程序员会被 AI 淘汰吗

要让企业微信接上 AI 并变成一个 AI 客服，可以参考以下内容： 1. 基于 COW 框架的 ChatBot 实现方案：这是一个基于大模型搭建的 Chat 机器人框架，可以将多模型塞进微信（包括企业微信）里。张梦飞同学写了更适合小白的使用教程，链接为： 。 可以实现打造属于自己的 ChatBot，包括文本对话、文件总结、链接访问、联网搜索、图片识别、AI 画图等功能，以及常用开源插件的安装应用。 正式开始前需要知道：本实现思路需要接入大模型 API 的方式实现（API 单独付费）。 风险与注意事项：微信端因为是非常规使用，会有封号危险，不建议主力微信号接入；只探讨操作步骤，请依法合规使用，大模型生成的内容注意甄别，确保所有操作均符合相关法律法规的要求，禁止将此操作用于任何非法目的，处理敏感或个人隐私数据时注意脱敏，以防任何可能的滥用或泄露。 支持多平台接入，如微信、企业微信、公众号、飞书、钉钉等；多模型选择，如 GPT3.5/GPT4.0/Claude/文心一言/讯飞星火/通义千问/Gemini/GLM4/LinkAI 等等；多消息类型支持，能处理文本、语音和图片，以及基于自有知识库进行定制的企业智能客服功能；多部署方法，如本地运行、服务器运行、Docker 的方式。 2. DIN 配置：先配置 FastGpt、OneAPI，装上 AI 的大脑后，可体验知识库功能并与 AI 对话。新建应用，在知识库菜单新建知识库，上传文件或写入信息，最后将拥有知识库能力的 AI 助手接入微信。

围棋 AI 领域具有重要的研究价值和突破。在古老的围棋游戏中，AI 面临着巨大挑战，如搜索空间大、棋面评估难等。DeepMind 团队通过提出全新方法，利用价值网络评估棋面优劣，策略网络选择最佳落子，且两个网络以人类高手对弈和 AI 自我博弈数据为基础训练，达到蒙特卡洛树搜索水平，并将其与蒙特卡洛树搜索有机结合，取得了前所未有的突破。在复杂领域 AI 第一次战胜人类的神来之笔 37 步，也预示着在其他复杂领域 AI 与人类智能对比的进一步突破可能。此外，神经网络在处理未知规则方面具有优势，虽然传统方法在处理象棋问题上可行，但对于围棋则困难重重，而神经网络专门应对此类未知规则情况。关于这部分内容，推荐阅读《这就是 ChatGPT》一书，其作者备受推崇，美团技术学院院长刘江老师的导读序也有助于了解 AI 和大语言模型计算路线的发展。

以下 AI 工具可以实现提取多个指定网页的更新内容： 1. Coze：支持自动采集和手动采集两种方式。自动采集包括从单个页面或批量从指定网站中导入内容，可选择是否自动更新指定页面的内容及更新频率。批量添加网页内容时，输入要批量添加的网页内容的根地址或 sitemap 地址然后单击导入。手动采集需要先安装浏览器扩展程序，标注要采集的内容，内容上传成功率高。 2. AI Share Card：能够一键解析各类网页内容，生成推荐文案，把分享链接转换为精美的二维码分享卡。通过用户浏览器，以浏览器插件形式本地提取网页内容。

以下是关于文字生成视频（文生视频）的相关信息： 一些提供文生视频功能的产品： Pika：擅长动画制作，支持视频编辑。 SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 Kaiber：视频转视频 AI，能将原视频转换成各种风格。 Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多相关网站可查看：https://www.waytoagi.com/category/38 。 制作 5 秒单镜头文生视频的实操步骤（以梦 AI 为例）： 进入平台：打开梦 AI 网站并登录，新用户有积分可免费体验。 输入提示词：涵盖景别、主体、环境、光线、动作、运镜等描述。 选择参数并点击生成：确认提示词无误后，选择模型、画面比例，点击「生成」按钮。 预览与下载：生成完毕后预览视频，满意则下载保存，不理想可调整提示词再试。 视频模型 Sora：OpenAI 发布的首款文生视频模型，能根据文字指令创造逼真且充满想象力的场景，可生成长达 1 分钟的一镜到底超长视频，视频中的人物和镜头具有惊人的一致性和稳定性。

