- 不要过度关注“用 AI 开发应用/工具”，而要盯着“AI 正在怎样改变应用本身的形态”。
- 实际需要不断积累全前沿的技术，未来的开发范式是怎么样的，因为这条路永远是在追求更聪明的智能体。
不要过度关注“用 AI 开发应用/工具”
现在很多人理解的 AI 应用还是：“我用大模型接个 API，做个工具。”
但真正值得长期积累的是：未来软件会不会从‘人点按钮的软件’，变成‘能理解目标、拆解任务、调用工具、自己执行、自己校正的智能系统’。
因为“用 AI 做工具”很容易变成短期红利，比如：
“AI 简历优化器”
“AI 文案生成器”
“AI 视频脚本助手”
“AI 数据分析助手”
“AI 股票复盘助手”
这些当然能做，但问题是：如果只是壳子 + Prompt + API，本质壁垒很低。别人很快能抄，模型厂商也可能直接内置。所以真正有价值的不是“我做了一个 AI 工具”，而是：
我理解了某个行业流程，并且知道 AI 应该嵌入流程的哪个位置，替代哪一段人力，增强哪一段判断，沉淀哪一类数据。
也就是说，未来 AI 应用的核心竞争力不是：会不会调用大模型。而是：能不能把模型变成业务流程的一部分。
更值得积累的是“未来开发范式”
实际需要不断积累前沿技术，未来的开发范式是怎么样的，因为永远是在追求更智能化的 Agent
这个可以继续拆成一条演进线：
第一阶段：Chatbot / 问答式 AI
最早是“你问，我答”。
特点是：用户输入问题，模型输出答案。
本质还是一个增强版搜索/问答工具。
问题是：
它不会主动做事，也不会真正进入业务流程。
第二阶段：Reasoning / Chain of Thought / 深度推理
然后模型开始从“直接回答”走向“分步骤推理”。
这里的重点不是表面上的“展示思考过程”，而是模型能力开始从：语言生成，变成：问题拆解、逻辑推理、计划生成、复杂任务处理。
这会影响开发范式。以前开发软件，是程序员把流程写死：用户点 A → 系统执行 B → 返回 C。
但未来可能是：用户说一个目标 → 模型自己判断应该查数据、调用工具、生成方案、让用户确认、再执行。
也就是说，软件不再只是“固定流程”，而是开始具备“动态规划能力”。
第三阶段：RAG / Tool Use / Function Calling
再往后，模型开始接外部知识和工具。比如：
查数据库
读文档
调用 API
操作浏览器
调用代码执行器
读表格
连接企业系统
这一步非常重要，因为它让 AI 从“会说”变成“会用工具”。
OpenAI 在 Agents 相关工具中也强调了工具调用、handoffs、guardrails 等能力，用来构建更完整的 agentic applications。
所以未来开发者的能力不只是写接口，而是要设计：
模型什么时候该自己回答，什么时候该查资料，什么时候该调用工具，什么时候必须让人确认，什么时候要拒绝执行。
这就是 AI 工程能力。
第四阶段：Workflow / Agentic Workflow
这一步是现在特别值得关注的。
Anthropic 对 AI agent 的工程化总结里，把系统从简单的 augmented LLM，逐步扩展到 workflows 和 agents；它也提醒，不是所有任务都需要复杂 agent，很多生产场景更适合可控的 workflow。 这点非常重要。
很多人一上来就说“我要做 Agent”，但真正落地时，很多场景并不需要完全自主的 Agent，而是需要：
固定流程 + 局部智能判断。
比如：简历筛选系统，不是让 Agent 自由乱跑，而是：读取 JD → 解析候选人简历 → 匹配硬条件 → 标记风险点 → 给面试建议 → 人工确认。
AI 视频生成流程也不是一句话生成成片，而是：选题 → 脚本 → 分镜 → 人设 → 提示词 → 抽卡 → 筛片 → 剪辑 → 复盘。
大模型测评流程
也不是简单打分，而是：任务构造 → 样本抽取 → 模型输出 → 裁判模型评分 → 人工校准 → 指标分析 → badcase 归因。
所以你真正要积累的是：如何把一个复杂任务拆成稳定工作流，并判断哪些节点适合交给模型。
第五阶段：Agent / 自主执行系统
Agent 的本质不是“会聊天”，而是：给它目标，它能自己规划、调用工具、观察结果、调整行动，直到完成任务。
Google 的 Gemini Computer Use 文档就提到，Computer Use 可以让模型通过截图“看见”屏幕，并生成鼠标点击、键盘输入等 UI 操作，用于构建能操作浏览器或界面的 agent。
