@UmiKz 十年前我在 V 站吵架的时候，他们说我百度，现在说我 AI 。我能尊重，并理解一个人思维的匮乏和表达能力与表达欲望的缺失。

@yrom 即便不讨论大语言模型的检索、联网能力提供的上下文，只聊模型本身，过拟合情况也急剧减少了。

1 、目前的模型更大，所以你可以理解为，其对于语料的统计学分析更彻底。更正确，更底层的答案的统计学优势更强。也就更不容易落入肤浅的统计学谬误。
2 、目前的大语言模型不止局限于监督机器学习，强化学习也占一定的比重。一定程度上可以缓解语料过于单一与局限导致的过拟合。
3 、其实人类的很多行为，也是基于历史过拟合的。

再加上因为上下文的增大，联网能力和信息库检索，能够进一步的抹平模型本身的认知时效性问题。

而且讨论技术有一个流氓陷阱。

当一个结论即将呈现时，自觉错误，或者弱势的一方会开始耍流氓。

比如：你的方案优势不就是是 X 、Y 吗？“在我的场景里”或者“我认为”X 、Y 根本不重要。

其实即便退回到 ChatGPT 时刻之前，在 V 站讨论“如何写代码”也是个伪命题。

你可以随便搜下，多少年了，http 请求中 Token 的定义到底是什么在 V 站都还聊不清楚。
有多少人把 token 和 jwt 划等号的。
又有多少人装世外高人，故作高深故弄玄虚。

中文社区中，把语言、框架当工具的人少之又少。
更多的是，我用的语言、工具、开发环境就是真理，你不用，你和我的理解不同，你就是 loser 。

有点意思，每个星星都是个 dom 元素。

参与门槛变低了，但是实际门槛没变。

因为：
1 、你怎么知道你的“系统”如何抽象成逻辑流程最合理？
2 、你怎么知道 AI 需要什么上下文？
3 、整个工程在开发过程中要怎么管理？
4 、如何规划人力？

以上才是真正的软件工程的本质。

如果只从“输入代码”这个狭义的角度考虑，目前我司应该在第四档。

但是目前 code review 的比例应该也是 100%的。也就是生成比例高，但复核比例也高。

1 、招投标收紧和 AI 没什么关系，本质上是资金和未来预期问题。
2 、甲方用 AI 能做，其实就说明原本自身也能做，只是因为资金充裕，未来预期乐观，没有必要内部消化。

其实以上就说明楼主的企业主营是一个竞争力不强的垂直领域，不可替代性很强。

如果说要调整的话，更多还是要从业务入手。甲方宁肯自研也不用你们，说明你们的成果基本没体现出优势。毕竟单纯从经营角度讲，自研的风险和损耗比外包大得多。

而且，反过来讲，甲方在用 AI 赋能，你们其实也可以。而且作为深耕的乙方，为何降本增效的效率还不如甲方？

所以别把个人的危机上升到行业。实事求是的讨论单点，比一堆人跟你聊滴滴外卖有意义。

如果我没猜错，我在写这篇回复的时候，上面“滴滴”“外卖”“种田”已经屠楼了。

只要是大语言模型，不管产品化成什么功能，都是“对话套了个壳子”。

就跟科技的本质都是烧开水一样。

@cenbiq 这个其实是另外一个问题，既统计学解是不是真理。我的答案是：不是真理，但有很大价值。

@craftsmanship 国产 AI 也是一样，deepseek 的发言要远比任何国内媒体都要更透彻且直接。相比而言，抖音上面的内容一度我认为不是中文。

百度会把骗子放在置顶，但 deepseek 不会让你去莆田系割包皮。

大语言模型是一种真正意义上的信息平权。
它提供的是信息的绝对统计学解。而且因为其数据的数量级过大，导致人类很难出于利益、政治等考量对输出进行有效干预。

在此之前，任何的文字信息，都是通过人类制定的规则与组织筛选呈现的。
报纸有报社，书有出版社，广播、电视有广电总局，教育有教育局，搜索引擎有搜索引擎公司和排序算法。

