本文提出大模型时代的“Skills”概念借鉴中台思维实现Prompt复用。核心是“渐进式披露”设计哲学及归纳演绎法开发流程。通过逆向建模、问题定位、AI辅助CR等实战案例展示了如何将个人经验沉淀为可复用的AI技能显著提升开发效率。1、SKills的推导首先我将谈谈我所理解的Skills形成的推导过程我们需要跳出“结果”视角从零开始思考Skills的由来。有趣的是我们需要从另外一个概念“中台”说起。1.1 借鉴“中台”思维复用的力量中台一词常常出现在各种软件架构的设计中其核心理念用两个字就可以概括复用即把相同功能抽离出来减少重复建设如下图好如果架构可以这样玩为什么Prompt不行我们做一个大胆的抽象软件开发的整个过程等于所有Prompt的总和那么请诸位回想一下在你的VibeCoding中有没有属于你的高频口头蝉我想答案是Yes。好既然有为什么要每次都打字这也太慢了细细想想目前AI的产出的速度好像完全受限于我们打字的速度PS有的时候在工位就想用语音和AI沟通所以能不能优化这个流程学习中台理念把你的“口头蝉”提前封装好用的时候直接一个快捷键好到这里我们就可以回答一个问题什么是Skills答公共的Prompt就是Skills好我们接着说如果软件开发的过程就是Prompt的总和那我们想想其实软件开发的流程是非常固定的从设计-开发-测试-运维那我们就可以把SKIlls按流程进行分类让它们归到这个框架内。这样我们就拥有了一个识别方法即面对这成千上万个Skills我们就可以分区哦它对于我们哪些工作环节是帮助的。通过这种方法我们就可以把好的经验和方法覆盖到软件工程的整个全周期中做到极致的提效1.2 Skills设计哲学恰好而非更多但事情没有那么简单随着“复用”的增多当你给AI装上了一大堆的SKills一个工程化的问题随之而来我们知道AI在工作的时候并不是一个无限的资源空间而是运行在一个特定大小的桌子上上下文窗口。试想我们把所有东西都堆在桌面上桌面就会很乱结果就是AI开始胡言乱语幻觉增多因此Skills的设计理念是不是让AI知道更多而是让AI在恰当的时间知道恰当的事具体如何做呢也简单搞个分级缓存当输入Prompt的时候不要带上全量的Skills信息而是最基本的元信息AI会按照语意进行匹配匹配到了才会加载实际的内容这就是渐进式加载官方叫渐进式披露如下图所示1.3 为什么经验可以沉淀了另外一个有趣的问题为什么说经验能够复用了而在过去几十年里却做不到呢我想是因为AI时代人类的语言已经成为了一门全新的“编程语言”所以只要能够被以文字形式沉淀的知识都会被AI理解这是一件细思极恐的事这意味着任何以文字承载的领域AI终将成为大师超越大多数人类最后它会成为最懂编程、最懂历史、最懂…的存在。经验可以沉淀这不仅对个人对团队来说作用也巨大它实现了“经验”的低成本共享个人经验将会以Skills的形式快速的在团队内传播团队的整体战斗力也随之迈上了一个新的台阶。最激动的是当Skills的数量达到一定规模时其实我们就相当搭建了一个专门给AI用的技能商店当AI遇到新的复杂问题时它可以自动匹配Skills库让复杂的问题通过基础Skills的组合得到解决。另一方面Skills的成功给我们了一个很好的启发AI时代系统设计将从面向于人设计转向面向AI设计。一份数据我们需要有给人好理解的版本也需要有给AI好理解的版本2、如何开发Skills从归纳法到演绎法那对于个人开发者我们该如何打造属于自己的 Skills要回答这个问题我们不妨先回忆下上学时是如何解数学题的。绝大多数数学题都是以既定公理为起点通过严谨的逻辑推导得出答案。这种解题思路正是典型的演绎法。这也折射出中国传统教育的核心特点更侧重演绎法的应用而忽视了对于归纳法的培养。但在真实的工作中情况却截然相反我们的 “经验”本质上是一种 “人肉强化学习” 大脑在日复一日的实践中不断试错、迭代将零散的实践感悟进行提炼最终在潜移默化里下意识形成了可复用的 “经验”而这一过程多数是归纳法的功劳。我们举个例子体会下有一天我睡前吃了100元的麦当劳虽然当时很满足但第二天起来却倍感不适。