
## AI 时代为什么还要学编程基础?从 Agent 依赖到 AI 应用工程能力 > 本文是一次个人学习反思:当 Agent 已经能完成需求分析、编码、检验和修复时,开发者为什么还要学习 Python、后端、数据库和大模型底层?我的结论是:AI 降低了生成代码的门槛,却没有替我们完成搞懂、判断、验证和负责。 ### 一、我从“用 AI 开发”变成了“等 AI 交付” 我算是一个 AI 高度依赖者,每月使用量可以达到 200 多亿 Token,高峰时一天会消耗近 10 亿 Token。
这不是在展示我有多会使用 AI,而是说明一个背景:AI 已经深度进入了我的开发流程。 我现在开发一个项目,往往只需要: 找一个开发 Skill ↓ 把想法和约束交给 AI ↓ 让 Agent 制定目标和计划 ↓ Agent 自动开发、测试、修复 ↓ 获得一个可运行的项目 流程越发高效,但我对项目的理解却越来越少。 以前 AI 帮我写完代码后,我还会打开文件看一遍。后来 AI 连检验和修复都能一起完成,我开始只关心最终结果能否运行。
这一步别省。
最后就出现了一个很奇怪的状态: * 项目在我的电脑上。 * 代码也提交到了我的仓库。 * 但我无法讲清架构、数据流和关键技术取舍。 * 一旦脱离 Agent,我甚至不知道该从哪个文件开始修改。 这已经不是“AI 帮我开发”,而是“AI 完成了开发,我等它交付”。 ### 二、AI 生成的项目,为什么还不算我的能力? 更精准的说法是:AI 生成的文件可以属于我的项目,但不会自动转化为我的能力。 技术真正被掌握,至少需要做到以下几点: 1. 能解释系统的核心流程。
- 能理解关键设计背后的取舍。 3. 能判断 AI 给出的方案是否可靠。 4. 能在出错时定位原因,而不是只会重新生成。 5. 能对性能、安全、成本和维护性负责。 如果这些都做不到,我获得的只是一次生成结果,而不是可以迁移到下一个项目的能力。 ### 三、大模型越强,开发者的优势到底在哪里? 随着模型能力提升,“做出一个能运行的 Demo”正在变得越来越容易。 一个不会写代码的人,只要能说清目标,也可以借助最新算法和 Agent 完成很不错的原型。
如果开发者的优势只是“比别人更会写提示词”,这种优势会迅速缩小。 但 Demo 和可靠软件之间,仍然有显著差距: Demo 阶段| 真实应用阶段 ---|--- 完成一次正常调用| 处理超时、重试、限流和降级 少量手工测试| 自动化评测、回归测试和可观测性 模型能返回答案| 答案有引用、可溯源、可验证 工具能被调用| 工具有权限、参数校验和错误边界 项目可在本机运行| 可上线、可监控、可维护、成本可控 因此,AI 时代的开发者不一定要逐行手写所有代码,但必须有能力判断代码是否正确,和系统能否稳定运行。
基础知识正是这种判断力的来源。 ### 四、AI 应用开发到底需要掌握哪些基础? 要是目标是 AI 应用开发,重点不是一开始就训练大模型,而是能将模型做成可靠的软件。 #### 4.1 Python 与后端工程 需要掌握: * Python、类型标注、异常处理和模块化。 * async/await、并发、网络请求。 * FastAPI、Pydantic、REST API。 * SQL、PostgreSQL、Redis 基础。 * Git、Linux、Docker、pytest。 这些知识最终应该组成一条完整链路: 接收请求 → 校验参数 → 调用模型 → 保存结果 → 处理异常 → 返回响应 #### 4.2 大模型基础 不一定要一开始就手写 Transformer,但需要理解: * Token、上下文窗口、Temperature。
- Prompt 与消息角色。 * Embedding、Transformer 和 Attention 的基本原理。 * 流式输出、超时、重试与限流。 * Function Calling / Tool Calling。 * 结构化输出和 JSON Schema。 这些概念能帮助我解释:为什么模型会丢失上下文,为什么会产生幻觉,为什么输出会不符合约定格式,以及为什么 Token 成本会突然上升。 #### 4.3 RAG RAG 不是只调用一个向量内容库 API,完整链路至少包括: 文档解析 → 文本分块与元信息 → Embedding → 关键词 / 向量 / 混合检索 → Rerank → 上下文组装 → 带引用的答案 → 检索与生成评测 还需要理解 Recall@K、MRR、忠实度和答案相关性等评估思路。
