supawork ai使用教程

各位同学大家好，我是风琴，欢迎学习艾沃克系列课程第一章开发准备第二节下载安装。本节呢我们将把艾沃克的开发环境以及其他的辅助工具下载下来，并且安装完毕。 我们先来看 i work 的开发环境，首先呢它有两种方式进行下载，一个是我们到 i work 的官网，一个是我们到请文件去进行下载，我们来看官网，点击打开。 好当前呢，我们转撬到了一个网页啊，大家要看一下这个网页，记一下，也可以在百度进行搜索， 请大家跟着我的鼠标，我们到右上角，这里有个 iwok 的一个下载，我们点击它一下， 他给我们弹出了一个客户端的一个下载窗口，我们来看一下这个呢就是我们 windows 版的爱 work 的 id， 也就是开发环境， 它附带呢，我们还要下载一个 iwork 的开发助手，这个助手呢，我们要把它安装在我们的移动端设备上进行开发调试。必须要有这个东西是 ipk， 他为了方便你呢，他这里呢显示了二维码，这样呢，你可以在征地上进行扫码下载，如果你是模拟器 器，那就不需要了，就直接点击 ipk 下载就可以了，因为模拟器是在电脑上去去啊去运行的。好，我们关闭，我们点击显示二维码。好，大家就可以啊，就可以扫码， 现在呢我们就点击 pc id， 再点击 ipk。 好，他就在下载了，你会发现啊，非常慢啊，非常慢呢，是服务器的这个啊，速度的问题， 我们把这个取消掉，我们不选择这个东西，不选择这个方式进行下载。 大家进这个群可以看一下群号码，进去以后呢，打 打开我们的请文件，找到 ioc 杠 id 进去，进去以后呢，这里面啊有很多的文件。首先这个是 pc 端的一个助手， 这个是 h i d 的一个浮端，他们两个和下面这个箭属驱动是相辅相成的，必须结合起来用， 先不要管这两个东西是干什么用的啊，后面会去讲的。还有个安卓的一个助手， 还有个微软的 c 加加库，这个微软的 c 加库它有什么作用呢？它的作用就是说假如是说你的系统不兼容艾沃克，有可能你缺少了 c 加加的动态连接库，那么你可以把这个东西 下来下来进行补齐啊，避免你这个 pc 端的这个 id 用不了。 好，那么这里呢，我们就直接点下来就可以了， pc 端助手里面已经包含了安卓的一个助手，所以说我们不点安卓助手了，那么这个呢， h i d 的这个服端我们要下载下来，还有我们的键数驱动，我们要下载下来 啊，微软的话呢，顺便下来，下来了 好，下来以后呢，我们就直接打开好，这个就是我们需要的一个东西啊，我们现在呢，我们先暂时 先把安装，先把我们其他的东西全部下载下来，找到其他开发工具，然后呢你会发现这里面呢，这个是一个投屏，这个也是个投屏，这个也是个投屏，我推荐大家呢用这个 啊，其他呢啊，请大家自己看着办啊，需不需要下来 这里我们把这个投屏下载下来，虽然说我们的 i work 这个 id 他内部呢已经内置了投屏工具给你啊，他是内置的，不需要额外的投屏工具啊，但是呢额外的时候我们有可能我们需要他啊，所以说我们现在呢，我们就提前把这个投屏工具下载下。 好，那么下载完毕了啊，就四个，一二三啊，五个啊。好， 如果我们开发的是什么是真机的话呢？我们就用数据线进行连接，进行调试开发，如果我们开发的是模拟器的 这个自动化，我们就要下载什么模拟器，这里呢我们点击一下打开 red 模拟器的官网进去，进去以后呢跟着我的鼠标这里呢有一个下载模拟器， 点击一下，好，就下载完毕了，我们也可以下载雷电九点击一下。 好，我们发现我们的浏浏览器他不让去下载，不让去下载怎么办呢？选择右键保留，仍然保留好，就已经下载完毕了。 好，我们下阶段呢我们就来讲这个安装这个 下载的文件是不一样的啊，我们要提前先把它打开好，是这样子，然后把这个关掉，再把这个关掉。 现在呢我们就来安装我们的 air work， 这个呢它是个压缩包，压缩包呢，我们这里呢我们就选择右键全部解压缩提取 好，完毕啊，完毕以后这里呢我们就可以看到一个 pc 端的一个助手啊，包含了 air worker 的开发环境，进去 这个 a b k， 它就是调试助手上面的这个就是我们需要我们安装的这个 i work 的开发环境的这个软件，我们双击一下打开进行下一步， 我同意下一步，下一步。