Llm

原始链接 https://blog.senko.net/code-was-never-the-hard-part-is-an-insult-to-all-programmers 附: HackerNews 摘要的AI 总结 https://t.me/hacker_news_zh/23810 软件开发行业正处于剧烈的变革之中。随着 AI 革 命的推进，编程工作面临转型。许多人近期常说 “大语言模型（LLM）擅长编程，但软件开发从来 就不是难点”或“编程很容易，搞清楚要编写什么 才是难点”。作者 Senko Rašić 认为这种观点是对 所有程序员的极大侮辱。 如果编程很容易 如果编程真的很容易，为什么程序员多年来一直 供不应求且薪资高昂？为什么在 AI 出现之前，程 序员就面临巨大的压力、过度劳累和职业倦怠？ 如果初学者就能轻松完成工作，为什么公司还要 通过复杂的算法面试来寻找顶尖开发者？ 作者通过一系列反问来驳斥编程容易论： • 为什么会有《代码整洁之道》和《程序员修炼 之道》这类厚重的专业书籍？ • 为什么计算机科学需要专门的学位或高强度 的训练营？ • 如果编程简单，为什么会出现像约翰·卡马克 或法布里斯·贝拉这样被公认为天才的人物？ • 如果编程简单，为什么人们会对 AI 抓取自己 的代码感到愤怒？ • 如果编程简单，为什么现在的软件依然充满 了漏洞（Bug）？ 关于“弄清楚建什么才是难点”的质疑 针对“确定产品需求才是最难的部分”这一说法， 作者提出了以下质疑： • 如果决定建什么是难点，为什么产品经理的 薪水通常没有开发人员高？ • 为什么市场研究人员、可用性专家和客户成 功经理在软件公司中不被视为明星员工？ • 如果寻找需求更难，为什么程序员在销售人 员为了签单而随意承诺新功能时会感到沮丧？ • 如果实现过程很简单，为什么大家不直接构 建十个版本来测试哪一个更受欢迎？ 关于程序员角色的误区 另一种陈词滥调是“软件开发的大部分工作是与利 益相关者沟通”。作者指出，现实中很少有程序员 愿意直接与客户打交道。有些开发者标榜自己是 “解决客户问题的人”，但他们转身就开始讨论单 子（Monad）、内存安全等技术细节，而对客户需 求的理解仅停留在虚构的用户画像上。 作者认为，理解用户和解决问题对项目成功至关 重要，但编写高质量代码同样是一门需要技能、 耐心和经验的工艺。这两者并不对立，优秀的开 发者应该努力兼顾对系统的深度理解和对构建目 的的深度认知。 ...

SLOP预警/DISCLAIMER 这篇文章主旨和论据均由人类古法提供，但论述细节大量由AI填充，再由人类微调 前言 这两年大家都在聊 AI，聊 LLM，聊 Coding Agent，聊失业，聊焦虑，聊“以后是不是人人都能写软件”。 我自己的答案是：也许还没到“人人都能把软件写好”的程度，但至少已经到了“很多人都可以把自己要的东西做出来”的程度。 这件事在我看来，比什么“十倍程序员”更重要。 因为它指向的不是单纯的效率提升，而是一种更朴素、也更稀缺的东西：数字平权。 不是每个人都要去创业，不是每个人都要做 SaaS，不是每个人都要把自己活成 Product Hunt 上的独立开发者。我的意思更简单一点： 你终于有机会，不再只能吃厂商喂给你的屎了。 门槛确实在下降 先把话说在前面：我不是在吹什么“AI 已经替代程序员”这种鬼话。 软件工程当然不只是写几行代码。需求、架构、测试、性能、安全、维护、演进，这些东西一个都没消失。尤其是在那种纯许愿式的 Vibe Coding 里，AI 写出来的东西很多时候也就是“能跑”，离“靠谱”还很远。当然，如果你自己知道自己在做什么，把它当成助手而不是许愿池，情况就另说了。“软件质量”这笔账，暂时先按下不表。 但即便如此，一个事实还是很明显： 基础开发的门槛，真的在下降。 以前很多人脑子里有个想法，最后都死在第一步： 我不会写代码 我不会做前端 我不会打包 我不会调 API 我不会搞 Android / iOS 算了，麻烦死了 现在不一样了。你可以不会，但你可以一边问 LLM 一边做。报错了贴给它，UI 丑了让它改，数据结构不懂让它解释，哪怕最后代码一团乱麻，至少那个东西有机会先长出来。 这件事非常重要。 因为“能不能先做出来”本身，就是一道很高的门槛。现在这道门槛被削平了很多。一个普通人，一个没有系统学过计算机的人，一个只是“我就想做个自己能用的小玩意”的人，也终于有了入场券。 是的，做出来的东西可能不优雅，可能有 bug，可能丑，可能非常不工程化。 但它是你的。 而且它第一次让很多人意识到：原来软件不是天上掉下来的，不是只能被大公司、平台、应用商店、产品经理和广告系统垄断定义的东西。 我们真正需要的功能，可能没那么多 现在很多 App 根本不是“软件”，而是某种注意力收割器套了个工具壳。 最离谱的是，很多纯工具软件也开始这样。 前段时间我打开用了很久的欧路词典，结果发现默认界面里居然开始塞短视频了。那一刻我的第一反应不是愤怒，甚至都不是惊讶，而是失望。 因为这种事已经太常见了，甚至欧路已经做得非常克制，它还提供了比较直接的设置可以调整展示顺序以及是否展示。 但也正因为太常见了，一个本来该老老实实做工具的软件也开始往这个方向滑，才更让人难受。你明明只是想查个词，结果它想要的是你的停留时长、你的注意力、你的点击、你的路径数据、你的习惯，最好再顺手把你的大脑一起格式化成一个适合被推荐流驯化的形状。 这就是现在很多软件的基本逻辑： 功能当然要有，但不是第一位 第一位是留存 第二位是转化 第三位是广告位 你的需求？放后面再说 所以软件越来越臃肿，越来越吵，越来越像商场门口、路边推销的、Tony老师那些不厌其烦拦着你办卡的人。 618 期间这种感觉尤其明显。很多 App 只要你切出去几秒再切回来，哪怕根本没有退出，它也得重新给你弹一遍开屏广告。简直像在提醒你：别忘了，你不是用户，你是流量。 更搞笑的是，同样的 App，外区下载的版本居然往往干净得多。 ...

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. ...