目前模型在代码里面的感觉只能 0-1 是比较 ok 的;
AI 出来到现在也用了不少模型,国内国外都用过,从最开始一问一答,到现在各家 cli,集成 IDE,插件;使用各种工具,技能,边界限定,能读写文件,创建目录,重构等等; 以及市面上比较惊艳的宣传片. 从 0-1 是真的很好用,但是发现从 2-100;就需要人各种参与了,或者说你给写很完善的设计,架构,边界.可能效果会好很多. 个人认为模型底层思想不破局,即还是基于统计学,什么回答奖励,各种机制的前提下. 并且目前各家模型同质化会更加严重.个人观点 如果你的 100 也能被详细描述成 1 ，那绝对也能 ok 。one shot 的能力不仅仅只能做到 0 到 1 。但确实想要把一个 1 做到 100 肯定很难了 是这样的。ai 应用还在早期，还是需要开发建设大量的基础设施，才能真正的实现工程化落地。 需要用小步迭代的方法。 从 2-100,那我有什么用呢??? 专家有用吗 国内模型的参数还是太小 ，有四五万亿的参数的时候，可能后面的性能就好些了，国产模型只懂写代码，问一些编码之外的问题，只能瞎扯，之前搞一个 linux 系统的 boot 分区错误，deepseek 完全是瞎扯，还是 gpt 知道的多。国产模型只盯着考题训练 本质原因是“AI 并不会降低软件架构的复杂度”。
0-1 的时候不考虑架构、边界等，1-100 的时候自然已经不适用了。
其实不算是 AI 的问题，而是软件工程自然迭代就是需要更高维度的架构设计。
个人感觉从 0-1 的时候就考虑清楚未来可能的扩展方向，做到 1-10 是没有什么问题的。 0-1 人不参与也很辣鸡啊 使用 ai 是站在一个丢掉脑子的状态去使用的
如果你在跟 ai 去描述一个业务场景,用抽象的方式去描述
比如:
方法一:根据 x1 业务需求去实现一个 x1 业务逻辑
迭代一:这是最新的需求,让其支持 x2 业务功能
另外一个场景是
方法二:根据 x1 业务需求去设计一个 y1 的逻辑,这个 y1 的逻辑需要能支持 x1 的业务功能,并且让这个 y1 的逻辑脱离 x1 的业务
方法二:这是最新的需求,让其支持 y2 的业务逻辑
很明显后面这种抽象的
他在接收第二次指令的时候,回顾之前的代码,识别到两个分支
方式一:支持 x2 则可能破坏原有逻辑 (又要经历一次 0-1
方法二:支持 y2 业务逻辑是自然的扩展 (往 1-100 进发 你们还能到 100 啊，真厉害，大多数项目到 2 就黄了。
页:
[1]