好，那么当前呢，我们需要选择我们的安装路径 来看一下啊，这里呢他给你路径是根目录，并且呢他给你创建一个文件叫 air work， 这里要给大家说一下啊，就是我们安装任何软件，我们尽量不要安装在中文目录的软件啊，这个文件当中， 尽量的安装在我们的根部路，你可以去，你可以是 c 盘，也可以是 d 盘，也可以是 f 盘，也可以是 e 盘啊，都可以， 我们来打开此电脑，跟着我的鼠标。 这里呢啊，我其实呢我已经安装过了，我安装在 d 盘的，但是为了教学呢，我这里呢我就把它放在什么呢？放在 f 盘，打开 f 盘， 在安装之前我前面讲过，我们尽量我们不安装在有中文目录里面的，比如说我安装在软件安装这里面，这个是不是中文目录啊？尽量不要安装在中文目录， 如果你安装在中文目录啊，无论任何软件他有可能他都会出现错误啊，英文没有关系，但是英文一定要注意， 比如这里这个目录呢叫 a， b， c， d。 好，当前我们看 看了，它是没有任何问题的啊，它的确也没有问题啊，因为它就是英文，英文的一个文件夹， 是不是啊，但是呢这里呢我们来改一下。好，我们会发现什么？发现我们英文的目录是有空格的，这种空格呢是不允许出现的 啊，一定要注意，如果出现这种空格呢啊，那要出问题。好，我把这个东西删除掉啊，记住就可以了。 当年我们安装在 f 盘，尽量安装在我们的根目录啊，就是 f 的根目录第一盘也可以啊，由你自己决定。现在呢这个呢我们就不再改了，我们只需要改我们的是哪个盘就可以了，把这个 改一下就可以了，现在呢下一步，不管下一步，下一步好，现在正式开始安装他，并且呢他给我们创建了一个 i work 的一个文件夹， 现在就开始等待啊，就等待稍微等待一会啊，等待一会 好安装完毕。确定确定以后呢？你正常的情况下我们安装完毕呢，我们会发现我们的桌面出现了一个 i work 的图标， 好，就这个东西当我们双击一下，那么就会被就就会把这个 iwork 的开发环境打开，现在我们暂时先不打开啊， 这个完毕以后呢我们就返回 把我们的这个投屏， 这个我们也可以进行解压缩提取 好，就这个啊啊，这个太深层次了，这个呢啊，我们可以这样子啊，这个是 把这个复制过来啊，复制放了什么？放了我们的 这里面 粘贴好就可以了啊，然后其他东西我们就不管了，然后这个返回掉，返回呢，这个我们安装好了，是不是删除这个我们也安装好了， 也删除掉，这个也删除掉了，我们来看这个 h i d， h i d 呢，我们直接拖到这里面来 进行全部啊，解压提取好就可以了啊， 这个东西呢我们就删除掉 啊，拖不了，我这个还拖不了啊啊，拖不了也无所谓啊，然后我们打开我们进去啊，然后这里面东西呢 来看一下啊，这个第一个，第一个是这个 h i d 的这个服端啊，我们双击一下就可以打开，这个呢就是我们的键鼠的这个驱动啊，这个呢大家先不要去管它，到后面会讲这个东西的啊，好， 微软的这个 c 加库呢，就不再去讲了啊，那么大家呢，如果是说我们的 air work 呢，它出了问题，然后会崩溃或者报错啊，或者缺少什么东西， 那么大家自自行的什么进行安装啊，这些东西呢，我就删除掉了，我就不再去讲了， 来看一下模拟器的安装啊，模拟器呢，我们直接双击这个安装包。 好，那这里呢，他会提示是覆盖安装呢，还怎么安装呢？你可以选择你的路路径啊，这个呢，也不不用再讲了 啊，大家自己去什么进行安装，你可以指定路径，指定路径以后呢，我们直接点安装就可以了，因为我安装过了，所以说他提示什么覆盖安装啊，这个东西啊，好，这个就不再讲了，然后 取消掉，大家自己安装就可以了，包括了我们的雷电五，雷电九，还有雷神模拟器啊，大家自己可以什么到这个百度去搜索啊， 这里呢，我， 我们已经把我们所有的工具啊全部准备好了，现在我们打开我们的 iwok， 跟着我的鼠标双击一下， 好，就已经打开了，打开后你会发现这里他给你提示注意啊，虽然说我们下载的是什么，是二点二点零版本，但是目前已经更新到二点三点五版本了，所以我们必须什么呢进行更新啊，这里呢， 会有几个选项，一定要注意忽略这个版本以后再提醒更新更新啊，所以你现在你必须选择更新 啊，因为以前的版本呢，它的 bug 极多的啊，所以说你必须不断的更新才行，因为当前呢是艾沃克是属于 开始的一个阶段啊，所以说你必须更新到什么呢？