但是由于太好吃了我还是连续三天睡前吃了夜宵结果每天都出现了同样的不适。由此我归纳出一个定律吃夜宵会导致第二天早上身体不适。后来我爱吃夜宵的同事小明早上起来也感觉常常不适。我便将“睡前不吃定理”分享给了他他实践一周后不适感果然明显改善这就是既定的规律再应用到特定场景、解决实际问题的过程就是演绎法。而我们要开发属于自己的Skills也是这个路子重复以上两个过程我们需要先将工作中的案例总结提炼归纳固化为Skills用以应对同类问题演绎或是再次反馈完善这个Skills这便是Skills开发的核心思路2.1 真正的难点需要向外洞察向内觉察但到这还没有完因为难点并不是如何用归纳法和演绎法为什么因为创造一个Skill的难点从来不在方法而在于你是否有能量去洞察问题。Skill的本质是一种解决方案它与问题本就是一体两面若问题不存在那Skills再强大也毫无意义。因此要创造出一个有价值的Skill前提是拥有敏锐的洞察力这便 “向外洞察”我们需要从日常工作中精准地捕捉那些反复出现的问题再从解决问题的过程中总结出经验。我曾听过一句话“如果你看见了就请仔细观察”在这个AI飞速发展的时代解决问题的能力会被AI逐步取代但精准发现一个有价值的问题恰恰是最难被替代的核心能力也是Skill的价值根源。除了向外洞察“向内觉察”同样不可或缺。回想下大多数我们遇到的问题早已有了成熟的解决方案真正的新问题少之又少只是我们常常对此“不自知”我们习惯了下意识地解决问题却从未认真复盘过自己的思考与操作过程。在这个时代我们需要像禅修般向内观面对具体问题时自己是如何一步步分析、拆解、解决的把这个隐性的、下意识的过程梳理清晰再沉淀成AI能够理解的领域知识正是开发Skill的核心要点。举个例子比如当你遇到Bug时你是如何排查的好好回想这个完整过程把每一步操作、每一个判断逻辑梳理清楚让AI照着这个逻辑去执行这一点我会在后续的实践分享中详细展开。除了自己的去总结其实也可以利用AI工具当你用AI解决完一个新问题的时候别急着关闭对话框让Agent自己观察你的Prompt过程让他自己总结沉淀这个过程只需要你在解决完问题后加一句prompt即可。3、一些Skills的案例以上就是一些Skills原理的分析下面我们来来分享一些Skills的实践。3.1 逆向建模逆向建模是我在开发过程中使用的最高频的场景。它对应着我们最常见应用场景需求迭代。针对一个需求迭代的过程我们总是可以抽象成三个步骤在AI时代我们需要思考如何利用SKills增强这三个流程而逆向建模就是一个很好的方法建模一词源于建筑学盖房子的核心逻辑是先设计图纸再依据图纸施工。但软件开发的场景有所不同由于需要持续迭代功能、不断完善产品就像要不停“盖房子”这就导致设计图始终处于动态变化中。实际情况往往是面对一个新需求我们不清楚原来的“图纸”是什么样子。因此面对一个新需求还原这份“图纸”是革命的首要任务而通过现有工程代码反推出“图纸”的过程就是逆向建模。那模型里有什么呢我们可以总结为三个部分实体、规则和行为。剩下的工作不管是要去理解需求或是开发需求我们本质上都是围绕着以下三个问题展开实体关系是什么有什么变更流程是什么有什么变更行为是什么有什么变更当我们回答好了这三个问题我们的代码也就写的差不多了这种方法让VibeCoding更加精细化让Vibecoing建立在图纸之上而非抽象的语言之上。那我们具体要如何表达呢我们详细讨论下。1、 实体的显化表达这里尝尝用的就是传统的UML建模我们通过类对象及其关系去还原结构通过不同的颜色来表示需求的改动2、流程的显化表达流程则通过序列图的形式表达。我们可以通过不同抽象层次的图去放大或者缩小实现的细节这样我们的视角可以在不同的维度进行设计分析既可以从总体把握又可以下钻到细节。这里设计的多详细AI完成的就有多准确3、规则的显化表达规则是有点不同的点实体和行为我们都可以用图去表达但是规则比较难这里我推荐的是伪代码文字的形式起初我也尝试用更加精准的语言去表达但这比较难因为我发现语言本身就很抽象一个人一个理解所以最好的方式就是用伪代码的形式不仅对人友好对AI也很友好不得不说最好的Prompt其实就是代码本身。