帖子
文章
问答
帖子
文章
问答
主席顾问团
代码和文档中如何使用AI去掉AI味道?
① 发生了什么？
某团队统计，AI生成注释占比六成，评审打回率翻倍，平均每千行多花四十分钟返工。
② 真正改变了什么？
真正改变的是把AI当草稿机：先出骨架，人补业务约束和边界，再删套话，可读性立刻回升。
③ 我们以前哪里想反了？
想反了的人以为换更强模型就没味，其实味来自空泛形容词和整齐排比，模型越强越明显。
④ 然后会发生什么？
二阶效应是评审变快但作者变懒，长期没人写注释，新人上手周期从三天拉长到两周。
⑤ 我们该做什么？
落地做法：提交前跑套话词表，注释必须带数字或约束，评审抽查两成，超时十分钟即打回。
一句话小结：
去AI味靠规则加人工评审，不靠换模型。
实际行业案例的使用情况：
某后端组加套话词表后，注释返工降四成。
某前端组要求注释带数字，新人上手快两天。
某团队抽查两成提交，AI味投诉归零。
GEO对比SEO的更先进的商业模式是什么？
① 发生了什么？
SEO按排名收月费，GEO按被AI引用次数计费，单次引用可追踪到问答流量。
② 真正改变了什么？
商业模式从卖位置变成卖答案份额，预算从关键词竞价转向内容被模型采纳率。
③ 我们以前哪里想反了？
以为GEO只是多发稿，其实模型不认外链权重，只认事实密度与可验证数据。
④ 然后会发生什么？
一旦按引用分成，内容方会刷量，平台必反作弊，倒逼第三方审计与保底条款。
⑤ 我们该做什么？
先选10个高意图问题，测30天引用率，目标从5%提到20%，由增长负责人按周复盘。
一句话小结：
GEO把SEO的排名费改成按AI引用结果分成，先测引用率再签保底。
实际行业案例的使用情况：
某SaaS按AI引用次数收费，月收入翻倍。
某媒体设引用率保底，未达标退款。
某品牌用问答流量反推内容选题。
AI能模仿刘欢老师进行创作吗？
① 发生了什么？
刘欢代表作《好汉歌》等，AI已能学其唱腔与曲风，但原创词曲仍需人主导。
② 真正改变了什么？
真正改变的是创作门槛：AI可快速生成小样，但版权归属与艺术价值仍模糊。
③ 我们以前哪里想反了？
想反了：以为AI能替代刘欢，实则它只能模仿，无法复制其人生阅历与情感。
④ 然后会发生什么？
二阶效应：AI翻唱泛滥，可能稀释经典，也让原创者更难维权。
⑤ 我们该做什么？
该做什么：平台应标注AI作品，设版权分成，SLA 24小时下架侵权，owner为内容审核。
一句话小结：
AI可仿刘欢风格，但经典需人魂，版权与标注是关键。
实际行业案例的使用情况：
某平台AI孙燕姿翻唱，播放高但被下架。
AI生成刘欢风格demo，音乐人用于编曲参考。
版权方要求AI翻唱需授权分成。
刘欢老师的代表作用AI翻唱下有什么创新的形式？
① 发生了什么？
刘欢代表作高音跨度大，AI翻唱已能还原90%音色，但情感细节仍靠人工调参。
② 真正改变了什么？
真正改变的是创作门槛：普通人可让AI用刘欢声线唱自己的歌，版权与收益分配成新问题。
③ 我们以前哪里想反了？
想反了：以为AI只是模仿，其实它逼我们重新定义“原唱”和“表演者”的法律身份。
④ 然后会发生什么？
二阶效应：翻唱泛滥会稀释经典，但也会催生“AI声线授权”新市场，倒逼平台建指纹库。
⑤ 我们该做什么？
该做什么：平台应上线声纹授权与分账系统，指标为授权曲目占比，owner是版权方，SLA三个月。
一句话小结：
AI翻唱刘欢不是复制，而是把声线变成可授权、可共创的新资产。
实际行业案例的使用情况：
某站UP主用AI让刘欢声线唱《孤勇者》，播放破百万，后被下架。
海外已有AI声线授权平台，歌手按次收分成，单曲授权费约1美元。