更新到我们把这些问题全部解决了啊，那种最好的一个版本啊，好点，更新。 好，已经更新了完毕，然后呢充气了， 重启以后呢啊，我们可以看到啊，这里呢稍微讲一下，因为我们下节课的时候我们还是要继续讲的，你看这个就是锐志投屏啊，并且呢已经提供了主界面的拖拽的一个设计啊，并且呢这里有文档给你去看啊，也有什么呢？ ai 助手， 也有一些什么官方的案例给你啊，非常的一个方便。好，这个呢， 我们就讲到这里，把这个东西关闭掉，我们打开我们刚才安装的那个位置，也就是 f 盘，然后这里不是一个投屏吗？好，我们打开，打开以后呢，我们找到这个，看到双击打开， 好，打开了以后就这个样子的，但是你会发现他是英文的，看到这都是英文的，现在呢，我们要切换什么？切换成中文，简体中文，这里啊有一些中文的一些包， 跟着我的鼠标设置就是这个齿轮型，点击选中这个，打开，找到简体中文， 选择解体中文， 确定好，现在已经是什么已经是啊，全部换的什么换的中文了啊？啊，大家可以看一下啊，都是中文，这些也是， 那么我们的我们的这个雷电安装完毕，然后哦，比如说雷电九啊，我们来打开来看一下啊，双击一下， 好，这个就是雷联九了 啊，有点慢啊，大家稍等一下。 好，那么这个就是雷联九，雷联九呢，我们可以把我们的 air work 的助手啊进行安装，在这里面进行调试，我们也可以把我们需要开发的自动化的一些应用放进去进行开发。 到这里呢，我们本节课就讲到这里，再见。

g p t 也是拼了极致推出了 g p t 五点二，包含了三种模式， instant， thinking pro， 对 比五点一呢，在制作件的表格， excel 演示文档， ppt 编辑代码理解，长文本 处理，图像应用工具，执行复杂多步骤任务方面都有明显的提升。 o p i 呢，对外的材料中强调该模型整体的精度更高，换件更少，尤其是在 thinking 模型，在专业的场景下更适合用高可靠的智能代理的内核。什么逻辑呢？就是 g p t 呢，也是发现了市场份额在不断的下降，所以呢，要尽快的做点调整。 这次调整的主要呢，就是杀向智能体公司的应用层面，这是在上一次 jamalai 三发布之后， samo 奥特曼罕见拉响 code red 红色警报之后，所有资源汇入拆 gpt 以来的第一站。那这个模型的主要逻辑有 点像前段时间我们说的 gpt 三点二，就是把一些艺术家的能力列现在 gpt 中，基本上这也是所有 gpt。 五点二是为了给用户创造更多的经济价值，通过替代 excel 和 ppt 的 能力呢， ai 让用户 每天可以省四十到六十分钟，重度用户呢，希望每周可以省十个小时以上，而且目前这个能力都是开放给定远用户的。从商业化来说呢，最近 open i 也有两个极具反差感的消息，第一呢，是他们和迪士尼呢达成了三年的授权协议，用户可以生成包含迪 士尼、漫威、 pixar 和星球大战等两百多个角色的社交视频。这个其实可能 soar 发展的下一步就 ip 了，部分生成视频还能在迪士尼呢向 open i 呢投资了十亿美元，还是作为重要客户？ 这个就我们之前说的 sora 的 发展的必经之路就是 ip 的 商业模式。第二个消息呢，就拆 c p t 开启了成人模式，因为越来越多的 ai 的 聊天机器人涉足成人内容， open ai 呢，也打算不再做甚人？ simon 表示，明年第一季度呢，将全面的开启成人模式。这个呢，其实跟最近 openroute 新闻的数据也是相关的，据说百分之五十以上的开源的模型都在做角色扮演和生成不适合在工作中展示的图片和视频。所以呢，成人模式已经变成了 ai 应用的一个最大的入口。 可以看出呢， openai 为了对抗 jimmy 的 步步紧逼，既要保持技术上领先，又要快速变现，既要占据企业市场，又不放过任何的流量入口。 我最后呢，也稍微分享一下我认为机模跟应用公司之间的一些关系。