🔧 阿川の電商水電行
2025 复盤 | 🚀穿越AI焦慮周期，進化為 "AI全棧"
1. 今年一定
好幾年沒寫「年終總結」，翻了下「掘金」，上一篇還停留在「2021年」，倒不是這幾年沒活過，也不是不想寫，只是每次都止步於「拖延」。每到年底，腦子裡就會蹦出的各種想法，被我零散地記錄在 "大綱筆記" 中：
寫這玩意挺廢「時間」和「心力」，所以總想着 "找個週末，花一大塊時間，好好梳理一下"，結果都是一拖再拖：拖到元旦，拖到春節，拖到元宵。
然後，轉念一想："這都明年了，還寫個🐣毛啊？算了，算了，明年一定！"。2022、2023、2024 就在這樣的 "明年一定" 中溜走了...
人到中年，主觀感覺「時間」過得越來越快，「記性」 也大不如前，很多當時覺得 "刻骨銘心" 的瞬間 (如：結婚、當爹)，如今回憶起來，就剩下個 "模糊的輪廓"。不寫的話，又是「摸 🐟」一年，趁著 2025 年還沒過完，很多感覺還是熱乎的，趕緊動筆，今年一定！！！
2. 如此生活30年，直到大廈崩塌
2025 年，對我衝擊最大的當屬 "AI"，大到讓我不得不重新審視「自己的工作和價值」。
我接觸 AI 並不算晚，2024 年那會跟風玩了下 ChatGPT，後面在 GitHub Copilot (便宜盜版，30¥/月) 的協助下，快速交付了一個爬蟲單子。嘗到 "提效甜頭" 的我，咬咬牙上了 年付正版 (100刀/年) 的車。
當時 AI 在我的眼裡，只是個 "比較聰明的程式碼補全工具"，可以幫我少些幾行程式碼，僅此而已，因為 邏輯還得我來把控。
但到了 2025 年，事情卻變得有點不一樣了：
AI能讀懂/分析整個專案、重構屎山程式碼、把一個模糊的業務需求實現得有模有樣。
當然，最讓我 "破防" 的還是它的 "解BUG" 能力：
按照以往的習慣，我得去 Google、翻 Stack Overflow、看原始碼，少說得折騰半天。現在，把 報錯日誌 和 相關程式碼 丟給它，通常幾秒就能：指出問題所在，給出解決方案，甚至可以 幫我改好並測試通過。
積累多年，一度 "引以為傲" 的「程式編寫經驗」(對API的熟練程度、快速定位BUG的直覺、配置環境的熟練度等) 在 AI 的面前，變得 "不堪一擊"。漸漸地，我的「工作流程」也發生了改變，"親手" 敲下的程式碼越來越少，取而代之的是一套 "機械化" 的 "肌肉記憶"：
- 寫註解 → 等待AI補全 → 按Tab：哪怕腦子裡知道下一行該寫什麼，手指也會下意識停頓，等待那行灰色的建議浮現，然後無腦按下 Tab。
- 提需求 → 生成程式碼 → Accept：把業務邏輯描述一遍，丟給 AI，都不太細看生成的具體實現，直接點擊 Accept All，主打一個 "能跑就行"。
- 運行報錯 → 複製日誌 → 丟給 AI：遇到 Bug，第一反應不再是去分析堆棧信息 (Stack Trace)，而是CV日誌到對話框，問它："解決報錯：xxx"。
- 效果不對 → 截圖 → 丟給 AI：連描述問題的精力都省了，直接截圖往對話框裡一扔，附上一句 "改成這樣"。
程式碼跑通了，效率提高了，卻帶來了精神上的「空虛」，我似乎再也感受不到當初那種「編程的快樂」：
- 為了解決某個問題，苦思冥想，抽絲剝繭，最後成功 "破案" 時 "多巴胺瘋狂分泌" 的 "快感"。
- 查各種資料、反復推敲、驗證，最終設計出一個自己覺得 "牛逼哄哄" 程式碼架構時的 "成就感"。
同時，也陷入了一種深深的「自我懷疑與迷茫」：
- 越來越搞不清楚自己的「定位」(存在價值)，上面那套 "連招" 找個實習生培訓兩天也能幹。我曾賴以為生的那些 "技能"，正變得廉價、可替代、甚至有點多餘 ...
- 找不到方向，以前「程式設計師成長路徑」很清晰：學語言 → 學框架 → 學架構 → 學系統設計 → 刷演算法 → 搞原始碼 ... 只要你一步步往上爬，爬到 "山頂" 就能成為 "大牛"。而如今卻好像 "失效" 了...
