不同的企业，应该根据自身的情况（安全、隐私等等），来调整自己的投资策略。
而随着时间的演讲，也会出现越来越多的新场景，带来不同的变化。
- xxx 公司 CTO： 显著缩短 1 年工作经验和 3 年工作经验的差距。
- LLM 报告，综合 Copliot 研究结果：
- 自动化测试提升 ~60%，通用型业务代码（CRUD）实现提升 ~35%，其它非通用型代码（如云基础设施）提升10-20%
- 提升难点：依赖于开发人员「套路化设计」能力，如拆分任务、多个小的函数。
基于已有流程设计
将流程中的某些环节替换为 LLM，然后对比效果。
对比方式： 选择某个项目作为试点，进行时间评估与对比。
基于新流程与已有数据设计
// TODO
// TODO
在探讨工程是否有未来之前，我们先了解一下狭义和广义的 Prompt 工程。
狭义的 Prompt 工程专注于 AI 领域的 Prompt 优化，即通过优化任务描述来提高自然语言处理模型的性能。典型的做法是将一个或多个任务转换为基于提示的数据集，并通过所谓的“基于提示的学习”来训练语言模型。这有助于训练大型语言模型 ( LLM)，使 AI 能更好地理解需求并完成专业任务。
广义的 Prompt 工程师则是指针对 AI 模型编写 Prompt 的人，以获得更好的结果。他们需要找到合适的提示词，让 AI 发挥出最大潜力。这个角色可以分为两部分：面向大语言模型的工程师和面向落地应用的工程师。
从使用 AI 模型的角度看。随着 AI 技术的发展和普及，对 AI 模型的需求可能会逐渐减弱。这是因为随着模型的不断优化，它们的理解能力和性能将不断提高，使得在许多情况下无需额外的 Prompt 工程即可满足需求。然而，这并不意味着 Prompt 工程没有未来。相反，随着 AI 在越来越多的领域得到应用，Prompt 工程仍然可以为特定任务和领域提供有针对性的优化。
从工程侧的角度看。大型公司可能需要一两位专家来指导开发人员进行 Prompt 工程。通过组织活动（如 hackathon），公司可以提高开发人员对 Prompt 工程的意识，帮助他们结合 Prompt 开发应用，以实现工程化落地。尽管大部分开发人员可能还没有充分认识到 Prompt 工程的重要性，但随着时间的推移，这一情况有望得到改善。
结论
综上所述，工程在狭义和广义上都有一定的未来。尽管随着 AI 技术的进步，使用 AI 模型的需求可能会逐渐减弱，但 Prompt 工程仍然可以为特定任务和领域提供有针对性的优化。此外，大型公司需要专家指导开发人员进行 Prompt 工程，提高他们的意识并实现工程化落地。因此，Prompt 工程在未来仍然具有一定的发展空间和潜力。
有，Prompt 工程师在未来会更像是一个 Prompt 教练、专家的角色，他们会帮助开发者更好地使用 Prompt。
微调（fine-tuning）通常是在已经预训练好的模型的基础上，使用特定的数据集进行进一步训练，以适应特定的任务或应用场景。通常情况下，微调会在以下情况下进行考虑：
- 适应特定的任务或领域：预训练的模型通常是在大规模通用语料库上进行训练的，而在特定的任务或领域中，可能需要使用更具体的语言模式和领域知识。这时候，就需要使用微调的方式对模型进行进一步训练，以适应特定的任务或领域。
- 数据集与预训练数据的差异较大：如果预训练的模型的训练数据与实际应用场景的数据差异较大，那么使用微调的方式可以更好地适应实际场景的数据分布，提高模型的性能。
- 进一步提高模型的性能：在一些对模型性能要求较高的任务中，使用微调的方式可以进一步提高模型的性能，从而更好地满足实际应用需求。
然而，ChatGPT 总结的并不好，当你要考虑微调的时候，你应该考虑的是：
- ROI。微调的成本是很高的 —— 准备数据、训练模型、调参、部署，并进行持续的模型优化。
- 好的基础模型。如果你的基础模型不够好，微调也不会有很好的效果。诸如于 LLaMA 7B 的中文效果不好。
- 工程能力。微调的过程中，你需要有很好的工程能力，包括数据处理、模型训练、模型部署等等。
除此，在你没有思考清楚上述三点的时候，你不应该考虑微调。
对于我来说，我的 AI 策略大致是：
- 拥抱变化，尽管人工智能并不能完全代替人类，但它已经能够大大提高效率。
- 强化构架能力，因为人工智能工具无法代替个人的感性思考和直觉。
- 构建领域小模型，可以快速训练出一个专门用于解决自己问题的小型模型。
- 探索与磨炼技巧，探索 AI 能力并持续构建小工具，来修复和完善自己的 AI 增强系统。
对于修复与完善来说，由于 AI 本身是无法达到这么精细的，所以我的想法是持续构建小工具。