最近看到很多国内的，包括美国的一些应用公司呢，其实是打着机模的升级作为顾客的方式，比如说这波黑五就是美国的一个双十一，很多公司呢，都以打着 banana 说我已经上线作为一个核心的卖点去销售自己的计划。 实际上爆了一个问题，就是计摩已经在慢慢的渗透到应用公司领域，那对于很多应用公司来说，过于依赖计摩让未来的效率空间的发展呢，其实也是看 不透更多的解决方案呢，其实变成了提供高级编辑的功能，这其实是与 ai 的 行业和泛式的发展是有点背离的。另外呢，很多的最端的主流 a 阵公司现在因为受到计摩的打压，已经在做各种方式的转向，包括面向企业用户， 面向特定的垂直人群。所以通用智能企业应用公司在计摩的不断追逐下，下一步何去何从？这是一个值得做人思考的问题。

我们来看一下飞书的 ai 编辑的就是全自动干货的插件，就比如说要搜索电商大会的相关视频内容，我只要输入关键词，然后点击一下开始采集，然后弹出一个窗口，然后呢多余表格就全自动画的自动干货这个菜单给它 关一下，还有搜索关键词，然后呢去点击每一个视频，然后呢去点击到我们的数据表格里面， 不仅如此，还可以采集抖音，可以采集小红书 pk 就是 你在这里只需要输入一个指定退出多余表格，就控制你的浏览器全自动化自动干活。

我是大飞，有很多人一直都在担心 ai 会影响我们的工作，但它究竟是如何影响呢？ 二零二五年八月，头部 ai 公司 astropica 做了一次向内审视的研究，调查了一百三十二名工程师和研究员，进行了五十三次深度访谈，还分析了二十万条 cloud code 的 内部的使用数据， 最终发布了一份名为 ai 如何改变 osrb 的 工作的报告。这份报告就像一扇窗户，让我们能够看到 ai 与工作融合的最前沿的场景，里边既有生产力爆炸式增长的惊喜，也有技能萎缩、职业迷茫的引诱。 今天呢，我们就来拆解一下这份报告，看看 ai 时代的工作究竟在发生怎样的深层变更。首先呢，一个明显的趋势是，大家正在用 cloud code 处理更难的问题，而且需要的人工干预越来越少。 具体来看，有三个关键的变化，第一，任务复杂度显著的提升。研究团队用一到五分来评估任务的复杂度，一分是需要人类专家几周或者几个月才能完成的专家级任务。 这六个月里，平均任务复杂度从三点二分上升到了三点八分。第二， cloud 的 自主操作能力增强。 cloud 连续调用外部工具的最大次数增加了百分之一百一十六，从六个月前的平均九点八次上升到现在的二十一点二次，意味着它能够在不需要人类干预的情况下完成更长的工作流程。 第三，人类输入减少。平均每条对话的人类交互次数从六点二次减少到四点一次，下降了百分之三十三，说明完成同样的任务，现在需要的人类指导更少了。 这些数据说明 ai 正在承担更复杂的工作，自主性越来越强，这也是生产力提升的核心原因之一。 其次是任务分布的变化。这六个月里， cloud code 的 使用场景发生了显著的转变，用它实现新功能的比例从百分之十四点三飙升到了百分之三十六点九，用它做代码设计或者规划的比例从百分之一上升到了百分之九点九。 这种变化呢，可能有两个原因，一是 cloud 的 能力提升，现在能够更好的处理这些复杂任务了。二是团队的使用习惯变化，开始把更多核心的工作委托给 ai。 第三，调查中提到，百分之八点六的 cloud code 的 任务都属于小麻烦修复，包括创建性能可适化工具、重构代码以提高可维护性，以及创建中单快捷键等任务。 这些任务呢，虽然单个看起来不起眼，但是累积起来能够带来显著的长期价值，不仅能够提升工程师的日常工作效率，还能够减少工作中的摩擦和挫折感，间接提升整体的生产力。 最后呢，不同团队的使用模式存在着明显的差异。研究团队把八月份的对话记录按照主要任务分类，并按照团队拆分，发现了很多有意思的特点。从整体来看，所有团队最常用的任务都是构建新功能，调试和理解代码， 但是具体到各个团队，差异很明显。预训练团队最常用来构建新的功能，其中大部分是运行额外的实验，对其与安全团队和后训练团队用 cloud code 做前端开发的比例最高，主要是创建数据可化 安全。团队最常用来理解代码，尤其是分析代码库不同部分的安全影响。