前言

#2025/07/24

image.png|464

目录

1. 推荐序一　学习成为善用 AI 的人

  • AI 并非威胁，而不过是工具，是对专业能力的放大。
    • 比如 AI

2. 推荐序二　开启一段有趣、有启发、有收获的冒险旅程

  • 组装计算机的经历：CPU–主板–I/O 组件
    • 如今 LLM 应用技术栈中的模型（例如 GPT-4）就相当于计算机中的 CPU
    • 开发框架（例如 LangChain 或 Dify）则相当于主板
    • 而向量存储、插件就好比主板上的各种 I/O 组件。
    • 正如组装计算机一样，开发者在构建 LLM 应用时也需理解、精心挑选和配置每个组件。

3. 推荐序三　人人都要学会和 AI 相处

  • Ta 是一个新的智慧物种，完全可以当人看（所以我拒绝用“它”指代 AI）。
  • 与 AI 朝夕相处的人，可以分成三类。每个人都应该在其中找到自己的生态位。
    • AI 产品使用者 ：使用别人开发的 AI 产品。
      • 人人都首先应该是 AI 产品使用者。现在各种教人怎么操作 AI 工具（所谓“AI 提效”）的课程、书籍，常常被打上“割韭菜”的标签。
      • “割不割”咱们先不下定义，长期看来，只学习这些资料无法形成核心竞争力。
      • 它们像极了 20 世纪 90 年代的“电脑操作课”。而计算机和手机早已进化到“不用学就会用”的阶段了，AI 工具则注定比传统工具更易上手。
    • AI 产品制造者 ：为他人或自己设计、开发定制 AI 产品。
      • 更多人的机会在 AI 产品的设计和开发上。
      • 之前，这是两个工种，其中又有很多细分。但现在，鉴于 AI 的强大，两个工种有融合的趋势。
      • 甚至只需要一个超级个体，指挥着一堆 AI，就能完成相关工作。
      • 相信在未来和 AI 共处的技能中，有一项就是“懂编程”。只不过未来的“懂编程”，不代表一定要会写代码，而是读得懂代码、能指导 AI 写代码就行。
    • 基础模型训练者 ：训练基础模型，或为模型提供算力等基础设施。
      • 无疑位于生态链的顶端，但能参与的机会非常少。
      • 不仅 GPU、云计算、大模型这些要害早已被“大厂垄断”，甚至在大厂里，能做相关业务的人也是少数。
        • 比如如日中天的 DeepSeek，据报道，全公司也不过 150 人，做核心工作的更少。
        • 这是个消耗算力而不是人力的工作。

3.1. 书的受众

  • 本身书虽然是面向软件工程师的
  • python 是一种最接近自然语言的编程语言，当做某种英语方言去读就好

4. 推荐序四　AI 工程师：从智能革命的探索者到智能体时代的缔造者

  • AI 即新时代电力
    • 电力的低成本和即插即用的便捷性
  • API 化的服务模式使得这个比喻变得十分贴切。
    • 开发者不再需要整理数据、进行人工标注、编写模型代码以及训练和部署模型，只需编写提示词并调用接口，即可实现各种 AI 功能，使用成本完全与“耗电量”挂钩，开发者只需关心如何将“电流”引入不同的“元器件”—— AI 工程师（AI Engineer）应运而生。
  • 智能时代与互联网时代最大的不同在于，从重塑生产关系转变为提升生产力
    • 互联网时代的核心是打造超级网站或超级应用，而智能时代的关键在于构建超级智能体。

5. 推荐序五　未来正在生成中

  • 就像移动互联网早期，没有人能预料微信和抖音会如何重塑社交形态——当前所有的 AI 产品都只是智能时代的雏形。
  • 不必焦虑“现在入场是否太晚”，真正重要的是立即行动。
  • ChatGPT 不是终点，而是通向智能文明的第一级台阶。当你翻完这本书的最后一页时，请记住，真正的探索才刚刚开始。
  • 智能技术不是实验室的展品，而是正在重构所有行业的基础设施。
  • 这本书不会给你终极答案，但能提供最关键的“认知杠杆”：理解 Transformer 架构的核心思想，掌握大模型应用开发的基础范式，建立持续进化的学习框架。
  • 当技术浪潮以月为单位刷新时，这些底层认知才是开发者真正的护城河。

6. 推荐序六　AGI：不要旁观，要真正参与

  • 借助 RAG，我们能够让 LLM 更好地利用企业和个人的私有数据，有效减少 LLM 的“幻觉”现象，让其输出更真实、更可靠的信息。

7. 推荐序七　AI 是人类能力的指数级放大器

AI 不是人类职业的终结者，而是人类能力的指数级放大器。

8. 译者序　没有谁天生就是 AI 工程师

  • LLM 将重塑人类与技术的交互方式，催生出一个更加智能、高效的数字化世界。
  • 本书以初学者的视角，为读者提供了清晰、全面的“最小可用知识”，目的是让开发人员快速上手实践，轻松体验到独立搭建第一个 AI 应用程序的乐趣
  • LLM 将彻底改变每个人与计算机的交互方式，还将颠覆软件行业，引发从键入命令转向点击图标以来计算机领域最大的人机交互革命。

8.1. 一个小故事

对初学者而言，进入一个全新的领域无疑需要克服心理上的恐惧，对于像机器学习、自然语言处理这些直觉上技术门槛很高的领域更是如此。但接下来我要讲一个关于 OpenAI 联合创始人 Greg Brockman 的个人故事。

Greg Brockman 在 2019 年 7 月发表了一篇题为“How I became a machine learning practitioner”的博客文章，讲述了自己学习机器学习技术的历程。Greg 在加入 OpenAI 之前是 Stripe 公司的首席技术官，虽然已经是一位技术“大牛”，但他直到加入 OpenAI 3 年之后才开始以初学者的身份学习机器学习技术。在学习过程中，虽然有 OpenAI 同事的帮助，但他也跟普通人一样遇到了很多障碍和挫折，甚至自我怀疑，不过他最终还是坚持了下来。经过 9 个月的深入学习，Greg 成功地从传统软件工程师转型为机器学习工程师。没有谁天生就是 AI 工程师，即使是 OpenAI 的联合创始人也需要学习。我希望这个真实的故事能对正准备投身于 AI 领域的你有所帮助。

8.2. 另外一个小故事：超线性回报

同为这个领域的学习者，我想与你分享 Y Combinator 的联合创始人、《黑客与画家》作者 Paul Graham 在其个人博客网站上发表的一篇文章——“Superlinear Returns”（《超线性回报》）。他在文章中提到，我们在学习过程中的投入与回报是超线性的。在开始阅读这本书时——

  • 你可能会对大量的术语和技术概念感到茫然无措；
  • 你可能还需要查阅除这本书之外的其他资料；
  • 你可能会担心按照这样的学习速度无论如何都达不到预期目标；
  • ……

焦虑会时不时找上门，但请放心，为了获得一个扎实的立足点，最初的努力虽不轻松，但绝对值得。随着实践的深入，这个过程会变得越来越容易。这就是“超线性回报”——随着时间的投入，奖励曲线会在后期急剧上升。

最后，祝愿你能早日写出充满创意的 AI 应用程序，并在这个探索过程中找到乐趣。