否则,系统固然“接了 RAG”,但无法知道检索是否找对资料,答案是否忠于来源。 #### 4.4 Agent 与工作流 使用 LangGraph 等脚手架不难,难的是理解框架之下的运行机制: * ReAct、Plan-and-Solve 等基本模式。 * 工具注册、参数校验和权限边界。 * 多步骤编排、状态管理和记忆。 * 重试、回滚、超时和幂等性。 * 死循环防护和 Token 预算。 如果只会给 Agent 一个目标并让它持续运行,就很容得到一个成本不可控、失败后难以恢复的体系。 #### 4.5 AI 工程化 真正决定 AI 应用能否上线的,常常是算法调用之外的部分: * Prompt、模型和数据集版本管理。
- Trace 和完整调用链记录。 * Token、延迟、错误率和成本统计。 * 离线评测与回归测试。 * 缓存、降级、批处理、Prompt 注入防护和敏感信息保护。 这些能力决定了问题出现时是否能回放请求、找到退化原因,以及更换模型或 Prompt 后效果是变好还是变差。 ### 五、AI 应用岗和算法岗的学习路线不同 吃透以前还需要区分目标。 #### AI 应用开发 数学先掌握足够理解应用的部分: * 线性代数基础。 * 概率与统计基础。 * Cosine Similarity。 * Precision、Recall、F1。 * LoRA 和量化的用途。 掌握重点是后端、模型 API、RAG、Agent、评测、可观测性与落地。
#### 算法或模型训练 要是目标是算法岗,则需要继续深入: * PyTorch、机器学习与深度学习。 * Transformer 源码和训练原理。 * 微调、预训练与分布式训练。 * CUDA、推理加速与模型优化。 对我当前的 AI 应用开发方向,更合理的顺序是: Python / FastAPI → LLM API → RAG → Agent → Trace 与评测 → Docker 落地 ### 六、21 天重建基础:不追求掌握全部,先完成最小链路 我为自己设定的第一个阶段是 21 天: 时间| 学习内容| 阶段输出 ---|---|--- 第 1 周| Python、类型标注、异常、文件处理、异步| 一个可测试的 Python 小程序 第 2 周| FastAPI、Pydantic、REST API、SQLAlchemy| 一个带参数校验和数据持久化的 API 第 3 周| PostgreSQL、pytest、Docker| 一个可通过 Docker 启动的 AI 实验管理 API 21 天并不能让人熟练掌握这些技术。
这个计划的作用是恢复一个最小完整链路,让后续学习 RAG 和 Agent 时不再只是跟着教程调 API。 判断自己是否学会的标准,也不是“视频看完”,而是能否独立完成: 接收请求 → 校验参数 → 写入数据库 → 调用模型 → 记录结果和 Trace → 处理异常 → 编写测试 → Docker 启动 这条链路可以继续扩展为一个更完备的 AI 落地工程项目: 用户提问 → 检索资料 → Agent 调用工具 → 模型生成答案 → 记录 Trace → 自动评测 → 展示质量、延迟和成本指标 ### 七、不需要停用 AI,需要改变验收标准 学底层不等于拒绝 AI,也不等于所有代码必须手写。
问题不是“代码是不是 AI 写的”,而是“我是否对这些代码有足够的理解和控制”。 我准备将 AI 构建的验收标准从“能运行”提高到: 1. 我能用自己的话讲清架构和核心数据流。 2. 我能解释关键方案为什么这样选。 3. 我能为主要失败场景设计测试、超时和降级。 4. 我能通过日志和 Trace 回放问题,而不是只会要求 Agent 重写。 5. 我能说清这个系统的准确性、成本、安全和维护边界。 ### 八、总结 AI 并没有让基础知识失去价值,它只是改变了基础知识发挥价值的方式。
验收清单其实只有三条:能画出数据流向、能亲手改一处并说明理由、能回放一条 Trace 定位一次报错。三条做不到,这个项目就还挂在 Agent 名下,不算你的。
过去学 Python、数据库和网络,可能更多是为了亲自实现能力;现在学这些,还是为了审核 AI 的实现、设计可靠的系统,并在问题出现时做出正确判断。 AI 降低了执行的门槛,却提高了判断的价值。 因此我决定暂时放慢一点,把那些只是“听说过”的概念,真正变成自己可以解释、实现和验证的能力。

评论0