非技术员工则最常用来调试，比如说解决网络问题或者是 get 操作，同时呢，也会用它来做数据科学相关的工作。 从报告的整体来看， ai 正在从根本上改变 ansible 工程师的工作性质，他们能够完成的工作总量大幅的提升，技能范围变得更加全站，学习和迭代速度加快，还能够着手处理以前被忽略的任务。 但是与此同时，这种变化也带来了一系列的权衡，有人担心深层技术能力会退化，有人觉得难以有效监督 cloud 的 输出，还有人发现和同事的合作变少了，甚至开始担忧自己未来会不会被 ai 取代。 简单来说， ai 带来的不是单向的进步，而是一场充满矛盾和不确定性的深刻转型。 最引人关注的是使用比例和生产率提升的数据，这组对比呢，非常的惊人。一年前，员工们在百分之二十八的日常工作中使用 cloud， 生产率提升大约百分之二十，而现在，使用比例已经达到了百分之五十九，生产率提升平均高达百分之五十。 这意味着在短短一年内，无论是使用广度还是效率提升，都实现了超过两倍的增长。更极端的是，有百分之十四的受访者表示，使用 cloud 让他们的生产力提升了百分之一百以上，成为了公司内部的超级用户。 同时呢， cloud 内部的工程团队在采用 cloud code 之后，工程师每天成功合并的代码提交数量也增加了百分之六十七， 这也从另一方面印证了报告的生产力提升。但是生产力提升的具体表现是什么呢？并不是简单的做每件事情都更快了，而是呈现出了一种时间略减，产出大增的模式。 在几乎所有的任务类别中，员工们报告说花费的总时间减少了，但是完成的工作量却大幅增加。 比如说调试代码这个类别，可能单个调试任务的时间变化不大，但是有些时候会因为需要检查 cloud 的 输出而花费更多的时间。但是总体来看，他们能够处理的调试任务数量大幅上升，最终实现了产出的净增长。 这里呢，有一个很有意思的细节，并不是所有人都觉得用 cloud 能够节省时间，有些员工反而会花费更多的时间在 cloud 辅助的任务上。 主要呢，有两个原因，一方面，他们需要花更多的时间去调试和清理 cloud 生成的代码。另一方面，因为代码不是自己写的，理解 cloud 的 思路和逻辑需要额外的认知成本。 还有一些情况是，员工会利用 cloud 去做一些以前会直接放弃的任务，或者进行更彻底的测试和探索。这些投入虽然增加了时间，但是也带来了更多的价值。 这说明 ai 带来的时间变化是双向的，关键在于员工如何选择和管理任务。对于那些能够快速验证结果的任务，用 cloud 往往能够省时间， 而那些需要深入调试或者是 cloud 缺乏上下文的任务，反而可能更加耗时。还有一个关键问题， 调查结果显示，百分之二十七的 cloud 辅助工作在没有 ai 的 情况下是不会被完成的。这些工作包括扩大项目的规模、制作一些锦上添花的工具、处理文档和测试这类有用但是繁琐的工作，还有一些手动做成本太高的探索性工作。 工程师们提到，现在他们可以修复更多的小麻烦。以前因为优先级不高而被搁置，但是现在有了 cloud 的 帮助就能够轻松的完成。 以前因为优先级不高而被搁置，但是现在有了 cloud 的 帮助就能够轻松地完成。 有一位研究员的分享就很有启发性，他说，大家往往把强大的 ai 模型看作是一辆更快的车，但实际上拥有这样的工具更像是拥有了一百万匹马，可以同时探索多个不同的解决方案。 这种并行探索的能力让工作变得更有创造性，也让工程师们敢于尝试以前不敢想的思路。这也解释了为什么百分之二十七的新增工作大多都是探索性、扩展性的，因为 ai 降低了尝试的成本，让试错和拓展变得可行。 那么到底有多少工作可以完全委托给 cloud 呢？虽然使用频率很高，但是超过一半的员工表示，他们只能把零到百分之二十的工作完全委托给 cloud。 这里需要说明的是，完全委托的定义因人而异，有些人认为是完全不需要验证，有些人则认为是只需要轻度的监督。但是核心的原因是一致的，工程师们会和 cloud 进行积极的、迭代式的协助，尤其是在复杂任务或者高风险领域，代码质量标准极高， 必须对 cloud 的 输出进行严格的验证。这说明在 ansorefig， ai 更像是一个需要紧密配合的搭档，而不是一个可以甩手掌柜式托付任务的下属。