鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
8
3
1

老板喊朋友谈话,说公司要把前端岗撤掉,尝试用AI+少量开发…

科叼
科叼
2026-04-08 17:59
阅读 1469
科叼
2026-04-08 17:59
阅读 1469

话说过年期间晚会上那几个火出圈的机器人,大家看了么? 看着它们在台上蹦跶的样子,不知道你们咋想,反正我觉得挺诡异得,跟看被电的尸体没啥区别。 但上帝归上帝,诡异归诡异,目前不得不承认的一件事是,整个社会的资金正在疯狂往这个方向流。 不只是机器人,AI 的气氛也已经开始在全社会蔓延。 我一个朋友,今年就活脱脱体验了一把。 元宵一过,老板把他叫去谈话,说公司打算把前端岗位撤掉,准备尝试 用 AI + 少量开发人员替代。

受这个启发吧,开年第一篇,搞一点小思考,也算是给未来发几张 “预言牌” ,过几年再回来看看自己到底说对了几张。 我先确定三个基调作前提,如果各位看的觉得不爽,或者觉得我这基调定的就是错的,那没关系,佬佬们直接去评论区开喷就行。

基调

基调一:目前的AI,没有人类的思考能力!甚至没有真正的逻辑脱离能力!! 这是AI目前最大的缺点。AI所表现出的“逻辑推理”,本质上是一种高度复杂的数学概率+模式匹配。 举个例子,人思考要吃什么,那么脑海里会有各种想象,会想着麻辣香锅的香,或者朋友说的你是不是胖了,或者想着冰箱还剩下什么,这是基于真实物理世界的经验和自我意识思考的结果。 而AI只是把你的问题转化成一连串的token,然后在一个从人类已产生的海量文本诞生的千亿级别的数学模型中,计算出最有可能出现的文字。 打个比方,AI就像熟读天下武功的王语嫣,能精准背出下一招,但她其实一点武功都不会。 由此带来AI最大优点,就是对已有知识和经验的总结非常牛X! 而且这个缺点,在未来没有更大量级的算力出现之前,会一直保持,AGI出现也不行。 基调二:未来干咱们这行的人只会更多 每次有出生率创新低的新闻,我有一些朋友就像被打了激素一样的快乐,感觉就是:嗯?人越来越少了,那我以后是不是更值钱了? 先看俩数据吧。 第一张,近25年的出生人口数据。

1.png

第二张,毕业大学生的数据(2026年后的都是推测,单位:万/人)。

22.png

加上近些年,大力推高新技术。 只想说,现在出生的,22年后,你还在上班,他们估计还是你的竞争对手,你看企业喜欢老油条还是新力量。 这就引出了下面的第三个基调

基调三:企业决策的核心是成本 这点就不用解释过多了。一句话就够:资本不相信眼泪! 企业用人逻辑很简单: 能一个人干的活,绝不会雇两个人。 能用工具提升效率,就会减少人力。 AI 的出现,本质上就是一个 效率工具。 所以企业一定会尝试: 用 AI + 少量工程师 → 替代更多工程师

综上所述,我要发牌。

第一张牌:IT岗位将按业务场景细分 啥意思呢?就是未来的招聘不再是简单的描述“前端工程师”,而是可能会是:电商前端、低代码前端、游戏H5前端,AI产品前端等等,可能是这样的描述,也可能是另外的。 这个也就是企业最看重的:你是否能直接解决它的业务问题。 有行业经验的前端,目前可能优势就会很大。 然后再慢慢发展,会出现这样情况: 公司把相关业务的文档、流程。代码,全部喂给AI。过往经验得到保留,应届生又要的少,企业又开始倾向新人。 但还有一个好的方面,当这种趋势在社会中越来越明显,岗位按照“业务场景”进行的区分将会更加细化,垂直类的岗位也会变得更多。 然而,这种变化是否新的岗位数量大于失去的岗位,这个不明了。

第二张牌:面向AGI编程 现在AI还停留在“读书”阶段,读各种资料,看各种片。他们目前缺乏人类感官所获得真实数据。还有一种数据,就是为人类服务的流程数据。 感官数据,可以通过这种传感器摄入,那为人类服务的流程数据需要人为搭建。拽一下,就是AI为产业赋能。

直白话,为每一份上门服务的订单,接上AI。在这里举列的只是一个很简单得应用,更复杂的融合暂时想不到,想到自己就去干了。 但这个职业出现的前提,得搭着下一张牌。

第三张牌:流量入口的变化 这个是沿用互联网的逻辑,历史进程大致这么分:门户 → 搜索 → 社交 → 短视频。现在,估计走到AI这个路口。 春节期间,各大AI类APP费劲巴拉的整那些活动,就图的这个。 当流量入口变化,现实生活中的服务就会被接入AI类APP中。人使用APP的习惯也会变化,然后,就真的可能你未来跟某一个人聊天,真的搞不懂他是不是人呐。

对于开发者来说,搭着第二张牌,有可能来一波财富?

第四张牌:高薪IT工作机会在AI触及不到的地方 按照我刚才定的基调,目前AI最大的优势是对已有语料的总结。那么,对于那些“未开放的”、缺乏庞大开源语料的领域呢? 比如应用安全,计算机基础资源(CPU、GPU、存储)集群服务等等等。那里面能衍生很多方面的,有志于此的大家可以让AI拆解下。

另外一个,就是黄仁勋教主说的,去“搬砖”。给谁搬个家,修个空调啥的。 呃...费用还能日结,挺好的。

<技术大厂,前端-后端-测试,全国均有机=会 ,感兴趣可以试试。待遇和稳定性都还不错~>

第五张牌:全干工程师的出现 这个其实就是:个人开发能力被AI放大 以前一个产品需要: 产品经理UI设计前端后端运维 现在可能一个人 + AI 就能完成。 于是就会出现两种人: 全栈工程师

→ 侧重技术能力,覆盖多个领域 全干企业家

→ 侧重推广和运营,技术 + 产品 + 运营 嗯...自己当老板。

未来再验牌 好了,大概就发这几张牌。 过几年再回来看看,我到底说对了几张。 当然,也可能一张都不对。 毕竟技术世界的变化,有时候比天气还快。 你咋想?评论区留个观点吧。

——转载自:大怪v

前端
AI
人工智能
职场
求职
8
1
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
410
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题