当我们回答完了三个问题其实就完成需求的设计环节下一步就是让AI分任务实现而实现的过程恰恰和我们的设计是一一对应的即先完成实体的新增然后再去完成流程函数细节全部mock这个时候直接就可以测试了最后在补充规则细节实践下来这种方法大大减少了重复的开发为什么因为每一步都很确定我们完成一步、review一步、验证一步让整体的熵最小化3.2 问题定位当群里你 定位问题另外从前比较耗时的事是问题定位。相比诸位开发通知都深有同感那我们能不能使用Skills帮我们快速搞定呢那肯定是可以的。首先我们使用内观的方法回想一下你是如何定位一个问题的是不是往往从一个染色ID开始一步一步看日志看代码。让AI仿照这个过程Skills就完成了如下图所示在这个Skills中最需要考虑的是如果打通AI-IDE与日志系统比较简单的是通过MCP实现然后AI会结合本地代码和日志进行分。这个Skills非常简单但它真的为我节省了很多时间。下面是一个真实的案例当上游同学在群里给我丢了一个染色ID让我看的时候利用这个Skills就在30s内定位到了异常点3.3 AI辅助CR的工程落地使用AI辅助代码CR已经成为了我们团队的高频实践由sumueli老师主导并探索出了一条工程化的思路可以让AI-CR和Git闭环运行整体流程如下除了自动化的CR人工CR也是最常见的场景。如下图另外在CR的实践中我们也结合了上面的建模思路把设计图和代码DIff一起去MR这大大较少了CR的理解成本提供了团队的效能4、回答开头的问题最后回答一下开头提到的问题我们如何面对成千上万个SKills应该如何利用我认为需要根据自己遇到的问题去索引比较好的Skills然后再加以改造为什么因为从来都不存在两个一模一样的问题只有相似的问题我们可以借鉴但是不能照搬最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
大模型进阶指南：如何像搭积木一样开发Skills？程序员必收藏
本文提出大模型时代的“Skills”概念借鉴中台思维实现Prompt复用。核心是“渐进式披露”设计哲学及归纳演绎法开发流程。通过逆向建模、问题定位、AI辅助CR等实战案例展示了如何将个人经验沉淀为可复用的AI技能显著提升开发效率。1、SKills的推导首先我将谈谈我所理解的Skills形成的推导过程我们需要跳出“结果”视角从零开始思考Skills的由来。有趣的是我们需要从另外一个概念“中台”说起。1.1 借鉴“中台”思维复用的力量中台一词常常出现在各种软件架构的设计中其核心理念用两个字就可以概括复用即把相同功能抽离出来减少重复建设如下图好如果架构可以这样玩为什么Prompt不行我们做一个大胆的抽象软件开发的整个过程等于所有Prompt的总和那么请诸位回想一下在你的VibeCoding中有没有属于你的高频口头蝉我想答案是Yes。好既然有为什么要每次都打字这也太慢了细细想想目前AI的产出的速度好像完全受限于我们打字的速度PS有的时候在工位就想用语音和AI沟通所以能不能优化这个流程学习中台理念把你的“口头蝉”提前封装好用的时候直接一个快捷键好到这里我们就可以回答一个问题什么是Skills答公共的Prompt就是Skills好我们接着说如果软件开发的过程就是Prompt的总和那我们想想其实软件开发的流程是非常固定的从设计-开发-测试-运维那我们就可以把SKIlls按流程进行分类让它们归到这个框架内。这样我们就拥有了一个识别方法即面对这成千上万个Skills我们就可以分区哦它对于我们哪些工作环节是帮助的。通过这种方法我们就可以把好的经验和方法覆盖到软件工程的整个全周期中做到极致的提效1.2 Skills设计哲学恰好而非更多但事情没有那么简单随着“复用”的增多当你给AI装上了一大堆的SKills一个工程化的问题随之而来我们知道AI在工作的时候并不是一个无限的资源空间而是运行在一个特定大小的桌子上上下文窗口。