只有大语言模型，能够给出人类语料真正的统计学结果。

所以在我看来，这一波机器学习为底层的统计学 AI 的兴盛，除了算力的爆发、算法的突破造成的共振以外，其因为其高成本、大数据量导致的无法低成本干预，从而绕过了绝大多数的既得利益者的防御措施，也是其真正能够打破社会体系，真正释放给普通民众使用的根本原因之一。

@Kirkcong 一样有这个问题，如果 cherry Studio 决断用 opus 给你分析文档，一个文档分析用掉你几十美金，你会同意吗？

这还不是最恶心的。你花几十美金分析了一个文档，最后出图的时候文生图模型跑飞了。这个损失怎么算？算文生图模型的问题，还是文档分析模型的问题？还是模型调度机制的问题？

再加上你跑一半，你的某个 API token 余额透支了呢？等等这种完全不可控因素非常大。Cherry Studio 这种产品只是一个可视化 API 调度器，他不提供收费服务，自然也没有权利和义务决断你的消费选择，更不会对结果负责。


所以只有以 Request 作为收费单位（而不是 token ），才有可能合理的智能分配模型能力（比如各家的 AI Coding ，都有 Agent 模式）。

但话说回来，这种以 Request 作为收费单位的产品，其“模型选择”其实就是一个黑盒了。即便你选的是“某某模型”，其实也只是选择的收费标准。实际上跑的是不是那个模型，你的提示词被如何加工，对你都是未知的。

这是因为模型的选用，和用户的利益成直接正相关关系。而且和结果不成线性正比。

举个简单粗暴的例子，免费模型和 opus 都可以告诉你 1+1=2 。但是 9.1 和 9.9 哪个大呢？

任何其他人、组织，都不可能客观评判你的问题哪个模型性价比最优。更别提这其中还有利益问题。

很多问题是这样的，你不着手，其实你是不知道这个产品/技术/设定的真正的用途或者说逻辑在哪里。所以我的经验是，但凡想上手一个东西，先低成本的尝试一下，哪怕不像投入沉没成本，也要是至少要去了解一下全流程。不要去思考值不值得，以及应不应该的问题。

只有真正上手了之后，才能 get 到“它”的实际用途，和给你的观感，然后再聊能否创造价值或者是否有用的问题。

而且即便你了解上手之后，没有发现真正的用途，或者发现用途和自己的预期不一致。也并不意味着你整个体验的过程是浪费的。因为知识是网状结构的。所有信息不光服务于垂直领域，也会增进你对其他领域的认知和逻辑思路。

要珍惜自己的好奇心。

从演进的流程上来讲，确实是这样。一开始的 AI Coding 主要体现在 Tab 提示，然后逐渐演进到 Chat ，然后再演进到 Agent 。
总体上来讲，一定是人的干预越来越远离实现本身。

但讨论这个没什么意义。

首先，因为提出需求的是人，这就导致人必须参与输入。你不输入你的需求无从表达。
其次，相同的需求，表达方式多种多样，总会有人掌握更优秀表达需求的能力。
最后，你要明白为何目前的统计学 AI 的解决方式是 Agent 。因为是基于目前的上下文能力，以及模型向量转换次数所限。最终的终局，AI 产出一定不是 Agent 的。

你看现在还有人讨论“提示词工程”么？还有人因为写提示词更好引以为傲么？

在我看来，Agent 就像是提示词工程一样，只是基于有限能力下的临时性解决方案。仅此而已。

微服务是一种理念。不是一个技术选型或技术选型组合。

nacos 只是阿里给微服务做的一个平台工具而已。你可以用，也可以不用。楼上举出了很多替代方案和其他的实现方式。

这个变量很多。除非控制变量，否则很难横向对比。

所以哪个用的最顺手，用哪个就好。

不了解微信，但是每个不同的渠道，是有可能不是同一个软件的（也就是包名不同）。
这个和国内的应用市场的强势程度有关。

游戏行业比较常见，部分游戏在某品牌手机就是单独的服务器（所谓渠道服）。