※ 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。