对于程序员来说，需要关注的 AI 方面包括以下内容：
对于更有经验的程序员来说，他们的关注点可能不仅限于代码的正确性，还包括整体代码质量。如[fast.ai](https://fast.ai/)的Jeremy Howard[所解释的](https://future.com/the-rise-of-domain-experts-in-deep-learning/)，关于OpenAI Codex模型的最新版本，“[它]编写冗长的代码，因为它生成的是平均水平的代码。对我来说，将平均水平的代码转化为我喜欢且知道是正确的代码，比从头开始编写它（至少在我熟悉的语言中）要慢得多。”因此，虽然显然生成性编程是开发人员生产力的一个重要步骤，但目前还不清楚这种改进是否显著地不同于我们以前所看到的。生成式AI使程序员更优秀，但他们仍然必须编程。
对于AI，可以尝试了解以下内容，作为基础AI背景知识基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。历史发展：简要回顾AI的发展历程和重要里程碑。数学基础统计学基础：熟悉均值、中位数、方差等统计概念。线性代数：了解向量、矩阵等线性代数基本概念。概率论：基础的概率论知识，如条件概率、贝叶斯定理。算法和模型监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。无监督学习：熟悉聚类、降维等算法。强化学习：简介强化学习的基本概念。评估和调优性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。模型调优：学习如何使用网格搜索等技术优化模型参数。神经网络基础网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。激活函数：了解常用的激活函数，如ReLU、Sigmoid、Tanh。
在本份教程中，你会发现，在AI的帮助下，你本就可以完成很多基础的编程工作。但希望再深入一点，最好还是可以体系化的了解一下编程以及AI。至少熟悉以下内容：Python基础基本语法：了解Python的基本语法规则，比如变量命名、缩进等。数据类型：熟悉Python中的基本数据类型，如字符串（String）、整数（Integer）、浮点数（Float）、列表（List）、元组（Tuple）、字典（Dictionary）等。控制流：学习如何使用条件语句（if）、循环语句（for和while）来控制程序的执行流程。函数定义和调用函数：学习如何定义自己的函数，以及如何调用现有的函数。参数和返回值：理解函数如何接收参数和返回结果。作用域和命名空间：了解局部变量和全局变量的概念，以及它们是如何在Python中工作的。模块和包导入模块：学习如何导入Python标准库中的模块或者第三方库。使用包：理解如何安装和使用Python包来扩展程序的功能。面向对象编程（OOP）类和对象：了解面向对象编程的基本概念，包括类的定义和实例化。属性和方法：学习如何为类定义属性和方法，以及如何通过对象来调用它们。继承和多态：了解类之间的继承关系以及如何实现多态。异常处理理解异常：了解什么是异常，以及它们在Python中是如何工作的。异常处理：学习如何使用try和except语句来处理程序中可能发生的错误。文件操作文件读写：学习如何打开文件、读取文件内容以及写入文件。文件与路径操作：理解如何使用Python来处理文件路径，以及如何列举目录下的文件。