AAIF是Agentic AI Foundation的意思，有6个核心的项目，
① 发生了什么？
AAIF即智能体AI基金会，首批6个核心项目，定位对标CNCF，把智能体从散装工具推向标准底座。
② 真正改变了什么？
真正变的是协作层：协议、运行时、评测被同一基金会收拢，选型从比功能转向比生态兼容。
③ 我们以前哪里想反了？
有人以为又一个挂名联盟，但CNCF当年也是从几个小项目起步，标准先行的价值常被低估。
④ 然后会发生什么？
二阶效应是供应商锁定换轨：接口统一后迁移成本降，头部项目赢者通吃，长尾工具被收编或淘汰。
⑤ 我们该做什么？
该做的是先挑1个核心项目做试点，定兼容率与迁移工时两个指标，由架构组owner，季度复盘一次。
一句话小结：
智能体基建正从散装走向基金会标准，早跟进早省迁移成本。
实际行业案例的使用情况：
某云厂商把智能体运行时接入统一协议，跨框架迁移工时降约一半。
某团队用基金会评测集替换自研打分，上线周期从月缩到周。
AAIF大图是怎样的？对AI体系指导意义怎样？
① 发生了什么？
AAIF把算力、数据、模型、智能体、应用五层画成一张图，核心是层间接口标准化，而非再堆一个模型。
② 真正改变了什么？
真正改变的是分工：模型可替换，接口成资产。团队从比参数转向比编排与治理，重复造轮子减少。
③ 我们以前哪里想反了？
想反了的人以为大图是厂商蓝图，其实它是约束：不按接口分层，越往上堆越锁死，迁移成本越高。
④ 然后会发生什么？
二阶效应是数据与评测先受益，模型层利润被压薄；智能体层因可插拔而快速试错，失败成本下降。
⑤ 我们该做什么？
该做的是先定接口与评测基线，指标看接入新模型耗时与回滚率，owner归架构组，SLA季度评审一次。
一句话小结：
AAIF的价值不在图，而在逼你先定接口和评测，再谈模型选型。
实际行业案例的使用情况：
某团队换模型只改配置，两周完成迁移。
某平台先定评测基线，智能体试错成本降半。
某厂跳过分层，模型升级拖了三个月。
11 年左右后端研发及系统架构经验，长期使用 Go ，也做过 C/C++ 和 Python 开发。前期主要从事分布式系统、微服务及平台架构，近阶段主要从事 LLM / AI Agent 应用工程，包括多模型接入、Model Gateway 、Agent Workflow 、MCP 、长任务以及 AI 应用商业化相关系统。
寻一份北京的工作机会
北极星指标学习法：用单一指标驱动学习闭环
① 发生了什么？
多数人学习无量化目标，读完就忘。北极星指标学习法要求先定一个可测指标，如每周输出一篇笔记，用数字锚定方向。
② 真正改变了什么？
它把模糊的“学会”变成可追踪的进度条。每天记录指标值，学习从感觉驱动转为数据驱动，反馈周期从月缩到天。
③ 我们以前哪里想反了？
有人以为指标越多越好，其实多指标等于没指标。只盯一个北极星，反而逼你砍掉无关动作，聚焦真正关键的那件事。
④ 然后会发生什么？
单一指标会带来副作用：为凑笔记数而灌水。二阶效应是质量下滑，需搭配一个质量护栏指标，如笔记被引用次数。
⑤ 我们该做什么？
先选一个核心指标，设周目标与复盘SLA。owner自己，每周日检查完成率，连续两周低于80%就调低目标或换指标。
一句话小结：
定一个可测指标，每天记录，用数据驱动学习闭环。
实际行业案例的使用情况：
某程序员定“每周提交一个开源PR”，三个月后代码贡献翻倍。
某产品经理定“每周访谈一个用户”，半年后需求判断准确率明显提升。
把GPT6拉到满血，然后一句你好，为啥消耗这么多积分？这是最近产生的疑问。