大家对于完全委托的标准是非常高的。 看完了量化的调查数据，我们再深入到定性访谈的内容，听听工程师们的真实感受和体验。这部分能够让我们看到数据背后更鲜活的故事和更深刻的矛盾。 首先是大家如何决定把什么任务交给 cloud， 也就是 ai 委托的策略。通过访谈发现，工程师们已经形成了一套相对成熟的判断标准，他们更愿意委托的任务通常具备这几个特点， 一是自己不熟悉但是复杂度低的任务。二是容易验证的任务。三是定义清晰、相对独立的任务。四是代码质量要求不高的任务。五是重复或者是枯燥的任务。六是 ai 干起来可能比自己更快的任务。 值得一提的是，这些委托策略和外部研究机构密特的发现不谋而合。密特发现，在开发者对代码库非常熟悉，或者代码库庞大复杂的情况下， ai 反而可能会降低生产率。 而这些情况恰好是 anseva 的 工程师们选择不委托给 cloud 的 场景，这说明能否正确选择适合的任务，是 ai 能否提升生产力的关键因素，未来的相关研究也需要重点关注这一点。同时呢，工程师们对于 cloud 的 信任也是一个循序渐进的过程， 很多人一开始只是用 cloud 处理简单的问题，后来呢，逐渐开始委托更复杂的工作。有一位工程师用谷歌地图做了一个很贴切的比喻，一开始只是在不认识路的时候用，后来呢，熟悉的路线也会用，甚至日常通勤都会依靠，相信他能够考虑到所有的选项。 因此，对于 cloud 的 使用也是从简单的辅助到深度的协助，信任是逐步建立的。不过呢，在是否用 cloud 处理自己专业领域内的任务上，大家的态度分成了两派， 有些人只在边缘领域使用，节省时间，有些人则更愿意在熟悉的领域使用，因为他们能够更好的验证输出。有一位安全工程师分享了一个很重要的经验， cloud 的 有的时候会提出聪明但是危险的解决方案，就像是一个非常有天赋但是缺乏经验的初级工程师会做的那样。这种问题只有具备丰富经验和判断力的人才能够发现。 这也提醒我们，在高风险领域，人类的专业判断依然不可或缺。还有些工程师则两者兼顾，要么不管什么任务都让 cloud 先尝试，要么根据自己的专业程度调整方式。如果是自己精通的领域，就更加主动地指导 cloud。 如果是不熟悉的领域，就让可老的扮演专家决策，提供选项和思考方向。那么大家会把哪些任务牢牢的抓在自己手里呢？答案很一致，需要高层战略思考，涉及组织上下文或者品味的设计决策。 由于工程师说到自己通常会保留高层思考和设计，把新功能、开发、调试等能够委托的都委托出去，这也和调查数据相呼应，设计和规划任务的生产率提升是最低的， 不过呢，这个边界并不是固定的，随着模型能力的提升，大家会不断重新协商。报告里的数据也证明了这一点。现在用 cloud 做代码设计和规划的比例比六个月前大幅上升了。 接下来呢，我们来聊聊技能转变这个核心的矛盾点。 ai 到底是让工程师变得更强大了，还是让他们的核心技能逐渐退化呢？ 先来说说积极的一面， ai 让工程师的技能范围变得更加全站，能够涉足以前不敢触碰的领域。 很多员工表示，他们现在能够完成以前超出自己专业范围的工作。后端工程师能够搭建用户界面，研究员能够自己创建数据可式化。这种能力拓展带来了很实际的好处，反馈循环更加紧密，学习速度更快。 以前可能需要几周时间、多次开会才能够完成的流程，现在通过和同事的实时反馈，几个小时就能够搞定。更重要的是， ai 降低了工作的启动门槛，让工程师们更敢于尝试，也更容易克服拖延。 有一位资深工程师说，这些工具让初级工程师变得更加高效，也更敢于承担以前不敢接手的项目。 还有人表示，用 cloud 大 大降低了开始解决问题的心理阻力，所以他们愿意去处理更多额外的任务。 但硬币的另一面是对技能退化的担忧。很多工程师提到，随着委托给 ai 的 任务增多，自己的深层技能可能会萎缩，尤其是那些在手动解决问题过程中附带获得的学习会消失。 gemini and gmail can help you summarize long threads and suggest brilliant replies faster than it took me to sip。 