sentinelK
我认为如果楼主想证明某些论点，最起码得有一点点定量分析。 通篇都是“可能”、“还不清楚”、“或许”
所以你建立在这些“可能”假设的结论有什么价值呢？
我和楼主恰恰相反，GPT 时刻之后，我感觉能够学习的东西更多了。
作为一个计算机科学出身，但最终是软件工程从业者的我，我一直对图形学、算法学以及其他计算机科学领域有很多好奇、疑问和憧憬。
在当年通过我个人的信息检索和学习，是无论如何也不可能解答以上问题的。 但大语言模型给了我能够无痛且…
@florentino 从这点也能看出，外行 AI Coding 真的不行，产品设计一套一套，但实际还是落不了地。
他说了半天各种 AI Coding ，重构，删了几千行代码，最后还是要招聘一个全栈。
如果抛开生意，只聊 AI Coding 的运用逻辑，我理解是视角不同。
破局者在入局时，对于行业内新事物会认为是理所当然，且不假思索的接受。没有任何历史包袱 局中人接受新鲜事物，且合理结合自身能力，是需要时间调整和整合的。
然后回归现实，就是视频、直播是他目前的生意，生意就有运作。…
这个问题就像是建筑工地的搬砖工问要不要继续钻研分子物理，从而提高自己的搬砖技术。
对于软件开发而言，从一开始算法、刷题、八股就是应试行为。 所以不存在“AI 时代还有必要 XX”的情况。
因为软件开发是工程学，不是象牙塔。
输入端对用户提示词进行再加工与过滤。 输出端杜绝直接返回大模型结果。大模型输出的内容要经过数据清洗和审核。
在系统提示词中要求大模型以特定格式输出结果。如果大模型输出的结果格式不符，说明系统提示词和既定上文被污染，放弃。
如果只从管理者的视角来看，其实“工艺”并不是其考虑的维度。 谁成本低，谁产量高，谁就上。就这么简单。
所以不管是现在的 AI 还是 10 年前“自愿加班”的卷王，本质上没区别。
其实 AI Coding 最大的问题一直是如何给 AI 最合理的提示词和上下文，以及如何最大化的利用 AI 的上下文容量。
如果你的需求可以几句话说清楚，没有任何歧义，那其实也一定不是很复杂的问题。而且一定是界内比较统一，有最优实践的问题。
而实际上的软件工程实践并不都是这样的理想情况。…
首先，要先去试驾，再聊性价比。
有的车纸面数据再好，上车踩一脚油门，拧一把方向，不是你喜欢的风格就直接 pass 了。之前的纸面功夫全都白搭。 车给人的感受 90%是动态的，不是静态纸面的。
不一样的调教风格，不一样的硬件，乃至不一样的胎宽，给你的驾驶手感都是完全不同的。所以先试驾。