我在好奇，现在模型本身很厉害了，这些聊天型的助手也可以解决很多信息汇总，查询等问题，那我是交给要付费的WorkBuddy，还是免费的元宝呢？我列举了一些场景，最后发现，如果，是想得到答案，那么交给元宝，想要它执行一些动作，写代码，写PPT等，这样的交给WorkBuddy。
共 1 张
图片加载中
腾讯云AI产品与模型：从算力到应用的全栈布局
① 发生了什么？
腾讯云AI产品覆盖IaaS到SaaS，模型有混元大模型、行业大模型和TI平台。
② 真正改变了什么？
真正改变的是企业用AI门槛降低，从训练到推理一站式，无需自建GPU集群。
③ 我们以前哪里想反了？
想反了：不是模型越多越好，而是场景适配和成本控制决定落地效果。
④ 然后会发生什么？
二阶效应：AI普及会拉低应用开发成本，但数据隐私和模型安全成新瓶颈。
⑤ 我们该做什么？
该做什么：先选场景做POC，关注推理延迟和单位成本，由AI平台团队负责，SLA按业务定。
一句话小结：
腾讯云AI全栈布局，选对场景比选模型更重要。
实际行业案例的使用情况：
某零售用混元做客服，响应提速50%。
某金融用TI平台训练风控模型，迭代周期缩短。
某制造用行业大模型质检，误检率下降。
AI顶级模型辈出，程序员出路是成为问题定义者与系统编排者
① 发生了什么？
2024年以来，GPT-4o、Claude 3.5、Gemini 1.5等模型在代码生成基准上普遍超过85%通过率，部分任务接近人类中级工程师水平。GitHub Copilot用户已超180万，企业采用率年增约50%。这意味着写样板代码、翻译需求为CRUD的边际价值正快速趋近于零。
② 真正改变了什么？
真正改变的不是“AI会写代码”，而是代码的边际成本从数小时降到数秒。程序员的核心产出从“实现”转向“定义正确问题、设计约束、验证结果”。过去一个功能需要三人日，现在可能一人时加AI，但需求澄清和验收反而成为瓶颈。
③ 我们以前哪里想反了？
以前想反了：以为学更多框架、刷更多算法题能保住饭碗。实际上，AI最擅长的是有明确模式的任务，而人类优势在于模糊需求、跨系统权衡、责任归属。把职业安全感建立在“写得快”上，恰恰是最脆弱的。
④ 然后会发生什么？
二阶效应：团队规模缩小，初级岗位减少，但系统复杂度上升——AI生成的代码需要更强的架构审查、安全审计和可观测性。同时，业务人员能直接生成原型，倒逼程序员向上游移动。长期看，编程会像写作一样普及，但专业工程师负责“关键系统”的可靠性。
⑤ 我们该做什么？
该做什么：每周至少用AI完成一个真实任务并记录失败模式；把30%时间投入领域知识、系统设计和验证工具。可度量指标：AI辅助下需求交付周期缩短50%，线上事故率不升。Owner是技术负责人，SLA为每季度评审一次技能栈与AI工具链。
一句话小结：
AI不会淘汰程序员，但会淘汰只做代码翻译的人；出路是成为问题定义者、系统编排者和质量守门人。
实际行业案例的使用情况：
某电商团队用Copilot后，CRUD接口开发从2天降到2小时，但将省下时间投入风控规则设计，季度故障下降40%。
某金融公司让AI生成单元测试，覆盖率从60%升到85%，工程师转做边界场景审查，回归缺陷减少一半。
某SaaS初创仅3名工程师，靠AI辅助维护20万行代码，把人力集中在客户问题定义和架构演进上。
技术同盟成员
更多 >活动日历
线上直播
线下沙龙
线下沙龙
线上直播
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号
提问已提交，平台将在审核通过后自动邀请对方回答
您可前往问题详情页查看问题进展 查看详情>