前端能转agent吗

扎瓦同学，如何才能去转 ai 这个方向呢？最近我看到好多扎瓦同学啊，都发现了一件事，扎瓦这个行业好像一天不如一天了，都在走上下坡路，很多同学啊，都要去想往 ai 的 方向去发展，那么该如何去准备自己的技能，要去学什么东西呢？ 国家咱们这样啊，就是如果大家之前做开发的，你就不要去考虑再去卷算法，卷数学了，因为这些东西可能是你的弱项，你之前工作没用到，你也不是科班出身的，再学算法，再学数学，我觉得相对来说有点来不及了，不如大家直接去发挥你的长处，你擅长做系统集成，擅长去啊开发一些模块，做一些组建。 我建议大家咱们做 nlp 大 模型、智能体这个方向。首先这个方向来说啊，一般情况下不需要你去从底层开发什么算法，因为 ai 现在讲究啥？讲究开源的技术，就是开源东西都是现成的，更多的时候我们是把如何把这些开源技术做到自己的数据，自己业务当中，解决自己的一切实际的事。 所以说咱们最终啊做的东西，他跟你之前做的东西，其实不是说差的太太大，不是说让你去学什么底层 ai 逻辑，也不是说让你去开发什么计算机模型，更多的是套用，是集成，是把这些东西结合到业务场景，然后做应用 那作用相关的。我建议大家还是去选我该说的像大模型，像智能体这些行业啊，其实机会是比较多的，因为现在 ai 加行业更多的是什么？不就是智能体大模型这个方向吗？那这里边大家将会这样，就是 啊，不用刷什么进学基础，咱们直奔深入学习，深入学习当中，基础算法过一过， pad 框架熟一熟悉。接下来呢，我们再刷 transformer 这个包，再去熟悉大模型的微调量化部署，再去熟悉 lanchang、 lan graph 这些智能体开发的框架。把这节基础掌握起来之后，咱们就可以适当去准备我们自己的简历了。 这里给大家整理了一份 ai 各方向精选资料包，包括 python 和数学基础、机器学习基础、算法深度学习、神经网络基础、计算机视觉实战、 自然语言处理基础、大模型和智能体基础、 ai 算法岗、面试秘籍、顶会顶刊、论文汇总 等。 ai 领域十大模块、基础算法框架、实战练手、项目源码资料、前沿论文、面试题库、经典书籍全都有， 是一份非常全面的 ai 全领域学习资料。如果你也没有头绪，不知道如何开始学习 ai， 那 这份资料包你一定不能错过！ nice！

朋友们，前端可能真的要没了呀，这不是危言耸听啊，而是正在发生的一个明显的趋势就是专治的前端岗位正在被大厂门系统性的优化。我给大家略举一下，德布前段时间已经直接解散了前端的部门，全员转向所谓的 ai 全站， 美团的部分团队正在推行全站化，很多前任同学已经正式转到了后端组，开始写 java， 阿里巴巴、菜鸟国际部门在推动后端全员转全站，前端和测试岗位正在逐渐的消失，公司层面也在淡化前后端的边界，统称为 a 站的工程师， 还有字节、携程、小米等等都在进行类似的全站化或者岗位的融合调整。所以你看，这已经不是一两家公司的尝试，而是一股从大厂开始蔓延的浪潮。 那么为什么会出现这种现象呢？相信大家也都有自己的判断。第一点也是最重要的， ai 控定工具的降维打击， 像 gpt compilates、 cloud curator 等这类工具越来越成熟，让企业面做子建这种传统全单工作效率大幅提升。 以前后端同学想做个界面，门槛还是挺高的，但现在 ai 成了最得力的前端辅助，一个后端工程师配上 ai 就 能搞定大部分的交互需求，端至前端的基础护城河被 ai 给填平了。第二点，企业在需求极致的效率拆分成前端，后端测试沟通成本还是挺大的。 现在公司发现培养或转型成全栈工程师，一个人用 ai 工具打通前后端，再加点自动化测试沟通链路最短，人效比最高，在向每层向的大环境下折成了最优解， 所以作为前端开发者，我们该怎么办呢？坐以待毙吗？那当然不是，前端岗位在融合，但前端定位的价值永不过时，关键是我们的定位要发生改变。我给大家三点建议吧。第一点，拥抱全栈。 不要再把自己定位成一个前端开发，必须要深入的了解他们后端的语言，像 java、 go、 parse 等等。 虽然后端同学也能用 ai 快 速的完成前端的工作，但你对用户体验、交互需求的理解依然是你的核心竞争力。第二点，向上突破，深耕专业领域。 如果你不想做前端，那就必须往更深处钻研，像格式化、三 d、 webgl、 音视频、跨端引擎等等这些有着深厚基础壁垒的领域， ai 短时间是难以替代的。 第三点，成为 ai 加前端的先行者。现在最危险的不是 ai， 而是不会用 ai 的 人去深入的研究如何利用 ai 提升开发流水线，如何设计更利于 ai 合作的组建和架构，把自己从代码的实现者升级成为 ai 的 调度员和产品体验定义者。 最后做一下总结吧，所谓的前端要没了没，要的只是那个指画页面写交互的单一岗位定义，但用户与数据线的交互需求只会越来越复杂， 懂得这些教会逻辑的人是永远必须要的。所以变化已来临，恐慌没有用，我们唯一要做的就是突破边界，加深互成合，要么横向变宽，成为解决问题的多面手，要么走向挖深，成为不可替代的专家。希望这份分析能对你有所启发，我们下期再见！