以下是在钉钉上学 AI 的相关内容： 从 AI 助教到智慧学伴的应用探索： 登录钉钉客户端，在右上角依次选择钉钉魔法棒、AI 助理、创建 AI 助理。进入创建 AI 助理页面后，填写 AI 助理信息，设置完成即可创建成功。 AI 领导力向阳乔木：未提及具体的在钉钉上学 AI 的操作方法。 基于 COW 框架的 ChatBot 实现步骤： 创建应用： 进入，登录后点击创建应用，填写应用相关信息。 点击添加应用能力，选择“机器人”能力并添加。 配置机器人信息后点击发布，发布后点击“点击调试”，会自动创建测试群聊，可在客户端查看。点击版本管理与发布，创建新版本发布。 项目配置： 点击凭证与基础信息，获取 Client ID 和 Client Secret 两个参数。 参考项目，将相关配置加入项目根目录的 config.json 文件，并设置 channel_type:"dingtalk"，注意运行前需安装依赖。 点击事件订阅，点击已完成接入，验证连接通道，会显示连接接入成功。 使用：与机器人私聊或将机器人拉入企业群中均可开启对话。

以下是一些常见的 AI 术语解释： Agents（智能体）：一个设置了一些目标或任务，可以迭代运行的大型语言模型。与大型语言模型在像 ChatGPT 这样的工具中的通常使用方式不同，Agent 拥有复杂的工作流程，模型本质上可以自我对话，无需人类驱动每一部分的交互。属于技术范畴。 ASI（人工超级智能）：尽管存在争议，但通常被定义为超越人类思维能力的人工智能。属于通识范畴。 Attention（注意力）：在神经网络的上下文中，有助于模型在生成输出时专注于输入的相关部分。属于技术范畴。 Bias（偏差）：AI 模型对数据所做的假设。“偏差方差权衡”是模型对数据的假设与给定不同训练数据的模型预测变化量之间必须实现的平衡。归纳偏差是机器学习算法对数据的基础分布所做的一组假设。属于技术范畴。 Chatbot（聊天机器人）：一种计算机程序，旨在通过文本或语音交互模拟人类对话。通常利用自然语言处理技术来理解用户输入并提供相关响应。属于通识范畴。 CLIP（对比语言图像预训练）：由 OpenAI 开发的 AI 模型，用于连接图像和文本，使其能够理解和生成图像的描述。属于技术范畴。 TPU（张量处理单元）：谷歌开发的一种微处理器，专门用于加速机器学习工作负载。属于技术范畴。 Training Data（训练数据）：用于训练机器学习模型的数据集。属于技术范畴。 Transfer Learning（迁移学习）：机器学习中的一种方法，其中对新问题使用预先训练的模型。属于技术范畴。 Validation Data（验证集）：机器学习中使用的数据集的子集，独立于训练数据集和测试数据集。用于调整模型的超参数（即架构，而不是权重）。属于技术范畴。 Knowledge Distillation（数据蒸馏）：数据蒸馏旨在将给定的一个原始的大数据集浓缩并生成一个小型数据集，使得在这一小数据集上训练出的模型，和在原数据集上训练得到的模型表现相似。在深度学习领域中被广泛应用，特别是在模型压缩和模型部署方面。可以帮助将复杂的模型转化为更轻量级的模型，并能够促进模型的迁移学习和模型集成，提高模型的鲁棒性和泛化能力。属于技术范畴。 RAG（检索增强生成）：检索增强生成。属于技术范畴。 Forward Propagation（前向传播）：在神经网络中，输入数据被馈送到网络并通过每一层（从输入层到隐藏层，最后到输出层）以产生输出的过程。网络对输入应用权重和偏差，并使用激活函数生成最终输出。属于技术范畴。 Foundation Model（基础模型）：在广泛数据上训练的大型 AI 模型，旨在适应特定任务。属于技术范畴。 GAN（通用对抗网络）：一种机器学习模型，用于生成类似于某些现有数据的新数据。使两个神经网络相互对抗：一个“生成器”，创建新数据，另一个“鉴别器”试图将数据与真实数据区分开来。属于技术范畴。 Generative AI/Gen AI（生成式 AI）：AI 的一个分支，专注于创建模型，这些模型可以根据现有数据的模式和示例生成新的原创内容，例如图像、音乐或文本。属于通识范畴。 GPU（图形处理单元）：一种特殊类型的微处理器，主要用于快速渲染图像以输出到显示器。在执行训练和运行神经网络所需的计算方面也非常高效。属于产品范畴。