试想我们把所有东西都堆在桌面上桌面就会很乱结果就是AI开始胡言乱语幻觉增多因此Skills的设计理念是不是让AI知道更多而是让AI在恰当的时间知道恰当的事具体如何做呢也简单搞个分级缓存当输入Prompt的时候不要带上全量的Skills信息而是最基本的元信息AI会按照语意进行匹配匹配到了才会加载实际的内容这就是渐进式加载官方叫渐进式披露如下图所示1.3 为什么经验可以沉淀了另外一个有趣的问题为什么说经验能够复用了而在过去几十年里却做不到呢我想是因为AI时代人类的语言已经成为了一门全新的“编程语言”所以只要能够被以文字形式沉淀的知识都会被AI理解这是一件细思极恐的事这意味着任何以文字承载的领域AI终将成为大师超越大多数人类最后它会成为最懂编程、最懂历史、最懂…的存在。经验可以沉淀这不仅对个人对团队来说作用也巨大它实现了“经验”的低成本共享个人经验将会以Skills的形式快速的在团队内传播团队的整体战斗力也随之迈上了一个新的台阶。最激动的是当Skills的数量达到一定规模时其实我们就相当搭建了一个专门给AI用的技能商店当AI遇到新的复杂问题时它可以自动匹配Skills库让复杂的问题通过基础Skills的组合得到解决。另一方面Skills的成功给我们了一个很好的启发AI时代系统设计将从面向于人设计转向面向AI设计。一份数据我们需要有给人好理解的版本也需要有给AI好理解的版本2、如何开发Skills从归纳法到演绎法那对于个人开发者我们该如何打造属于自己的 Skills要回答这个问题我们不妨先回忆下上学时是如何解数学题的。绝大多数数学题都是以既定公理为起点通过严谨的逻辑推导得出答案。这种解题思路正是典型的演绎法。这也折射出中国传统教育的核心特点更侧重演绎法的应用而忽视了对于归纳法的培养。但在真实的工作中情况却截然相反我们的 “经验”本质上是一种 “人肉强化学习” 大脑在日复一日的实践中不断试错、迭代将零散的实践感悟进行提炼最终在潜移默化里下意识形成了可复用的 “经验”而这一过程多数是归纳法的功劳。我们举个例子体会下有一天我睡前吃了100元的麦当劳虽然当时很满足但第二天起来却倍感不适。但是由于太好吃了我还是连续三天睡前吃了夜宵结果每天都出现了同样的不适。由此我归纳出一个定律吃夜宵会导致第二天早上身体不适。后来我爱吃夜宵的同事小明早上起来也感觉常常不适。我便将“睡前不吃定理”分享给了他他实践一周后不适感果然明显改善这就是既定的规律再应用到特定场景、解决实际问题的过程就是演绎法。而我们要开发属于自己的Skills也是这个路子重复以上两个过程我们需要先将工作中的案例总结提炼归纳固化为Skills用以应对同类问题演绎或是再次反馈完善这个Skills这便是Skills开发的核心思路2.1 真正的难点需要向外洞察向内觉察但到这还没有完因为难点并不是如何用归纳法和演绎法为什么因为创造一个Skill的难点从来不在方法而在于你是否有能量去洞察问题。Skill的本质是一种解决方案它与问题本就是一体两面若问题不存在那Skills再强大也毫无意义。因此要创造出一个有价值的Skill前提是拥有敏锐的洞察力这便 “向外洞察”我们需要从日常工作中精准地捕捉那些反复出现的问题再从解决问题的过程中总结出经验。我曾听过一句话“如果你看见了就请仔细观察”在这个AI飞速发展的时代解决问题的能力会被AI逐步取代但精准发现一个有价值的问题恰恰是最难被替代的核心能力也是Skill的价值根源。除了向外洞察“向内觉察”同样不可或缺。回想下大多数我们遇到的问题早已有了成熟的解决方案真正的新问题少之又少只是我们常常对此“不自知”我们习惯了下意识地解决问题却从未认真复盘过自己的思考与操作过程。在这个时代我们需要像禅修般向内观面对具体问题时自己是如何一步步分析、拆解、解决的把这个隐性的、下意识的过程梳理清晰再沉淀成AI能够理解的领域知识正是开发Skill的核心要点。举个例子比如当你遇到Bug时你是如何排查的好好回想这个完整过程把每一步操作、每一个判断逻辑梳理清楚让AI照着这个逻辑去执行这一点我会在后续的实践分享中详细展开。