最近又刷到了很多大厂又裁员，百分之多少也有前端岗位直接一锅端的。那前端怎么办？转全站，转 a 站开发。 在上一家公司用 ai 的 时候，确确实实感受到了 ai 的 便利和强大。以前负责一个项目需要设计搭建到具体业务功能的实现，用 ai 之后只要设计搭建框架就行，剩下的具体业务丢给 ai， 最多就是稍微做点调整， ai 减少了很多的前端工作量。 但是不能让一个完全不懂前端的人利用 ai 去做一个可以实现商业化交付的东西，它的冲击在于一个人加上 ai 就 可以干三到四个甚至更多人的活。我一个前端在失业期间自己在家利用 ai 也一把缩了一个前后端完整的项目， 更何况后端利用 ai 去包揽前端工作了。为什么企业才前端的比例大于后端？因为前端门槛确实比后端低一点， ai 目前覆盖前端更多一点，但不代表未来后端就安全权占一定是趋势，但是竞争也相当激烈。 现在程序员市场非常饱和，每年的毕业生都在增加，加上培训机构的产出以及经济下行和 ai 冲击下越来越小的岗位，它就容纳不了那么多的就业需求，而且人多也会导致价格越来越便宜， 岗位要求越来越高。前端后端这么多人都要挤到全站这个岗位，死道有不死贫道，只能一直学习卷死其他人。关于转 a 阵开发，因为我没有亲身去感受，不知道学习需要的强度以及市场的需求有多少，所以这方面我不好说。 以比人粗浅的理解，大厂的智能体开发学历和技术要求都比较高，普通人 a 证岗位是小厂偏多，集成大厂的智能体，再加上自己行业的业务，做出来特定方向定制化的 ai， 这种也是接下来的趋势。但当它这个产品做完并且完善之后，也是只需要留小部分人维护就行了。 就像是传统前后端开发的产品的更短， 反正都是有三十五岁危机的。而且 ai 的 冲击又不是只有前端，而是所有白领。 ai 也不是代替掉了这些岗位，而是大幅减少了岗位需求。能结合 ai 干更多的事情就有优势，但僧多肉少得去竞争。 总结我的观点，有的做就先做，现在网上都是说前端活不下去，但是现实中依旧不少前端岗位在招，甚至内网古法编程还不怎么受 ai 影响。年纪小的边工作边尝试在 ai 帮助下做全站，或者空闲时间学学 agent， 年纪大的找个班做多几年前端生涯就结束了，是不是真的会被 ai 替代已经没关系了，没有必要去提前焦虑。