这说明一个趋势：未来 AI 不只是接 API。它可能直接操作软件界面。
这会改变应用开发。以前是：人操作软件。以后可能是：人提出目标，Agent 操作软件。
比如：“帮我整理过去三个月的招聘数据，找出转化率最低的岗位。”
Agent 可能自己打开后台、导出表格、分析数据、生成报告。
这时候，软件的价值不再只是 UI 好不好用，而是：能不能被 Agent 理解、调用、协作。
第六阶段：多 Agent / 组织化智能
再往后，单个 Agent 可能不够，会出现多个 Agent 分工。
比如：
一个负责搜索资料
一个负责代码实现
一个负责测试
一个负责审查
一个负责生成报告
OpenAI Agents SDK 里面的 handoffs 也是类似思路：不同 agent 之间可以进行任务交接；Anthropic 的 agent 文章也讨论了单 agent、多 agent 和 agentic workflow 的架构模式。
但这里也要警惕： 多 Agent 不是越多越好。
很多多 Agent 项目失败，是因为：
协调成本高
上下文丢失
错误互相传染
结果不可控
调试困难
所以未来真正稀缺的能力是：不是会搭很多 Agent，而是知道什么时候不该用 Agent。
第七阶段：自我改进 / Agentic RL / Evaluation-driven Development
后面可以继续往这个方向想：未来 AI 应用不只是“写完上线”，而是持续自我优化。
比如：
系统记录每次失败案例
分析失败原因
调整提示词
更新工具调用策略
优化检索数据
改进评分规则
引入强化学习或偏好优化
之前也看过 Agentic RL，这里其实就接上了。
传统软件开发是：需求 → 开发 → 测试 → 上线。
AI 应用开发可能变成：任务 → 生成 → 评测 → 反馈 → 优化 → 再生成。
所以未来开发范式里，评测能力会变得非常重要。
因为模型不是确定性系统。
你不能只问“这个功能能不能跑”，还要问：
在 1000 个样本里表现如何？
失败集中在哪些类型？
模型有没有幻觉？
工具调用是否稳定？
多轮任务是否退化？
成本是否可控？
延迟是否可接受？
用户是否信任结果？
所以如果考虑“大模型测评工程师”这个方向，它未必只是打分岗位。更上层来看，它其实对应未来 AI 工程里的一个核心能力：用系统化评测驱动 AI 应用迭代。
想法整理
不应该只关注“用 AI 快速做一个应用/工具”，因为这类应用如果只是套壳、Prompt、API，长期壁垒有限。真正应该关注的是 AI 正在如何改变软件开发范式：从问答式模型，到具备推理能力的模型，再到能调用工具、接入知识库、执行工作流、完成任务的 Agent 系统。
未来的开发可能不再是单纯写固定逻辑，而是设计“人—模型—工具—数据—评测”协同的智能系统。开发者的核心能力也会从写功能，转向拆解任务、设计工作流、构建工具接口、控制模型行为、评估结果质量、持续优化系统表现。
所以需要持续积累的不是某一个 AI 工具，而是底层范式：RAG、Tool Use、Workflow、Agent、多 Agent、模型评测、数据闭环、Agentic RL，以及 AI 如何真正嵌入具体业务流程。
可以把你的长期方向概括成一句话：
不要只做“AI 应用的使用者”或“套壳开发者”，而要理解 AI 应用背后的新型工程范式：让模型从回答问题，走向理解任务、调用工具、执行流程、接受评测并持续进化。
不要陷入“AI 小工具开发者”的低阶内卷
现在很多 AI 应用的本质是：Prompt + API + 套壳界面 + 简单业务包装。
比如：AI 写作工具、AI 简历工具、AI 表格分析工具、AI 视频脚本工具、AI 总结工具。
这些东西不是不能做，而是如果只停留在这一层，长期壁垒非常弱。
因为它的问题在于：功能容易被复制，模型能力由平台决定，用户数据沉淀不足，业务流程嵌入不深。
所以这类应用很容易变成：
别人抄你的功能；
大厂直接内置；
模型升级后原来的优势消失；
用户只把它当临时工具，而不是工作流入口。
真正危险的不是“做 AI 应用”，而是：只会做浅层 AI 应用，却误以为自己掌握了 AI 时代的核心能力。
二、核心不是“做不做应用”，而是做哪一层应用
这里可以做一个分层。
第一层：AI 工具层
特点是：用户给一个输入，模型返回一个结果。比如：
写一段文案；总结一篇文章；生成一张图；优化一份简历。
