传统开发者进军 LLM 要做的思维转变

      随着人工智能技术的快速发展，特别是大语言模型（Large Language Models, LLM）如GPT、chatglm等崛起，传统开发者们面临着前所未有的机遇与挑战。对于许多习惯于传统编程和软件开发范式的开发者来说，进军LLM领域意味着需要做出一系列深刻的思维转变。本文将从以下几个方面探讨这些转变，帮助开发者们更好地适应并把握LLM时代的浪潮。

什么是LLM？

铺天盖地的LLM新资讯，LLM到底是什么？首先，大模型和大语言模型是两回事。我们通常说的LLM是Large Language Model。先不关心large不large，我们先了解语言模型主要能解决哪些问题？

LLM也是语言模型，他其实同样也是解决这些问题，只不过之前是一个模型解决一个问题，LLM是一个模型可以解决上面所有问题。

算法解决方案的进阶：

整个LLM发展的历程

如何使用LLM？

那我们应该使用大模型呢？不管是之前的机器学习，还是后来的深度学习模型，不管是小模型还是大模型，模型都只是一个工具。我们首先要学会的是如何使用工具。

对于这个工具的使用，我认为可以按如下流程选择使用方案

不需要每个人都要有AI知识，但是每个人都需要学习如何使用这个工具。

LLM的呈现形式就是对话，你提问，他回答。你随口一问，他随口一答，你告诉他详细的需求，他可能给出满意的回复。所以如何利用好这个工具也是一大难题。

prompt就是给AI的指令，引导模型生成响应的回答，最大化挖掘LLM的能力。

prompt工程就是开发和优化提示词，一种在大模型中使用的技巧，通过提供清晰、简洁的指令或问题，充分发挥大模型的能力，让模型更好地理解我们的需求，从而得到更好的模型输出。

吴恩达教授在提示语工程公开课中提出四大元素，两大原则：

弱化强逻辑，拥抱人性

•        AI的神经网络虽非100%可控，但提示词工程的重要性与人类的沟通技巧相当。要善用AI，必须将其视为一个合作伙伴，「把 AI 当人看」，提示词工程与人类的沟通技巧别无二致，尊重其能力和局限性。优化大模型的技术思路，实则借鉴了管理学中的理念，如目标设定、过程控制、持续改进和团队协作。

• 思维链：  给人思考时间
• Few-shot：  亲身示范
• RLHF：  打绩效
• 多 Agent：  搭团队
• 自洽性：  赛马
• RAG：  速查手册
• Fine-tuning：新人培训

打破旧分工，迈向大全栈

AI 能力定律

AI 能力的上限，是使用者的判断力

       用过 GitHub Copilot，就知道可以不细分前后端工种了。眼高手低的人最匹配 AGI 时代，如何提升更多专业领域的判断力，指挥 AI 执行，成为大全栈，需要了解商业、产品、市场、运营等各个方面。

认清低门槛、高天花板

       LLM时代的到来，是最易入门的技术革新，几乎不需要机器学习、算法基础，一张图即可囊括全套架构。但是把效果做好非常难，因此如何合理的拆分任务流、进行细节调试，纯手艺活

无限靠近业务，直至成为业务

      纯技术的发展空间越来越小，最近两年，很多公司裁撤 CTO，而AI 让技术的工作量，进一步降低，学习时要注意编程思想的应用，而不仅仅只是懂编程。

AI 落地需要「三懂人才」

• 懂业务
• 懂 AI
• 懂编程

       超级开发者，1-2个人的个人工作室是未来的趋势，更要琢磨如何在细分场景里做极致优化，找到痛点。比如：为 5000 人写个软件，每月收 10 元钱

学习路线

以下是看到的一些课程路线参考，仅供大家学习参考（不卖课hhh），大家可以通过B站之类的平台学习了解下相关知识。