兄弟们，前阿里披时弊权，把公司里的前端后端算法工程师的岗位全撤了，只留一种微型的工程师。这件事本来就不是程序员里的内部化，是 ai 时代职场分工规则彻底的被改写的标志性的信号。 我给兄弟们拆解三个已经在真实发生的职场场景，全是身边人正在经历的变化。第一个关于程序员岗位， 之前的昆仑万维视频给大家拆解过，可以去看一下之前的视频。在这里再简单的说一下，以前做一个产品功能，前端、后端算法都各有各的事情，但是主要的时间都是在对其需求上排期，连调 其需求就耗费了大半个月的时间，那需求船三轮就变了样，反攻它就是常事。现在不一样了，一个 a 站的工程师，只要是把产品目标、验收标准、边界条件给他说清楚，靠 ai 就 能搞定从页面到接口到业务的逻辑，不用等任何人的排气， 七天就能跑完过去一个月的活。第二个，电商运营岗，以前一个小店要分成内容运营，写文案推广运营投流数据运营做复盘美工去做详情页，每个环节都要有人去盯，沟通成本呢极高。现在一个懂 ai 的 运营，能直接用 ai 写文案，生成详情页， 大头流计划啊，自动复盘优化，一个人就能扛起全链路的运营，根本不用拆分成四个七分格。第三个，企业 h 二，先招一个人，招聘专员，塞简历，心头专员谈薪资，入职要有专人去办手续，入职之后要有培训的人去带新人，流程拉的特别长。现在一个会用 ai 的 h 圈，能让 ai 自动筛选简历、生成面试提纲、算薪酬方案、做培训课架，一个人走完从招人到留人的全流程。原来流水线式的分工直接被整合了。兄弟们，我经常用这几个岗位来举例，但这根本就不是个例，是 ai 时代，整个职场的底层逻辑彻底变了。 过去没有 ai， 人的精力是有限的，每个专业的学习成本都很高，企业最划算的方式就是流水线式的分工，每个人只守着自己那一亩三分地。现在呢？ ai 把跨领域的学习门槛、执行门槛直接打穿，原来你要花三年才能摸透的技能，现在几分钟就能帮你落地了。这个时候，跨岗位沟通、 等待信息损耗的成本，反而成了企业运营的最大成本。未来职场一定是从按技能分工转向按目标闭环，谁能做到端到端的搞定完整的业务结果，谁就有核心的竞争力，而不是说你单一的岗位上把细节扣到极致。当然，这种模式也不是无脑充的，有三条底线 绝对不能破。第一，责任要必还，你可以跨岗位做事，但必须对结果负责，懂业务底层的逻辑，不能把所有的事情都丢给 ai。 第二，知识要有沉淀， 你得把业务规则、边界条件、踩过的坑都要写清楚，不然 ai 就是 一个随机生成神器嘛，只会给你埋坑。就比如说我提到的，用翠写代码，一定要让 ai 写点详细的文档，你去改文档， ai 再根据不断迭代的 各类文档资料去迭代新的功能。第三，把大目标拆成 ai 能 hold 住的小模块，边界越清晰， ai 它就做的越准，你也越容易兜底。就比如 ai 编程，大的 project 它可能还玩不太转，但是小项目测试用力 十个你也干不过他一个。我就问问兄弟们几个很现实的问题，你现在是不是还在死磕自己岗位上的那点细节，总觉得小李的活做精就够了？你是不是还觉得 ai 只是一个可有可无的辅助，不用也能混日子，根本就没有试过 ai 搞定岗位之外的事。 你连把一个完整目标猜清楚，给 ai 讲明白，最后结果兜底你都办不到。等全行业的人都转向了目标驱动，你还拿什么跟别人去竞争？给大家三个不分岗位能快速落地的动作吧。第一个， 练准你的表达能力，别觉着提示词是全不全，核心呢就是把目标、边界、验收标准给 ai 讲清楚，越具体结果越靠谱。第二，练稳你的判断能力，你不用死记硬背所有细节，但必须懂领域的底层逻辑和风险点， ai 给的结果对不对， 有没有坑你一眼就能看出来，这是你必不可少的能力。第三，练强沉淀能力，把你会的东西踩过的坑沉淀成文档、标准、流程，这些东西能让 ai 效率翻倍。 最后跟兄弟们说一句， ai 从来不是取代人的，而是用来淘汰不会用 ai 放大自己能力的。后续我会持续分享 ai 职场落地的用法，帮大家少走一些弯路。