这一层门槛最低，竞争最激烈。
第二层：AI 工作流层
特点是： AI 不只是生成结果，而是嵌入一个完整流程。比如：
- AI 视频生产流程：选题 → 脚本 → 分镜 → 人物设定 → 提示词 → 画面生成 → 抽卡 → 剪辑 → 数据复盘。
- AI 招聘流程：JD 解析 → 简历筛选 → 候选人打分 → 面试问题生成 → 风险点提示 → 面试反馈汇总。
- AI 测评流程：任务设计 → 样本构造 → 模型输出 → 裁判评分 → badcase 归因 → 指标分析 → 优化建议。
这一层开始有壁垒，因为它不只是“调用模型”，而是理解行业流程。
第三层：AI Agent 系统层
特点是： 用户只给目标，系统自己拆解任务、调用工具、执行流程、观察结果、修正策略。
比如用户说：“帮我分析过去三个月短视频账号为什么流量下滑，并给出下周选题计划。”
真正的 Agent 系统应该能：
读取数据；
识别趋势；
拆解影响因素；
对比爆款内容；
生成选题；
预测风险；
安排执行顺序；
根据反馈继续迭代。
这一层的核心不是 Prompt，而是：任务规划、工具调用、记忆系统、状态管理、评测机制、异常处理、权限控制。
第四层：AI 组织层 / 多 Agent 协作层
未来更进一步，可能不是一个 Agent 做所有事，而是多个智能角色协作。比如：
产品 Agent 负责理解需求；
研发 Agent 负责写代码；
测试 Agent 负责找 bug；
数据 Agent 负责看指标；
运营 Agent 负责生成增长方案；
审查 Agent 负责风险控制。
这时开发者不再只是写代码，而是在设计一个“智能组织”。
三、未来开发范式的变化，重点不是“代码消失”，而是“代码角色变化”
未来不是完全不写代码，而是代码从“写死业务流程”变成：定义边界、提供工具、控制权限、管理状态、验证结果。
也就是说，开发者的职责会变化。以前开发者写的是：用户点按钮 A，系统执行逻辑 B，返回结果 C。未来开发者写的是：
这个任务的目标是什么；
哪些步骤可以让模型判断；
哪些步骤必须写死；
模型能调用哪些工具；
什么情况要人工确认；
什么结果算成功；
失败后怎么重试；
如何记录过程；
如何评估质量。
所以未来软件工程会越来越像：架构设计 + 流程编排 + 智能体管理 + 评测系统。
四、真正应该积累的不是“工具清单”，而是“范式能力”
- 模型理解能力
包括：
大模型为什么会推理；
上下文窗口如何影响输出；
幻觉为什么产生；
CoT、ReAct、Tree of Thought、Self-Reflection 这些方法解决什么问题；
不同模型在推理、代码、多模态、工具调用上的差异。
这决定你能不能判断：什么任务适合交给模型，什么任务不适合。
- 任务拆解能力
这是 Agent 时代最重要的能力之一。不是用户说一句话，你就直接丢给模型，而是要能拆成：
目标；
输入；
约束；
步骤；
工具；
中间状态；
成功标准；
失败处理。
比如“做一份行业分析报告”，不能直接让模型生成，而要拆成：资料收集 → 信息清洗 → 观点提炼 → 结构生成 → 数据验证 → 风险检查 → 输出成稿。
这才是 AI 系统设计。
- 工具与数据连接能力
模型本身只是大脑，但它需要手脚和外部记忆。所以要积累：
RAG；
知识库；
数据库查询；
API 调用；
浏览器操作；
代码执行；
文件读取；
表格分析；
权限系统；
外部工具编排。
核心问题是：如何让模型可靠地使用外部世界，而不是只在文本里幻想。
- 评测与反馈能力
这是可以重点放大的部分。
AI 应用和传统应用最大的区别是：传统应用更多是确定性逻辑；AI 应用是概率性输出。
所以不能只看“能不能跑”，而要看：
准确率；
稳定性；
一致性；
幻觉率；
工具调用成功率；
多轮任务完成率；
成本；
延迟；
用户满意度；
badcase 分布。
未来优秀 AI 工程师一定要懂评测。因为没有评测，就没有可靠迭代。测评不是边缘岗位，而是 AI 系统工程里的核心环节。
- 产品与业务抽象能力
最后一类最容易被忽视。
AI 不是脱离业务存在的。真正有价值的 AI 系统，一定是嵌入具体场景的。
比如：招聘、教育、金融、短视频、游戏、客服、医疗、法律、企业管理。要看懂：
这个行业的核心流程是什么；
哪一步最耗人力；
哪一步最依赖经验；
哪一步可以自动化；
哪一步必须人工把关；
数据在哪里沉淀；
用户为什么愿意长期使用。
这决定做出来的是“玩具”，还是“系统”。