以下是对程序员在 AI 能力上不同维度的分析： AI 对程序员工作的影响： AI 可代替的部分：代码生成、补全、分析问题和数据提取、辅助架构设计文档等。 AI 无法代替的部分：需求分析、复杂项目拆分、线上问题排查、调试及安全性保障。 企业考察候选人 AI 能力的要点： 基础 AI 应用能力：包括提示词工程，会用合适的方式提问以引导 AI 输出高质量答案；内容评估能力，能够判断 AI 生成的内容是否靠谱并加以优化；熟练使用 AI 工具，能快速上手各类 AI 工具，如 DeepSeek、Cursor、Midjourney 等。 高级 AI 应用能力：任务拆解能力，知道哪些工作适合用 AI，哪些环节需要人工把控；业务场景应用能力，能在实际工作中灵活运用 AI 提高效率。 加分项：快速学习能力，能跟上 AI 技术的快速迭代，主动学习新工具、新方法。 不同领域考察 AI 能力的方式：因领域而异。 程序员与 AI 编程助手： 约 2/3 的 730 名程序员已在使用 AI 编程助手（如 ChatGPT、GitHub Copilot、Cursor 等），原因包括对新技术的敏感性、尝试后获得效率红利、习惯养成。 使用比例远超预期，AI 编程助手迅速渗透开发者日常，好奇心驱动和效率反馈形成正向循环，AI 的使用逐渐成为程序员的“标配能力”。 AI 对编程行业的影响： 不止于“效率提升”，还带来岗位结构、心理预期、安全风险等深层变化。 技能退化与岗位压缩令人焦虑，使用 AI 成为职场新基本素养，心理压力、合规风险需同步应对。 积极影响与未来趋势：人机协作成为主流，AI 释放开发者创造力；门槛降低促使创新频率提升；持续学习与能力更新成为行业新常态。

以下是对程序员在 AI 能力上不同维度的分析，包括 AI 框架和 AI Prompt 等方面： AI 框架： PromptPal：专为 AI 领域中的初创公司和个人开发者设计的提示管理工具，是一个集中化平台，便于在 AI 项目中管理提示，实现协作和工作流程优化。具有本地部署和云原生、简易设置、数据库支持、SDK 支持、提示跟踪与分析、协作工具等特点。开发指向： ChainForge：开源的可视化编程环境，专门用于测试大型语言模型（LLMs）的提示。允许用户进行快速而有效的提示想法测试和变化，具有多模型测试、响应质量比较、评估指标设置、多对话管理等特点。开发指向： AI Prompt： Promptknit：为 AI Prompts 测试提供服务的平台，可能提供工具和资源来帮助用户设计、测试和优化 AI 模型的提示。网站： 对于律师等法律人写好 Prompt 的建议： 明确 Prompt 是给人工智能（AI）系统提供的信息或问题，用来引导其产生特定回答或执行特定任务。 建议框架及格式：CRISPE 包括 Capacity and Role（能力与角色）、Insight（洞察）、Statement（陈述）、Personality（个性）、Experiment（举例）。例如，在处理合同纠纷案件时，为 AI 赋予角色和能力，提供背景信息和上下文，明确期望其完成的任务，设定回答风格等。

在现行法律体系框架下，AI 论文中关于程序员在著作权归属方面存在以下情况： 程序员不是编写 AI 代码所生成内容的著作权归属主体。虽然构建 AI 模型耗费了程序员大量脑力劳动，但他们只是代码的创作主体，其权利可通过计算机软件著作权进行保护。 以 Stable Diffusion 生成的图片为例，程序员对最终产出的图像没有创作的主观意愿，不能成为图片的创作主体。

