sentinelK
0 、这是趋势，解放生产力，核心就是要解放。但是前提是你要知道什么该解放，什么该攥在手里。资本家从来不会解放自己的人脉和渠道。
1 、所以在使用中应该合理的优化上下文。给 AI 一个明确的任务目标与界限。目前网上用 token 去砸 AI 许愿的风气追不得。最后要么大炮打蚊子，要么产出的内容全…
再反转一下，以上是基于消费者视角。基于 LLM 模型提供者的视角来看，他们立于不败之地。
市面上有更好的工程化实践，就吸纳到自己的嫡系 app 中。 市面上有不利于自己利益的工程化实践，就禁掉。 市场出现了现象级产品？换个模型版本。直接负优化废掉他，自己在做一个。
没用，在 LLM 模型 API 接口本身都是黑箱（动不动降智，更别提还有各种黑中转）的情况下，你根本没法评估 AI 应用的能力和稳定性。
更何况，我个人理解，其实并不是每个人都需要那么“定制化”的工程环境。
目前的 LLM 上下文，已经足够大到只要你愿意提供足够的信息，不人为的隐瞒，基本…
其实之前就有过更经典的了。
快播辩护人说，如果说快播……移动联通电信那么多诈骗……
每个新市场都会有一阵群魔乱舞时代。 如果作为用户这个角度，静待市场稳定就好。
概念和思想可以学习，但是没必要太过焦虑。 很可能你今天引以为傲的 LLM 调用姿势，明天就因为 LLM 模型自身的调整、甚至是 LLM 背后公司的成见，成为废纸。
没人能负责任的解答你的问题，除非他是先知。
本质上，llm 难以替代的，是“不可全面量化”的工作。
这个“不可量化”有很多维度。 1 、公开数据很少。 2 、不以产出来绝对衡量能力与价值。 3 、没有明确的规则边界。 4 、需要取得别人的认可与信任。 5 、你的产出质量远超业界…
即便是现在，copilot 的 ask 模式的代码合并依然还是很烂。 agent 模式应该是改变了最终生成代码的形态，变相解决了这个问题
应该是跟工具，以及基座模型能力二者都相关。
如果是同行，应该是基座模型能力差。 如果是不同行，应该是工具逻辑有问题。
最起码法宝还是实际战力的 pk 。
但现在的 AI Coding 已经比的是谁烧 token 烧的更狠了。真正 coding 的效果没人关心的。
反过来讲，不管是什么项目，以后都应该用 AI 产品先进行一遍 review 。
常言道，道高一尺魔高一丈。