※ 引述《isaacting (2312312)》之铭言:
: 我先说结论,我自己也觉得这机率很低,虽然我主要是韧体工程师
: 我有一位朋友,没有念大学,但看到网络上有许多转职前后端的影片后
: 就也兴起了想要成为前后端工程师的想法
: 但由于某些因素,他无法静下来好好地念书写code,他就会想利用使用全AI的方式
: 来帮助他写code,然后来取得这个职位。
: 我个人是认为这个想法不切实际,主要的原因有几个
先不用谈那些面试会遇到的问题,因为基本上目前的LLM能够作到的能力是boosting
跟teaching而boosting的基础使用者要会写code,而teaching的的结果是使用者会
写code
不可能无中生有,因为这违反了目前LLM的基本逻辑:文字接龙。所谓的文字接龙
,前半段提示词的好坏,决定后半段生成内容的品质,当用户连怎么正确描述自己
的问题都不会的时候,LLM只会生出不成熟,不符合需求,需要大量修改的产出,
而不会写code的结果,会导致用户根本不知道要怎么跟LLM沟通去改接下来的code。
甚至即便是GPT-4,也会产生一些根本不存在的函数,根本不存在的参数,让开发者
花更多的时间找出正确答案。
第二个,程式以外,还有架构,真正在业界写程式跟在学校不一样,一个应用包含
的许多程式会被切割成多个部份,分在整个专案各处,而目前的LLM除非经过特殊
处理去整合知识库,很难去跨档案组织整个专案,实务上,除非你被分配写script
之类的code,除了写code,还需要组织能力。
你朋友基本的问题在于,根本不知道现在的AI的限制与功能,就先别提到后面的问
题,可以使用全AI的方式来写code的人,是本来就会写code的人,而且越会写code
的人,他能用AI写code的比率就越高,因为他能知道哪些可以用AI,那些AI作不到
,作不好,然后用精准的方式描述问题,能快速判断AI的产出哪些可用,哪些还需
要refine,这也是为什么微软称之为copilot,而不是AI engineer。