好，上报之后，接下来你就要想这个上报完以后怎么样去跟 ai， 或者叫跟这个智能化来打通。 ai 跟智能化打通怎么去打通呢？其实也就是你对应的这些数据啊，它怎么样去通过我们的根音分析引擎来完成根音分析？根音分析完以后，我现在给他做的事例是把分析完的这个根音的结果呢 给到大家去看。但是真正如果你能跟你的开发的结果丢给 agent， 让他继续去帮你改代码 啊，同学肯定会说我在本地携带吗？那出了错直接，哎呀就帮我提示，帮我改了，我为什么还要去做这样的监控平台？这个其实我最开始就跟他说了，同学们在本地开发你是测不出来所有全球的用户的， 全球用户有好多好多种，不同的型号的电脑，不同的操作系统，不同的浏览器，你是没办法去每个用户的都付现的，对吧？那所以我们现在就是要想办法 通过这样一个监控平台来去采集他们的信息，采集完以后再直接上报，上报了之后呢，通过 ai 的 这个智能化更音分析引擎去打通，直接去分析出来你对应的错误，马立马啊就能够给出决策，就说怎么去修改或者定位的这个错误，它的呃，这个代码内容在哪里，怎么去改，它都会有对应的方案。 好，那这就是跟 ai 打通的这个环节，我们呢这块就给大家去重点来讲，这是我们今天的重点啊，如何去打通？当然上面的话呢，我会给大家去完整去实现这样一个 sdk， 来给大家去看一下整个实现的过程，当然了这个 sdk 的 实现呢，肯定比起我们项目实战的要少很多啊，就比如说像我们的这个， 呃，妙码 monitor 这个监控平台的项目实战，那其实前后端全站的内容打通以后的这个效果原码在这啊，大家呢可以待会学习完之后，可以去找咨询老师去领取一下这个项目的介绍文档。那对应的文档呢，其实也在 公开这个项目介绍里面啊，比如说监控平台，这里有说明，就是为什么我们要去做这样一个监控平台的设计实现，对吧？他的目的是什么？如何去做？一步一步怎么去拆解任务，最后怎么去实现的整个流程。好，这部分呢，大家可以去找咨询老师，待会去领取这个项目的说明文档去看一看啊，也可以作为他的一个方案设计的文档。 好，那打通的话有几个关键点呢？第一个呢，是你怎么样去让 ai 来了解了解你的开发的规范，还有呢你的开发的一些这种流程。 第二个就是如果你要去做金条模型的话，对吧？金条模型的话，那你怎么去把这个模型去做一个 金条啊？然后呢，如果你要去跟这个你的组建库知识库去打通，你可能还需要有个 reg 来去将 reg 的 呃，这个知识库去把它建立好，然后呢去做直接查询啊，很多同学其实不太理解这个模型的调优，或者金条跟 reg 之间的区别是什么，其实说实话 reg 呢会更偏动态化一些，它更灵活啊。 好，那这是打通的这个具体的一个概念上面的内容啊，那如果说我们具体来实践的话呢，我今天给大家去通过例子来说明的话，是通过 non chain g s， 这是框架层的，然后呢我们为了呃每位同学呢都能够用起来，所以我们最后选择的是通过欧拉玛来部署，然后呢结合这个最小的一个模型啊，因为做我们这个案例的话，小模型完全已经够用了啊，就直接用一个零点六 b 的 模型，当然同学们如果电脑显卡稍微好一点的话，你可以把这里的参数规模稍微调大一点啊， 搞一个大点的模型来去试，那效果会更好。好，这是呃基础层的，那如果你还需要去做那个错误截屏上传，然后呢去做分析，同学们其实都知道可以用 r web 来截图上传，对吧？ 截图上传，但是上传完之后，如果是跟截图相关的内容，你要交给大模型去处理的话，你就必须得通过。比如说我给大家举个例子啊，这个叫多模态的这个一些概念的介绍啊，大家可能不知道什么是这个模型多模态啊，包括， 呃这个整个串联的这个环节怎么来去实施，我们呢先把概念说出来之后，待会会带大家具体来去实现，大家就明白了， 我把这个错误的先关掉，拼写检查，我们先关掉啊，这样就没问题了。好，那多模态呢，其实我们一般如果涉及到有截图上传的这些功能的话，我们既要做文本的处理，又要做比如像图片的处理， 你还要去做视频的处理，因为你可能除了截图以外，你还可能是录制上传，对吧？截图或者是录制上传，那就会涉及到需要通过多模态来去完成啊，就是在 ai 这层打通，那打通以后，后续的话再下一步呢？其实就是再返回回来啊，就是将根音返回。 根音返回，返回给谁呢？返回给你，你的这个，比如说你额外有一些关于编码相关的 code agent 啊，这里呢其实我们说的整个概念叫 web coding， web coding 的 概念啊，这个同学们可以去搜索一下，我给大家去说的这些术语是 web coding 是 什么意思？我这里不给他展开了啊。根音分析反返回之后，可以通过根据这个根音啊来自动修复，自动修复， 然后呢自动 pr 完整的环节全部都是通的啊。好，那么呢，我们在这里给大家介绍的话，大家感觉可能偏理论，不太知道整个实现如何将它实现出来，对吧？

