哎，Codex、Gemini、ClaudeCode 越用越爽，越用也越感觉有点没底（
还记得 22 年那会还在用 Github Copilot 的代码补全，用注释生成思修课大作业，随后 ChatGPT 横空出世让它扮演🐱娘来对话（好吧我们二次元怎么你了），再后来微软 New Bing 稍微支棱了一段时间（应该是最早带网页检索的AI？），以及之后国内模型一系列井喷式的发展 —— 千问、豆包、Deepseek R1(很难想象这玩意才出现一年）、智谱、MiniMax（拒绝了它家 offer 的本科室友现在是有点后悔 hh）······再到现在实习围绕 Agent Runtime Infra 开发高强度做了一段时间，逐渐有了一些比较深刻的感受，在此记录下来，不定时更新。
2025.1.18
-
LLM 成为技术人员必备的提效工具的趋势不可阻挡，但是使用效果和个人知识广度和深度成正比。借用一句老话：“人的知识面是个圆，圆越大接触到的空白越多。” 只是在 AI 的使用上，知识面的圆越大，能应用 AI 的 Interfaces 越多。
-
AI CLI 工具不只是终端里的对话界面，它一方面解决了人在文档和网页复制粘贴中转效率低的瓶颈（人类按 Ctrl C+V 的双手作为数据总线太慢了），另一方面直接赋予了 AI 用终端命令操作电脑/服务器的能力，更能模拟人类使用这些设备的工作流程。
-
CLI 工具+容器是一个比较有意思的做法，通过引入“容器”这个边界，把一个受外界干扰的复杂状态机（宿主机），简化为一个封闭的、确定的黑盒（GPT：很抱歉我搞砸了一切，rm -rf *启动）。Agent 工具在内部运行可以在一定程度上起到熵减的作用。
-
只是应用层面的话，我感觉目前各种概念本质上还是在折腾输入的 Prompt。不过也确实，输入质量越高，参数匹配越精确，输出质量越高。有点类似于写 sql（对不起我们臭 CRUD 仔根深蒂固的思维模式是这样的），写得好可以查得更快。
-
感觉目前大多数大厂 toC 的 AI 落地模式比较接近传统的 IM 系统（毕竟主要是对话）。
- 设计 Agent 一定程度上是对现实世界工作流程的逆向，有时候有点像超级智能的脚本，但是得定义好执行边界。（产品经理是最早用 Agent 的人群，只不过我们现在用人工智能，他们很早就把我们当能工智人用。）
待更新...
Comments | NOTHING