以下是为 Java 程序员转型大模型算法工程师提供的一些建议： 1. 学习相关理论知识：了解大模型的基本原理，包括模型架构、预训练及微调、部署及推理等。 2. 掌握技术工具：熟悉 LLM 相关技术，如 Transformer、Prompt Tuning、RLHF、Langchain、Agent、MOE、RAG 等。 3. 提升编程能力：熟悉算法和数据结构，具备扎实的编程基础，尤其是 Python 开发。 4. 积累项目经验： 可以参考大圣的全网最适合小白的 Llama3 部署和微调教程，该教程手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调模型，并了解微调的意义和概念。但需注意，此教程不会讲解微调的技术性原理及文中用到的 Python 代码。 关注招聘信息，例如序智科技和中国移动设计院的招聘需求，了解大模型算法工程师的职责和要求，针对性地提升自己的能力。 5. 增强相关技能： 对至少 2 个框架具备源码级别的理解和优化能力，包括但不限于 Langchain、XAgent、ChatDev、DsPy、AutoGPT、BabyAGI、MetaGPT。 熟悉 GPT Function Calling 原理，熟练掌握 Prompt Engineering。 对预训练/微调（尤其是微调）熟练，熟练掌握 huggingface/deepspeed（或其他框架）。 对多模态大模型有一定了解，精通低代码平台会是加分项。 您可以根据自身情况，有针对性地进行学习和实践，逐步实现从 Java 程序员向大模型算法工程师的转型。

如果您不会写代码但想利用 AI 帮您写代码，可以参考以下方法： 1. 对于编程小白来说，最好向 AI 提供代码节点中的范例，也就是新进入代码节点的 IDE 中所看到的那些代码（从 async def 到 return 的内容）。因为 AI 可能并不清楚代码中规定的输入输出格式（比如代码节点的 Python 语言使用字典的形式来组织输入和输出的变量），所以提供范例可以尽可能减少您需要对 AI 所写代码的改动。 2. 需要向 AI 说清楚输入变量与输出变量的类型。 3. 最好说明与工作流中匹配或想要的变量名称，以减少二次修改。 4. 最好列出输入变量的具体书写形式，以方便 AI 尽可能准确地理解。如果是 Object 或 Array 这样较为复杂的形式，您不会写，可以使用下面这个方法：在前一个节点后接一个“文本处理”节点，选择字符串拼接，输入选择前一个节点输出中所需的那个变量，拼接内容写{{String1}}就行，然后试运行，展开该节点的运行结果，复制最终输出中“output:”后面的内容即可，如果内容太长，提问时可省略不重要的具体内容，保留书写形式即可。 5. 说清楚代码要实现什么功能，如果功能较为复杂，尽量将运行逻辑说清楚，越清楚越好。描述中尽量用变量名称来指代所涉及到的各个变量。 这里给出一个提问范式供大家参考： 请仿照上述代码的结构，用 python 编写代码，实现以下功能： 输入变量为。 输出变量为。 。关键步骤请附上注释。 另外，如果您在处理 SQL 代码时不会写，也可以让 AI 帮忙。例如，您可以将以下内容发送给 AI：学习这个文档 https://www.coze.cn/docs/guides/database，然后帮我撰写用于工作流的 sql。之后按照 AI 的回复要求提供具体需求，如数据库表名称、操作类型、相关字段等，AI 会为您生成相应的 SQL 语句。 在使用代码节点时，即使您不是程序员，也可以让 AI 帮您写代码。但要先搞清楚输入和输出以及想要代码实现的逻辑。比如在处理谷歌搜索节点的输出作为 Code 节点的输入时，要先了解相关字段，如 link（网址）、title（标题）、snippet（简短介绍）、source（来源）等。

程序员在使用 AI 时，可能会涉及以下一些 AI 工具： 1. GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出，支持多种语言和 IDE，能为程序员快速提供代码建议，帮助提高编写代码的效率。 2. 通义灵码：阿里巴巴团队推出，基于通义大模型，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码注释生成等多种能力。 3. CodeWhisperer：亚马逊 AWS 团队推出的由机器学习技术驱动的代码生成器，为开发人员实时提供代码建议。 4. CodeGeeX：智谱 AI 推出的开源免费 AI 编程助手，基于 130 亿参数的预训练大模型，可快速生成代码。 5. Cody：代码搜索平台 Sourcegraph 推出的 AI 代码编写助手，借助强大的代码语义索引和分析能力，了解开发者的整个代码库。 6. CodeFuse：蚂蚁集团支付宝团队为国内开发者提供的智能研发服务的免费 AI 代码助手，基于蚂蚁集团自研的基础大模型进行微调。 7. Codeium：一个由 AI 驱动的编程助手工具，通过提供代码建议、重构提示和代码解释来帮助软件开发人员提高编程效率和准确性。 此外，还有一些其他相关的 AI 工具，如： 1. ChatAll：可以同时与多个 AI 机器人实时聊天的开源工具，支持多种主流 AI 聊天机器人。 2. AIProductsAllInOne：整理了一些 ChatGPT 以及 AI 相关的生产力工具。 3. Shell GPT：在命令行中集成了 ChatGPT，帮助快速编写 shell 命令、代码片段等。 4. 飞书 GPT：集成了飞书、GPT3.5、Dall·E、Whisper 等 API，支持多种功能。 5. ChatPDF：提取 PDF 文件内容并交给 ChatGPT 分析，实现一对一对话交流。 6. GitHub Copilot X：基于 AI 驱动的跨时代代码编辑器，带来全新编程体验。 在 PPT 制作方面，有以下 AI 工具： 1. MindShow 2. 爱设计 3. 闪击 4. Process ON 5. WPS AI 每个工具都有其特色和适用场景，程序员可以根据自己的需求选择最适合的工具。