阿里开源了一个前端 ai 项目，短短几个月就收获超十三 k star， 仅需几行代码就能将网页变成 ai 应用，并且支持多种模型，遵循 mit 开源协议， 通过它可以轻松实现智能表单填写、无障碍增强操作等功能。 ai 直接操作界面，不用截图，也不用无头浏览器，纯前端实现。不管是新老项目都可以将 a 枕集成到你的系统，有兴趣的兄弟们可以了解一下。

程序员转行 ai 编程，别再被大冒险三个字吓退了！最近听到很多程序员朋友说想转 ai， 但又怕门槛高不好转。今天我告诉你一个真相， 你们干传统开发的底子在这能用上百分之八十，尤其是后端那套业务流、异步并发、数据库处理，全是熟门熟路，根本不用从零开始学。真正需要新学的就两个东西， python 语言和上下文工程。其中最重要的就是工业界默认的上下文工程。 说白了，又是怎么把正确的知识灌输给 agent， 让大模型不胡说八道，稳定输出，这一点要靠搭建的 r a g 来实现。 如果你没有任何深度学习和大模型基础，这个东西对你来说就是一个黑箱，出了问题也不知道咋改。但在我看来，对于 java 嵌入式和 c 家家老鸟来说，这都不是问题，完全可以边做边学。所以 最高效的转型路径就一条，直接找一个 ai 应用层的实际项目上手开干，在实战里去补拍审调模型，搞上下文。做完一个项目，你就会发现， ai agent 的 开发模式其实是一通百通。如果你想系统进阶 ai agent 的 应用开发， 我把二零二六年最新的大模型 agent 的 学习路线整理了一份，从模型底层原理、企业级应用实战到产品落地，全都有想要的直接安排。

这款阿里开源的项目，能在网页中通过自然语言控制界面的 g u i agent， 最夸张的是它不用浏览器扩展，不用拍粉，不用无头浏览器，纯前端 g s 就 能实现智能交互，短短的几天时间就获得了十三点三 k 的 star， 每天一个硬核的网站推荐第五期 配置 agent， 只需要一行 js 代码就可以使用自然语言来操作你的浏览器，非常的轻量化，无需安装任何插件，一点集成，所有逻辑都在前端页面内完成文本化。逗母操作不靠截图，不靠多模态，大模型，纯文本解析，逗母不需要特殊权限， 自定义 l l m 支持接入自己的大模型，文档里也给了清晰的接入方式。我选扩展能力搭配扩容扩展，还能实现多页面任务， 甚至有 beta 版的 mcp server 扩展性拉满。例如我们这里让它总结快速开始的相关文档，并且生成 markdown， 我 们只需要按下执行键，接下来就是静静的等待。 可以看到这里它已经在这个生成了对应的 markdown， 像是一个页面的聊天框，不占任何位置，平时使用场景也很多。例如智能表单填写，非常适合 erp、 crm 和管理系统。多表单操作的重复工作真香，哎呀！

