過去一年，通過各種平臺我們可以輕而易舉的接收到人們關于使用大模型遇到諸多問題的聲音。然而，顯而易見的是，大模型可以在許多方面提高我們的效率，尤其是在處理文檔、測試用例和代碼等繁瑣事務方面。
大模型的優(yōu)勢和短板是什么？
首先，我們需要了解大模型的概念。由于訓練數據和參數等多種原因，不同的模型有各自的優(yōu)勢。在一些微信機器人中，我們會使用文心一言來獲取實時的信息內容，并結合國內外的開源和閉源模型（如ChatGPT等）進行不斷優(yōu)化。而在撰寫英文文檔和郵件等內容時，則會優(yōu)先考慮國外的模型。
其次，我們要知道大模型不擅長什么。大模型擅長的是生成文本。究其本質它又是一個概率模型，所以它需要借助其他工具來完成自身不擅長的內容（比如數學計算）。因此，我們不應該期望大模型能夠幫助我們完成一些數學計算，而是應該期望它能根據我們的上下文，生成數學計算的公式、代碼等等。
提高個人效率的關鍵之一是學會與大模型進行有效的交流。
大模型的交流方式主要通過Prompt進行，而構建一個Prompt是需要持續(xù)迭代的過程。在這個過程中，我們需要不斷嘗試，以找到最適合自己的模式。因此網上也先后出現了很多針對Prompt的教程，甚至因此衍生出了新的賺錢之道。常見的模式是：
1、確定角色和任務。比如明確扮演一個中級開發(fā)工程師以及需要完成哪些任務。
2、背景。提供一些必要的上下文，以便于有概率地、更好地匹配到答案。
3、列出你對其的一些具體要求，比如返回的格式和內容等。
4、最后的import將根據用戶選擇的是類還是方法來確定。
精煉上下文成本，活用各類工具
Prompt模板，絕對屬于人們口中的“一看就會，一用就廢”的存在，同一個需求可能真的會獲得千人千面的答案。因此，很多人在使用AIGC工具時最大的問題是編寫Prompt往往需要花費超過任務完成時間的時間。
也因此，從某種程度上來說，我們所需要的上下文并不一定要準確，但一定要精煉，以節(jié)省自己的時間。所以，從時間成本上來說，我們要考慮引入工具，或者構建適合自己的工具來完善這個過程。
對于開發(fā)人員來說，目前市面上流行的工具有：GithubCopilot、ChatGPT等其他內容生成工具。諸如GitHubCopilot在生成效果上之所以好，是因為它會根據當前的代碼文件、編輯歷史，分析出一些相似的上下文，再交由大模型處理。整個過程是全自動的，所以它能大量節(jié)省時間。但是鑒于每月可能產生10到30美元的成本，需要認真探討更合適的方案。
基于此，來自中國的飛算SoFlu軟件機器人，推出專注JAVA生成AI函數的FuncGPT（慧函數）。通過自然語言描述Java函數需求，不需要繁復的上下文，輸入需求、出參、入參，即可實時生成高質量、高可讀性、拿來即用的Java函數代碼。生成代碼可直接復制到IDEA，或一鍵導入Java全自動開發(fā)工具函數庫，滿足程序員不同的使用場景。最重要的是它是免費的。
個人成長：增強人工智能不擅長的技能。
隨著AIGC成本的進一步降低，可能會有一些部門因為生成式AI而被公司縮減規(guī)模。這并不是因為AIGC可以取代人類，而是因為人們預期可以提高20～30%的效率，并且在一些團隊試驗后也發(fā)現確實如此。
假設AIGC能夠增加一個團隊的效率20%，那么從管理層的角度來看，他們會考慮減少團隊成員的20%。而更有趣的是，如果團隊規(guī)模減少了20%，由于溝通成本的降低，效率提升會更為顯著。因此，該團隊的效能提升超過了20%。
就短期而言，那些掌握了AIGC能力的開發(fā)人員不會因此被淘汰。但從長遠來看，開發(fā)行業(yè)的內卷現象將會加劇。十多年前，只需懂一些Java的人就可以了，但如今的標準則是既要精通Java設計模式，又要熟練掌握各種Java算法。因此，從個人職業(yè)發(fā)展的角度，我們需要適當地提升在人工智能領域不擅長的其他技能。
就能力而言，AI不擅長解決復雜上下文的問題，比如架構設計、軟件建模等等。從另一個層面上，由于AI作為一個知識庫，它能夠幫助我們解決一些軟件開發(fā)的基礎問題（比如某語言的語法），會使得我們更易于上手新語言，從而進一步促使開發(fā)者變成多面手，成為多語言的開發(fā)者。
相對于提升這些能力而言，在短時間內，我們更應該加入發(fā)展大模型的大軍。因為這是一個全新的領域，不需要傳統(tǒng)人工智能算法的各種知識，只需要懂得如何將其應用在工程上。