- 可控感被剝奪，程式設計師是典型的「內控型人格」—— 相信通過邏輯和細節掌控能預測一切。而但 AI 的「黑箱特性」帶來了「工具不可控」，無法完全準確預測AI輸出，調試從 "追蹤邏輯" 變為 "試探模型"。
3. 調整對待AI的心態
3.1. 從 "焦慮" 到 "接納"
我深知「焦慮」無用，於是開始探尋「破局之道」，反復閱讀大量資料後發現，幾乎所有人都在讓你「擁抱 AI」，但具體怎麼擁抱法？沒人說，或者說得含糊不清，有些甚至還想割我 "韭菜" 🤡 ？屏蔽這些噪音，冷靜下來復盤，撥開情緒迷霧，透過現象看本質。
首先，坦誠地「接納」肯定是沒錯的，歷史的車輪從不因個人的意志而停止轉動，當 第一次工業革命的蒸汽機 轟鳴作響時，那些堅守手工工場的匠人們，也經歷著相同的困境。精細手藝 在不知疲倦、效率千倍的 機械化工廠 面前顯得蒼白而無力。大機器生產取代手工勞動，不是一種選擇，而是一種必然的 "降維打擊"。
現在，我們同樣站在了 "生產力變革" 的周期節點上， "效率至上" 的底層邏輯從未改變。是選擇成為被時代甩下車的 "舊時代紡織工"？還是進化為駕馭機器的 "新時代工程師"？回歸「第一性原理」，剝開 "智能" 的外衣，想想 "AI 的本質是什麼?" —— 「幹活的工具」
所以，面對 AI，我們要做的事情就是琢磨 "如何用好這個工具? "，即：詳細閱讀使用說明後，在合適的場景，用合適的方式，解決合適的問題。
3.2. AI 有什麼用？—— 能力放大 + 自學利器
3.2.1. 能力放大器
🐶 經常在 自媒體平台 刷到 "普通人學AI後致富/逆襲" 的 敘事，看到這些 "逆天標題" 沒把我笑死：
多的不說，記住這段話就對了：
變現的核心能力從來不是使用工具，而是商業認知、市場洞察、行銷推廣、客戶服務。AI 只是個環節，不要高估了工具的作用，而低估了 商業常識的重要性，也不要低估了背後的 隱性成本和巨大的工作量。
這些 "AI變現教程" 的 最大問題：
讓你把AI當成一個 獨立的、全新的、需要從零開始的 "行業" 去卷。
對於 99% 的普通人而言，把AI看作 "能力放大器" 會更靠谱一點，即：
思考如何利用AI，幫我把我已有的技能/興趣做得更好？
比如：
- 用 AI 減少重複勞動，提高工作效率和質量，把時間花在更有創造力的事情。
- AI 負責廣度，你負責深度，在你熱愛的小眾領域裡用AI武裝自己，做到 "人無我有，人有我精"。
今年「Vibe Coding (氛圍編程) 」很火：
用自然語言描述想要的效果，AI幫你寫程式碼，你只負責驗收結果和提修改意見，不用管具體程式碼怎麼實現的。
編程門檻大大降低，普通人 只要能把 創意和感覺 翻譯成需求，就能借助 AI 將其快速具象化為 可運行的產品。
但你會發現，絕大多數生成的作品都是 "一次性原型或玩具"：靈光一現即可實現，卻缺乏持續迭代、架構設計與用戶驗證，因此難以具備商業價值、也難形成可持續的產品形態。
真正能夠利用 Vibe Coding 實現變現的，往往是具備一定 程式編寫經驗 或 產品思維 的 "專業人士"。他們不僅能用 AI 快速實現靈感，還能對作品進行持續優化、迭代和工程化打磨，從而將 "靈感原型" 進化為 "可用產品"。
再說一個自己觀察到的例子，前陣子 OpenAI 發布了用於生成短影片的「Sora2」，B站 很快湧現了一堆 AI 生成的 "賽博科比" 惡搞影片。
看到一個播放量破百萬的作品有點意思，點進 UP 主的首頁想看下其他作品，結果發現他並不是突然爆火的 "新人"，人家已經默默做了好幾年影片，只是過去的播放量慘淡 (幾十幾百)。但他卻一直堅持創作，嘗試不同的方向，能清晰地看到他的剪輯、敘事和整體製作水平在一點點提高。
AI 不會讓沒有積累的人"平地起飛"，但有可能讓有準備的人"一飛衝天"。—《抠腚男孩》
3.2.2. 自學利器
看到這裡，可能有人會問：
"那普通人怎麼辦？我沒啥專業技能，也沒有長期積累啊？ "
簡單，那就 "學" 啊！！！以前學習的最大限制是什麼？
沒人教、教不好、學不動、堅持難
而現在，你有了一個「全知全能、知無不言、24小時為你服務的免費老師」
- 不會寫程式碼？手把手教你，從邏輯到範例一步步拆開。
- 想轉行？給你路徑、資源、練習清單、復盤建議。