程序员所谓的转 ai 一 阵，百分之八十的知识其实还都是一些传统软件开发，尤其是后端的那套东西，业务流的处理，异步的处理，高并发的处理，数据库的处理，其实都是这一套东西。那么真正你要说有门槛的无非这么几块， python 语言， 因为你要先把这个编程语言扭过来。第二个，其实来讲，因为大家对于 ai 丝毫不了解，那么你在整个 agent 的 这个过程中，可能会对很多地方有困惑。第一，我这块掉了一个大模型，那大模型到底能给我一个什么样的反 馈？我什么时候该掉大模型，什么时候该去掉小模型，他心里没有数。第二， agent 的 项目里边一个核心，现在来讲，工业界默认的其实就是上下班工程，而所谓的上下班工程， 我们是要消除大冒险的幻觉，把更多正确无误的知识灌输给我们的 a 着的，那靠什么呢？靠经典的 r a j， 那 么 r a j 这套东西怎么去搭？如果你完全没有，比如说深度学习的基础，没有大冒险的基础，那么这块对于你完全是个黑箱。有很多小伙伴一想，我有大量的数据，我直接灌进去，听说切分怎么切，这细致的东西它都没有概念， 而且没有做过 ai 的 小伙伴，他甚至对于这种所谓的招回率、精确率没有概念，而且因为都是黑箱，一旦出问题了，你都不知道该改哪。所以说这些小伙伴真正的在企业的现实中，你去搞几个项目， 甚至我觉得对于这些 java， 老鸟，嵌用式老鸟、 c 加加老鸟 ai 这块的应用层面的开发项目，尤其 a 镇的这块开发项目，挑两个领域、两个不同的技术站从头到尾跑下来，这基本来讲就切换过来了。我觉得小白转行如果难度系数是一百分的话，这些老鸟转过来的难度系数最多就是五 十分，对于一些传统开发很熟的小伙伴，可能难度只有三四十分，就是把这些东西搞定了之后，做应用层面的开发没有那么难。

最近好多同学私信问我怎么转 ai agent， 今天给大家分享一条亲测有效的最快的学习路线，让你少走弯路。首先介绍一下我自己，普一本计算机科班，大学拿过 acmicpc 银牌，毕业后在阿里做了三年多淘气的 java 核心链路，后端千万级并发症的大促链路， 去年离职转到 a i a 证的方向，目前带小团队攻坚。如果你也想转做 a 证工程师，按照这个流程制定一个学习计划，每日打卡。第一阶段，学习大模型底层知识，掌握 python、 八大神经、网络、 transformer 等相关知识。这不仅是后续所有学习的基础，还决定了你未来的职业发展。 第二阶段，架构开发，重点深耕 like、 chain、 land、 graph 两大主流框架，同时吃透知识库，搭建全流程，从文本拆封、 embedding 嵌入选型，到向量数据库存储部署，再到 r a g 优化。第三阶段，企业级部署落地需掌握项目服务部署、微调等，真正把技术落地 掌握了，这些伸直掌心不在话下。为了帮助大家更好地学会对应知识点，我整理了一份大模型学习教程，有学习路线和知识点、实战项目、行业落地案例等，留下学习带走。

如何实现 agent 与现有 react 为有主见无缝交互？近期需要前来面试的同学可以来看一下这份面试宝典。场景题，心灵优化、工程化以及大量八卦文都有。这里我们需要用到方显关联， 它是一种让大模型输出结构化阶上的数据，从而触发外部函数执行的机制。 大模型本身不能直接执行任何代码，也不能直接点击前端的按钮。我们在提问时会把前端能做的事情以节省代码的形式告诉大模型。大模型通过自然语言理解用户的意图， 如果发现需要调用图标主键，它就会停止生成普通文本，从而返回一个包含函数名和所需参数的数据包。 前端拦截到这个特定的响应格式，提取函数和参数，去调用前端内存中早已绑定好的 react 为 u 状态更新函数。 以下以 react 为例演示。当用户输入帮我画一个今年销量的饼图时， agent 如何无缝渲染前端图标主键？好，我们来看下代码 整体结构，主要包含基础的 ui 主键、一个函数注册表以及处理核心请求的逻辑。 首先，我们需要一个现有的普通 react 的 主键，比如代码中的 cuse， 它接受 data 作为 props 并渲染，在全代码中定义一个对象， function register 箭式大模型将要调用的函数名 只是一个逼包，函数里面调用了 react。 set state， 发送请求时告诉大模型可用的 tools。 大 模型返回结果后，检查是否有方线括号制段，获取方线括号点 name， 在注册中心匹配对应的方法，将解析后的 arguments 传入执行后， set state 被触发 react 数据流，驱动 cs 恰即自动渲染出最新数据，实现无缝交互。