant setting; as these systems continue to rapidly evolve, we plan on continuing to use this methodology to help estimate AI acceleration from AI R&D automation. ...

简介 这是我看TJ的一个视频，不能说有感而发吧，但确实引起了我的一些共鸣，时间有限在这里做些简单的记录和总结，后续有时间再更系统地写自己的感想吧。转载请注明出处。 观点提取 其实大家想问的是：我是否仍然能够通过学习编码时所学到的技能获得报酬 软件不仅仅是编码 编程本身不仅仅是编码 人工智能将能够完成初级工程师目前面临的编码任务，人工智能将能够比那些初级工程师更快、更便宜地执行这些任务 人们不会为代码付费，他们肯定不会付费只是为了观看你的代码，除非你是一个 twitch 流媒体:) 他们支付的是要解决的问题，当你编码时，你不会因为该代码而获得报酬，你会得到报酬来解决别人的实际问题或感知到的问题 你获得报酬的原因是因为你为某人解决的问题（这里后续展开说说，技术/业务间的关系），而这个关系足够有价值，让他们足以放弃他们"心爱的现金"，这可以归结为软件 能够提供比以前更快、更便宜或更可靠的东西。 软件是那些直接在计算机中输入的编码任务的超级集合，因为你需要的不仅仅是好的算法或好的类型系统 你需要理解客户需求需求并在情况发生变化时更新它们，你甚至可能会要出来与客户或利益相关者交谈，所以你要练习沟通技巧。 沟通也包括很多非技术方面，有时你需要向非技术人员传达技术概念 需要能够对您专业领域内的人员说不 项目无法正确完成所有事情 对想做但是成本过高的事情说不 它的价值是什么 软件和制作软件有社交方面的因素，比如倾听反馈和提供建设性反馈，有指导和被指导，有耐心、善意和尊重，所有这些都创建了通常看起来像团队的团队，更有效地创建软件，询问和理解诸如我们如何在这家公司赚钱之类的问题 我曾经工作过的最好的软件开发人员在所有这些方面都很出色，包括编码。他们肯定很擅长编写代码，但他们理解 这些技能中的每一项都帮助我学会更好地完成另一项，只要我们有工作，所有这些技能仍然有用 编程本身不仅仅是编码。两类程序员，一类是解决方案复制者，一类是问题解决者 解决方案复制者不仅仅是使用复制粘贴解决方案，而是使用复制粘贴解决方案来解决复制粘贴问题，而无需检查和确认（这里他举了个非程序员的例子来进一步澄清这两种类型的区别） 解决方案复制者对事情如何运作不感兴趣，他们只是一个一个接需求。他们不知道不同的库、语言和工具可以解决他们的问题的方式，或者可能无法解决他们的问题，他们只是复制粘贴StackOverflow上问题中的第一个解决方案，或者现在可能是他们最喜欢的 llm，直到CI变绿为止，而不考虑他们当前所处环境 这不仅仅限于我们一直在谈论的技术问题，可能是他们对如何赚钱或者他们的客户想要什么，也许他们从未考虑过「我们自己组织的结构是否可以帮助我们实现我们打算做的目标和愿望」 相比之下，我们有问题解决者，这些都是好奇的人 他们试图通过理解来解决问题，我认为即使我们不再编写一行代码，这些技能仍然有用 我认为人们低估了他们可以通过软件开发再次学习的技能。 我的观点是，即使你已经编写代码很长时间了，也有可能不学习这些，也不练习这些。例如 例如，我认为逻辑思维是我们在做软件时可以练习的东西 开发中，我们可以练习将大问题分解为更小的问题 我们可以致力于识别迭代并为客户解决问题，他们实际上愿意为您付费，以便可以更好地进行领域分析，正确理解问题集可能的解决方案，然后如何实施一些业务逻辑或流程来解决问题 可以致力于预测这些流程的边缘情况或故障模式 学习如何管理/解决工程中的权衡点 模式识别 这对我们都很有用。在我看来，这些技能中的每一项至少都像你可以训练并变得更好的肌肉，你可以使用软件开发作为进行训练的工具，只要我们有能力，所有这些技能都将再次有用 这些在工作中的软技能，其实与我在软件部分提到的软技能一样（然后举了两个Neovim相关的例子） 您可以用任何您想要的技术替换 neovim， react、rust、htmx、Excel等等，模式和想法是相同的，我的最终观点是您可以 选择你将如何解决问题以及你从实际解决问题中获得的收获，从单纯的复制粘贴转向"Problem Solver" 在实际的例子中，你可以尝试为自己构建一些东西来做到这一点解决你遇到的实际问题。如果其他人已经构建了它也没关系，重点是你要为自己构建它，看看你是否可以解决这个问题 为自己构建一些东西的时候，你就是自己有效反馈，让你知道你是否解决了问题。如果你没有解决，那没关系，你可以重复。失败是可以的，这是我们学习的一部分，重要的是我们利用我们的粗糙和坚韧再次尝试 但要明确的是，我并不是说解决方案复印机是坏人，或者我不喜欢他们，相反，我试图传达这样的信息：如果我开发的所有技能都围绕着重复现有解决方案（拾人牙慧），我会更担心。对我来说，现有的解决方案似乎是一个更有可能通过人工智能以某种方式实现自动化的领域 对我来说有这样的建议，比如保持好奇心，注意努力工作，不要害怕失败。那些从来没有真正让我误入歧途。在我看来以这种方式思考是正确的，无论人工智能如何快速和彻底地扩展到其他软件领域 我不知道未来会是什么样子我 我只是一个普通凡人。但我确实认为，即使不考虑我在整个视频中提出的所有论点，如果你当前的假设是数十亿行新代码将会产生，那么重要的是真正理解有关代码的一些事情，不是所有的事情，不是每种语言，不是每种框架，不是每种类型系统，而是关于软件本身的一些事情 在我看来，与您可能拥有的任何其他可能的技能相比，这似乎是一项更有益的技能 我希望这可以鼓励你在你的软件中努力学习和努力工作，并且也有一些信心，即使我们在编写代码这件事情本身上完全被淘汰，我们正在学习的很多内容都非常有用，并可以转移到其他领域 附录Appendices 原视频