在 DEEPSEEK 发展壮大的情况下，个人为避免被时代淘汰，应具备以下 AI 方面的能力并通过以下具体可执行的步骤来提升： 1. 善用工具： 历史表明，使用工具的人通常表现更优，人类发展就是工具演化的过程。 不会用 AI 工具自动化重复性任务，可能面临被淘汰，应适应这种转变。 因自动化效率提升，可腾出时间进行高层次思考。 具体步骤：积极学习和掌握 AI 工具的使用方法，将重复性工作交给工具处理，培养利用工具提升效率的习惯。 2. 抽象与整合： “大语言模型”压缩了大量知识，可快速回放，无需直接学习所有知识细节，要在更高层次学习并抽象更多细节。 AI 能使人类更易学习技能或知识，技术进步使“整合”而非专业化成为可能，人们在更高层次工作，为 AI 提供方向并作选择。 具体步骤：锻炼高层次的思维能力，学会从复杂信息中提炼关键要点，不断提升整合能力，将精力集中于制定“策略”，把执行细节交给自动化系统。

LangChain 目前不太可能被淘汰。它是 LLM 应用程序编排框架中的领导者，在提示链细节抽象、与外部 API 接口、上下文数据检索以及维持内存等方面表现出色，为业余爱好者和初创公司广泛使用，并已开始有构建的应用转入生产。 虽然 LangChain 仍是相对新的项目，一些开发者特别是 LLM 的早期采用者，更愿意在生产中切换到原生 Python 以消除额外的依赖性，但预计这种自行制作的方法在大多数用例中的使用会随时间减少，这与传统的 web 应用堆栈情况类似。 同时，高级提示词工程技术的普及促进了一系列工具和框架的发展，LangChain 已成为提示词工程工具包景观中的基石，最初专注于链条，后扩展到支持包括智能体和网络浏览功能在内的更广泛功能，其全面的功能套件使其成为开发复杂 LLM 应用的宝贵资源。

在 AI 迅猛发展的浪潮中，普通人避免被淘汰可以从以下几个方面努力： 1. 积极学习和掌握 AI 相关技能，如 AI 编程。编程门槛因 AI 而降低，未来编程技能可能会像 Office 软件一样普及，成为职场基本素养。能够驾驭 AI 编程工具并用于解决实际问题、创造价值的人更易脱颖而出。 2. 注重培养运用 AI 工具解决问题的能力，而非仅仅依赖工具生成的结果。真正的价值在于借助工具实现创新、提升效率。 3. 关注 AGI 对社会和个人的影响，思考在 AGI 世界中个体如何生存、创造价值，并探索新的分配方式。 4. 以发展的眼光看待 AI 的进步，不能因当前 AI 的不足而忽视其快速发展的趋势。AI 的“效用函数”和计算力在不断提升，可能在 5 年内就使行业发生巨大变化，十几年内可能对人类产生全面替代，因此要积极应对，不能逃避或沾沾自喜。

在当前市场环境下，虽然很难确定哪些行业绝对不会被淘汰，但一些行业相对来说具有较强的稳定性和适应性。例如，医疗保健行业始终是人们生活中不可或缺的一部分，随着人口老龄化和健康意识的提高，对医疗服务的需求将持续增长。教育行业也是如此，人们对知识和技能的追求是永恒的，尤其是在数字化时代，在线教育和远程学习的发展为教育行业带来了新的机遇。此外，科技行业一直是推动经济发展和社会进步的重要力量，虽然技术不断更新换代，但对科技创新的需求始终存在。然而，需要注意的是，市场是动态变化的，即使是看似稳定的行业也可能面临挑战和变革。因此，企业和个人都需要不断学习和适应市场的变化，以保持竞争力。