除了自己的去总结其实也可以利用AI工具当你用AI解决完一个新问题的时候别急着关闭对话框让Agent自己观察你的Prompt过程让他自己总结沉淀这个过程只需要你在解决完问题后加一句prompt即可。3、一些Skills的案例以上就是一些Skills原理的分析下面我们来来分享一些Skills的实践。3.1 逆向建模逆向建模是我在开发过程中使用的最高频的场景。它对应着我们最常见应用场景需求迭代。针对一个需求迭代的过程我们总是可以抽象成三个步骤在AI时代我们需要思考如何利用SKills增强这三个流程而逆向建模就是一个很好的方法建模一词源于建筑学盖房子的核心逻辑是先设计图纸再依据图纸施工。但软件开发的场景有所不同由于需要持续迭代功能、不断完善产品就像要不停“盖房子”这就导致设计图始终处于动态变化中。实际情况往往是面对一个新需求我们不清楚原来的“图纸”是什么样子。因此面对一个新需求还原这份“图纸”是革命的首要任务而通过现有工程代码反推出“图纸”的过程就是逆向建模。那模型里有什么呢我们可以总结为三个部分实体、规则和行为。剩下的工作不管是要去理解需求或是开发需求我们本质上都是围绕着以下三个问题展开实体关系是什么有什么变更流程是什么有什么变更行为是什么有什么变更当我们回答好了这三个问题我们的代码也就写的差不多了这种方法让VibeCoding更加精细化让Vibecoing建立在图纸之上而非抽象的语言之上。那我们具体要如何表达呢我们详细讨论下。1、 实体的显化表达这里尝尝用的就是传统的UML建模我们通过类对象及其关系去还原结构通过不同的颜色来表示需求的改动2、流程的显化表达流程则通过序列图的形式表达。我们可以通过不同抽象层次的图去放大或者缩小实现的细节这样我们的视角可以在不同的维度进行设计分析既可以从总体把握又可以下钻到细节。这里设计的多详细AI完成的就有多准确3、规则的显化表达规则是有点不同的点实体和行为我们都可以用图去表达但是规则比较难这里我推荐的是伪代码文字的形式起初我也尝试用更加精准的语言去表达但这比较难因为我发现语言本身就很抽象一个人一个理解所以最好的方式就是用伪代码的形式不仅对人友好对AI也很友好不得不说最好的Prompt其实就是代码本身。当我们回答完了三个问题其实就完成需求的设计环节下一步就是让AI分任务实现而实现的过程恰恰和我们的设计是一一对应的即先完成实体的新增然后再去完成流程函数细节全部mock这个时候直接就可以测试了最后在补充规则细节实践下来这种方法大大减少了重复的开发为什么因为每一步都很确定我们完成一步、review一步、验证一步让整体的熵最小化3.2 问题定位当群里你 定位问题另外从前比较耗时的事是问题定位。相比诸位开发通知都深有同感那我们能不能使用Skills帮我们快速搞定呢那肯定是可以的。首先我们使用内观的方法回想一下你是如何定位一个问题的是不是往往从一个染色ID开始一步一步看日志看代码。让AI仿照这个过程Skills就完成了如下图所示在这个Skills中最需要考虑的是如果打通AI-IDE与日志系统比较简单的是通过MCP实现然后AI会结合本地代码和日志进行分。这个Skills非常简单但它真的为我节省了很多时间。下面是一个真实的案例当上游同学在群里给我丢了一个染色ID让我看的时候利用这个Skills就在30s内定位到了异常点3.3 AI辅助CR的工程落地使用AI辅助代码CR已经成为了我们团队的高频实践由sumueli老师主导并探索出了一条工程化的思路可以让AI-CR和Git闭环运行整体流程如下除了自动化的CR人工CR也是最常见的场景。如下图另外在CR的实践中我们也结合了上面的建模思路把设计图和代码DIff一起去MR这大大较少了CR的理解成本提供了团队的效能4、回答开头的问题最后回答一下开头提到的问题我们如何面对成千上万个SKills应该如何利用我认为需要根据自己遇到的问题去索引比较好的Skills然后再加以改造为什么因为从来都不存在两个一模一样的问题只有相似的问题我们可以借鉴但是不能照搬最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