- 想跨領域？幫你建立知識框架，把陌生領域最難啃的部分變簡單。
- 遇到瓶頸？像一對一導師一樣不斷提問、引導、糾偏。
當然，想要這台 "自學利器" 高效運轉起來，實現 快速學習/試錯/跨域 還需要掌握一些 方法論。
詳細解讀可以參加我之前寫的《如何借助AI，高效學習，实现快速"跨域"》
3.2.3. 不要神化 AI
🐶 2333，經常刷到 "xx公司發布新的 xx 模型/AI產品顛覆行業，xx師要失業了" 的標題，但事實真的如此嗎？最近 Google 家的 Nano Banana Pro 🍌很火，號稱當前 "最強AI生圖" 模型，親身體驗下確實強 (本文大部分配圖就是它出的)，天天在群裡吹爆。
某天晚上，有 "多年專業設計經驗" 的老婆收到一個改圖需求 (扣素材，按要求調整海報)：
😄 看著簡單，感覺 🍌 就能做，於是我提出和老婆 PK 下，她用 PS 改，我用 🍌 嘴遁修圖，看誰出的圖又快又好。結果：她10分鐘不到就改完，而我跟 🍌 Battle了半個小時沒搞好，最終的效果圖 (左邊她的，右邊我的)：
🤡 "甲方" 的評價 (破大防了😭)：
觀察仔細的讀者可能會問："你是不是漏了一個車🚗啊？"，憋說了，這破車把我調麻了...
那一刻，我深刻體會到了什麼叫 "不要拿你的興趣愛好，去挑戰別人的飯碗"，真的是 "降維打擊" 啊！
AI 確實拉低了創作的門檻，但目前還處於生成 80分 內容的階段 (效率)，最後的 10-20 分 (細節、審美、情感) 才是價值的核心。——《抠腚男孩》
後面復盤，老婆看了下我的 Prompt，說我的流程有點問題，應該讓 AI 先把素材全扣出來先，再慢慢組合。後面試了下，效果確實有好一些。不過，不得不說，AI 在 自動扣圖 這塊確實可以：
🤣 老婆在日常設計時也會用 AI 來偷懶，比如：生成配圖、提升清晰度、擴圖等。
3.3. AI 是什麼? —— 概率預測機器
現階段談論 AI，其實都是在談論 大模型 (LLM) —— 一個極其複雜的 "概率預測機器"。
通過學習海量資料的 "統計規律"，逐步逼近這些資料背後的 "概率分佈"，從而能夠在給定 "上下文" 時預測最合理的下一步輸出。
不同類型產物的生成原理圖解 (看不懂沒關係，簡單了解下即可)：
① 文本
② 圖片 (擴散模型 & 自回歸模型)
③ 音頻 (自回歸模型 & Codec + Token 預測)
④ 視頻 (擴散式 & 自回歸/時空Token)
3.4. AI 的能力邊界 —— 優/劣勢
LLM 擅長發現 "相關性"，但難以進行真正的 "因果推理"，它只是在 "模仿智能"，而非 "真正地理解意圖，擁有意識"。 —— 《抠腚男孩》
弄清楚 AI 的本質是 "概率預測機器" 後，接著從 "程式碼生成" 的角度梳理下它的 "優勢 & 劣勢"：
了解完 AI 的 優/劣勢 後，接著就可以推演「人 & AI」 的 高效協作方式：
一句話概括：
AI 負責 "生產力" (重複、繁瑣、高上下文、高整合的工作)，人負責 "方向與邊界" (判斷、創造、決策、理解組織與業務)。
4. 必備技能 —— Prompt
一般譯作 "提示詞" 或 "描述詞"，個人認為後者更加貼切，即：描述問題/需求的 "詞句組合" 。「Prompt Engineering-提示詞工程」是所有人都必須掌握的 "使用AI的核心技能"。
4.1. 把話說清楚
🐶 別被幾個英文單詞嚇倒，現在的 AI 比幾年前聰明多了，普通人 只要能：
把訴求講得清晰、完整、有邏輯，就能解決絕大多數問題。
示例：
- ❌ 混亂說法：幫我計畫個週末玩的地方。
- ✅ 有條理說法：週末想帶5歲孩子一日遊，2大1小，預算500以內，北京，不想跑太遠，能放電、有吃飯的地方、避開暴曬，地鐵可達最好。
AI輸出結果 (前者輸出不同城市的遊玩方案，後者輸出了具體的行程方案)：
4.2. 套框架
再往上走，就是了解一些經典的 "Prompt框架"，然後再提問時套用，以提高 AI 輸出的穩定性、準確性和質量。所謂的 "框架"，其實就是 "結構化模板"，規定問題中包含哪些 "要素"，比如最經典的「CTRF」框架：
套框架示例 (填空題~)：
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式
