NewMind AI团队用“晚互动“技术让小模型击败大模型
2026/1/16 22:35:09
这篇文章是一位程序员分享自己从传统编程转向大模型辅助编程的经历。AI提升了代码质量，但初级工程师岗位需求减少；使用AI时面临"隐形认知负载"问题，需要在短时间内处理高密度信息；建议在agent coding时代，通过减少决策次数、明确路径和边界来保护精力，找到适合自己的节奏，而非盲目追求速度。
工作方式前半场
工作第6年，前5年刚好踩在互联网疾驰高铁最后一班。
和大多数后端程序员无异，从CRUD、单页 App 开始刷项目经验，学缓存、数据库、数据分析、运维。
遇到问题就靠搜索引擎、翻文档、博客、扒源码，一点点把需求拆解、把方案拼接起来。
被颠覆的下半年
前一年，我还对辅助编程、预测下一行嗤之以鼻，现在回头看，那只是过渡期。
到 2025 下半年，我已基本不写代码，Show Me The Code变成了Code Is Cheap, Show Me The Prompt。
AI 的确提升了代码质量。
以前加班写的，事后回看几乎都是垃圾代码；现在把提示词写清楚，交给大模型完成，只需要确认。审核代码也有大模型兜底，加班写的东西，终于能用了。
当然指向也很明显：时间贫困并没有发生本质改变。
初级工程师困境
AI 并没有摧毁我过去的经验。
在解决需求和问题上，它很像一个自我驱动力强的工程师，分析需求、检索任务、提出计划、反馈修改、拆解任务、逐个完成、测试验证。过去积累的“工程直觉”，只是换了一种方式被使用。
但它已重挫初级工程师的招聘需求，愿意给初级程序员机会的中小型公司越来越少，等一个初级成长，不如给中级一个高配大模型上手更快更便宜。
隐形认知负载
团队给我配备了最顶级的 AI，Gemini 3、Claude Opus，效率确实提上来了，也摸到了一些写提示词、组织上下文的门道，之前需要多轮对话反复确认的方案，现在轮次明显降低，结果可用性也上去了。
但很快，另一个问题出现了，我跟不上 AI 的思考了。
一开始我还很乐意 A 需求开个对话，等结果时切到 B 任务写提示词。慢慢发现，有时不光写提示词，连确认一个计划也需要我全神贯注看细节，找问题，修正反馈。
在以前，光调研、拆解任务就能花掉一整天。
现在它们被压缩成小时甚至分钟级的任务，像是一个10公里以上的中长跑，但你被要求用短跑的速度去理解和反馈大模型输出的结果。
我的大脑有时转不过来了，被迫停下来看点文档、博客，跟当前任务无关的且信息密度低的东西来缓解这种状态。
以前这种情况只可能出现在加班，现在它蔓延到了正常上班时间。
慢下来不是倒退
也许这正是 agent coding 时代的隐性问题：
并非效率不够，而是人类的注意力机制，本就不为分钟级决策密度而设计。
大模型在同一个对话里切换上下文，很容易失去焦点，但只要开启新对话，它又是全新的自己。既然人没办法瞬时清空切换任务，有没有办法减少一点损耗呢？
我没有准确的答案，但有一个方向可以试试。
我们的目标是减少决策次数，如果一开始就明确路径和边界，写尽量详细的提示词和步骤引导，让大模型沿着我们预设的轨道跑，而不是等待它猜测给选项，被迫在短时间内消化信息，是不是就能更好地保护自己的精力呢？
可能明年此刻这个问题依然存在，但人不是机器，旧时代的肉身节奏，不应该正面硬刚新时代的加速度。
未来，大模型性能过剩是必然的，慢下来并不代表古法炼钢，找到自己的节奏和方向感，反而才是必修课。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。