有 一位员工解释说，如果你自己去调试一个难题，可能会花时间阅读很多和直接解决问题无关的文档和代码，但是在这个过程中，你会建立起对于整个系统的理解。而现在 cloud 能够直接带你找到问题答案，这种系统性的学习就少了很多。 还有人说，以前会自己探索各种配置，了解工具的全部功能，但现在依赖 ai 告诉自己怎么用，导致缺乏深入的专业知识。和同事交流的时候，以前能够随口回忆起来的内容，现在需要先问 ai。 更关键的是，这种技能退化可能会形成一个恶性循环，因为有效监督 cloud 的 输出，恰恰需要那些可能因为过度依赖 ai 而退化的编码技能。这就是所谓的监督备论。 有一位员工说的很实在，他更担心的是监督的问题，因为这主要会影响他安全使用 ai 完成任务的能力，而不是独立完成任务的能力。 为了应对这个问题，有些工程师会刻意进行无 ai 的 练习，即使知道 cloud 能够完美解决某个问题，也会自己动手来做，保持技能的灵敏度。 这就引出了一个更深层次的问题，在 ai 时代，我们还需要那些手把手的编码技能吗？有一种观点认为，软件工程正在经历一种向更高抽象层次的转变，这和行业历史上的变更是一致的。 早期的程序员需要直接和机器交互，手动管理内存，用会编语言编程。后来呢？更高层次、更易读的编程语言出现，自动处理了那些复杂的底层操作？ 现在，随着外部抠定的兴起，英语可能正在成为一种新的编程语言。 osrbake 的 一位员工就建议，未来的工程师应该学会让 ai 来写代码，自己则重点学习更高层次的概念和模式。 有些员工呢，也认同这种转变，他们觉得这让自己能够跳出具体的代码，更关注最终产品和用户的需求。 有人用计算机科学中的练表举例，以前呢，大家都要学习如何实现练表，这是基础结构。但是现在更高层次的编程语言已经自动处理了，虽然了解底层原理很重要，但是实际工作中不需要再手动的实现。 不过呢，也有人指出，抽像是有代价的。随着向更高层次语言的转变，大多数工程师已经失去了对于内存管理的深入理解。现在 ai 带来的抽象可能会让大家失去对其他核心技能的掌握。 对于技能退化的担忧，大家的态度呢，也分成了几派。有些人并不太担心，认为 ai 能够帮助自己更快的探索和测试，想法在某些领域加速学习。 有些人呢，则比较务实，认为软件工程师的技能肯定在退化，但是如果将来需要，有些技能还能够捡回来的。还有人表示，自己失去的只是一些不太重要的技能，而那些关键的代码编写能力依然很强。 最有意思的是一位工程师的观点，他直接挑战了技能退化的前提，认为这种说法是假设编码会回到考到三点五之前的状态，但是这显然不会了。 除了技能， ai 也在改变大家对于编码工艺的理解和工作的意义感。工程师们在这一点上分歧很大。有些工程师感到了真切的失落，认为一个时代结束了，在这项技能上的胜任感是职业满足感的核心部分。 还有人担心自己无法适应新的工作性质，认为自己一整天都在给 cloud 写提示词，并不是很有趣，也没有成就感。 但是也有人接受了这种权衡，认为自己确实会怀念写代码的某些时候，比如说重构代码时进入的那种新流状态。 但是总体来说，现在的生产力提升太大了，愿意放弃这些。还有人觉得和 cloud 的 写作更加有趣，因为对 ai 的 反馈可以更挑剔，而和人类写作时会有所顾虑。更有一些人发现自己真正喜欢的不是写代码这个过程，而是代码带来的结果。 说到底，大家对于 ai 辅助工具的接受程度，取决于他们在软件工程中最看重的是什么，究竟是过程本身的乐趣，还是最终产出的价值。 报告中还显示， ai 不 仅改变了人和工作的关系，也改变了人和人的关系。一个非常突出的现象是， cod 已经成为很多人寻求答案的第一选择，而以前这些问题会问同事。 有一位员工说自己现在问的问题比以前多得多，但是百分之八十到百分之九十都问了 cloud。 这就形成了一种过滤机制， cloud 处理常规复杂性的咨询。而同事们则专注于解决那些超出 ai 能力范围的、更复杂的、更需要上下文或者战略意义的问题。 有人形象地说，这样自己对于团队的依赖减少了百分之八十，但剩下的百分之二十事关重要，自己还是会去找他们。除此以外，大家还会像和同事交流一样，和 cloud 碰撞，想法把它当做一个及时可用的协助伙伴。 不过呢，并不是所有人的协助模式都发生了变化。大约一半的员工表示，团队的协助模式没有太大的改变。 有一位工程师说，他仍然会和同事开会，分享上下文，共同决定方向。他认为在不久的将来，写作依然会很多，只是不再是传统的专注于工作，而是会和很多个 cloud 的 交流。 但是另一些人的体验则完全不同。有人认为自己现在和 cloud 的 一起工作的时间比和任何同事都多。对于这种变化，大家的态度也各不相同。有些人喜欢这种减少社交摩擦的方式，不用再担心占用同事的时间，感觉很好。 有些人则不太适应，更喜欢和人当面工作，也非常重视这种交流。还有人感到失落，现在需要同事的地方变少了，有点难过。更值得关注的是，这种变化对于传统的导师模式产生了冲击。 i love this sql database allows you to write sql you。 更值得关注的是，这种变化对于传统的导师模式产生了冲击。因为 cloud 可以 为初级员工提供很多的指导，所以他们向资深工程师请教的次数减少了。 有一位资深工程师分享了自己的感受，看到初级员工不常来问我问题，有点难过，但不得不承认，他们的问题得到了更有效的解答，学习速度也更快了。 不过，这种由 ai 进行的知识传递虽然效率更高，但是也失去了人与人之间交流中附带的经验分享、思维引导等等隐性的价值，而这些价值往往对于初级员工的长期成长有关重要。 那么，在 ai 持续迭代的背景下，软件工程师的未来究竟会走向何方呢？很多工程师都表示自己的角色正在从写代码的人转变为 ai agent 的 管理者，有些人甚至经常同时运行多个 cloud 的 实力。 有位员工估计自己的工作已经百分之七十以上转变为代码的审查者或者是修正者，而不是全新代码的编辑者。还有人认为未来的角色会包括对一个、五个甚至一百个 cloud 的 工作负责。 这种角色转变意味着工程师的核心能力要求正在从编码能力转向管理、监督、指导 ai 的 能力。 但是在长期来看，职业不确定性是普遍存在的，工程师们都认为当前的变化是整个行业转型的前兆。但是对于几年后的职业面貌，大多数人都表示很难说。 有些人陷入了短期乐观和长期担忧的矛盾，短期内很乐观，但是从长期来看，认为 ai 最终会做所有的事情，让自己和很多人变得无关紧要。还有人表达的更加直接，感觉自己每天来上班都是在让自己失业。 当然了，也有一部分工程师持更乐观的态度，有人为初级开发者感到担心，但是同时也欣赏他们对于新技术的渴望。 他认为，虽然存在经验不足的工程师可能会发布有问题代码的风险，但是随着 ai 防护机制的完善，内制教育资源的增多，以及大家从错误中自然学习，这个行业会逐渐的适应。 当被问到如何规划未来角色，有没有适应策略的时候，大家的答案也是各不相同。有些人计划进一步专业化，培养有意义的审查 ai 工作的技能，需要更长时间和更多专业知识，这会是未来的核心竞争力。 有些人则认为未来会更注重人际和战略工作，人们会花更多的时间达成共识，让 ai 专注于执行。 还有人把 cloud 当做职业发展的工具，用它来获取工作和领导技能的反馈，认为自己学习东西的速度，或者在不完全学习的情况下，有效工作的能力已经被完全改变了，成长上限被彻底的打破。 不过呢，总体来看，大多数人都承认存在深刻的不确定性。一位团队负责人的观点很有代表性， 他说，没人知道会发生什么，重要的是保持极强的适应能力。这种对于未来的迷茫，并不是因为大家缺乏规划，而是因为 ai 发展的速度太快，行业转型的方向太不确定，以至于很难制定长期的、明确的职业规划。 总的来看， ansc 的 这份报告揭示 ai 确实正在重塑我们的工作，但它最终会把工作变成什么样子，很大程度上取决于我们如何应对这种变化。 是被动地接受技能退化和职业替代，还是主动利用 ai 拓展自己的能力边界，找到新的价值定位呢？应该说， anastropy 的 探索才刚刚开始，而我们每个人的探索也才刚刚开始。那大家在实际工作中有没有感受到 ai 带来的变化呢？欢迎在评论区留言。