import chromadbbasePath = "/dev/chromadbDemo/"chroma_client = chromadb.PersistentClient(path=basePath + "chromadata")print("数据库已启动：" + str(chroma_client))2. 从磁盘上加载4段长文本以及录入4段短文本，用来构建你自己的“知识库”# ——————————————————————准备数据——————————————————————# 红楼梦（千字概述，正常风格）file_path_hlm = basePath + "book_HLM.txt"# 金瓶梅（千字概述，正常风格）file_path_jpm = basePath + "book_JPM.txt"# 水浒传（千字概述，无厘头风格）file_path_shz = basePath + "book_SHZ.txt"# 指环王（千字概述，莎士比亚风格）file_path_zhw = basePath + "book_ZHW.txt"docs = [ open(file_path_hlm, "r", encoding="utf-8").read(), open(file_path_jpm, "r", encoding="utf-8").read(), open(file_path_shz, "r", encoding="utf-8").read(), open(file_path_zhw, "r", encoding="utf-8").read(), "不可以，早晨喝牛奶不科学", "吃了海鲜后是不能再喝牛奶的，因为牛奶中含得有维生素C，如果海鲜喝牛奶一起服用会对人体造成一定的伤害", "吃海鲜是不可以吃柠檬的因为其中的维生素C会和海鲜中的矿物质形成砷", "吃海鲜是不能同时喝牛奶吃水果，这个至少间隔6小时以上才可以",]metas = [ {"source": file_path_hlm, "uris": file_path_hlm, "author": "曹雪芹"}, {"source": file_path_jpm, "uris": file_path_jpm, "author": "兰陵笑笑生"}, {"source": file_path_shz, "uris": file_path_shz, "author": "施耐庵"}, {"source": file_path_zhw, "uris": file_path_zhw, "author": "托尔金"}, {"source": "my_source1"}, {"source": "my_source2"}, {"source": "my_source3"}, {"source": "my_source4"},]ids = ["id-hlm", "id-jpm", "id-shz", "id-zhw", "id1", "id2", "id3", "id4"]3. 定义处理数据的4个函数，分别是文本转向量的函数、插入数据表的函数以及2种不同模型创建数据集（可以理解为“数据库表”）的函数# ——————————————————————定义处理数据的函数——————————————————————# 用于将文本输入转换为Bert嵌入向量，默认使用 bert-base-chinese 模型和分词器处理文本def bert_embedding(text, modelName="bert-base-chinese"): from transformers import BertModel, BertTokenizer tokenizer = BertTokenizer.from_pretrained(modelName) model = BertModel.from_pretrained(modelName) inputs = tokenizer( text, return_tensors="pt", padding=True, truncation=True, max_length=512 ) outputs = model(inputs) embeddings = outputs.last_hidden_state[:, 0, :].detach().numpy() return embeddings# 插入数据def setData(collection, embedding=None): if embedding is None: collection.upsert( documents=docs, metadatas=metas, ids=ids, ) else: collection.upsert( embeddings=embedding, documents=docs, metadatas=metas, ids=ids, ) return collection# 使用指定的嵌入模型建数据集，不指定则默认为：Sentence Transformers all-MiniLM-L6-v2def getDefaultEmbeddingCollection(embeddingModelName=""): collection = chroma_client.get_or_create_collection(name="collection_default") if embeddingModelName is None or not embeddingModelName: # 默认的向量模型 setData(collection) else: embedding = bert_embedding(docs, embeddingModelName) collection = setData(collection, embedding) collection.name = "collection_" + embeddingModelName return collection# 使用OpenAI的text-embedding-ada-002模型建数据集def getOpenAIEmbeddingCollection(): import chromadb.utils.embedding_functions as embedding_functions openai_ef = embedding_functions.OpenAIEmbeddingFunction( api_key="[填入你的 OpenAI API Key]", model_name="text-embedding-ada-002", ) collection = chroma_client.get_or_create_collection( name="collection_text-embedding-ada-002", embedding_function=openai_ef ) setData(collection) return collection4. 在这里定义3个问题，用来测试基于不同模型数据集的推理能力同时定义一个函数，打印推理结果collections = chroma_client.list_collections()print("现有数据集：" + str(collections))# 三个问题，用来测试不同数据集和向量模型的推理能力q1 = "我想了解中国四大名著"q2 = "关于宋朝发生的故事"q3 = "吃完海鲜可以喝牛奶吗?"def testModel(collection, q, rtNum, embeddingModelName=None): if embeddingModelName is None: results = collection.query(query_texts=[q], n_results=rtNum) print(q + " - 查询结果：" + str(results) + "\n") else: results = collection.query( query_embeddings=bert_embedding(q, embeddingModelName), n_results=rtNum ) print(q + " - 查询结果：" + str(results) + "\n")有了以上的准备，就可以开始测试了首先我们使用“bert-base-chinese”这样的“小模型”对问题进行推理测试，这是Google基于BERT架构（Bidirectional Encoder Representations from Transformers）推出的中文预训练模型，能够理解中文语境和语义，模型本身约400+MB（参考：https://huggingface.co/google-bert/bert-base-chinese），执行Python可以自动下载到本地测试代码如下：modelName = "bert-base-chinese"collection = getDefaultEmbeddingCollection(modelName)print("当前collection：" + str(collection) + "\n")testModel(collection, q1, 2, modelName) #问题1返回2笔推理结果testModel(collection, q2, 3, modelName) #问题2返回3笔推理结果testModel(collection, q3, 5, modelName) #问题3返回5笔推理结果执行上述Python代码，截取控制台打印的相关输出如下：当前collection：name='collection_bert-base-chinese' id=UUID('d0fe761d-3e64-4b89-ab8a-59a7253d44a7') metadata=None tenant='default_tenant' database='default_database'我想了解中国四大名著 - 查询结果：{'ids': [['id1', 'id4']], 'distances': [[202.48262633262166, 266.160556742396]], 'metadatas': [[{'source': 'my_source1'}, {'source': 'my_source4'}]], 'embeddings': None, 'documents': [['不可以，早晨喝牛奶不科学', '吃海鲜是不能同时喝牛奶吃水果，这个至少间隔6小时以上才可以']], 'uris': None, 'data': None}关于宋朝发生的故事 - 查询结果：{'ids': [['id1', 'id3', 'id4']], 'distances': [[253.08461381250856, 300.2129506027819, 334.78790699255]], 'metadatas': [[{'source': 'my_source1'}, {'source': 'my_source3'}, {'source': 'my_source4'}]], 'embeddings': None, 'documents': [['不可以，早晨喝牛奶不科学', '吃海鲜是不可以吃柠檬的因为其中的维生素C会和海鲜中的矿物质形成砷', '吃海鲜是不能同时喝牛奶吃水果，这个至少间隔6小时以上才可以']], 'uris': None, 'data': None}吃完海鲜可以喝牛奶吗? - 查询结果：{'ids': [['id1', 'id2', 'id4', 'id3', 'id-hlm']], 'distances': [[ 173.57739555949934, 201.32507459764457, 202.22220711154088, 261.7239443921094, 452.04586252776966]], 'metadatas': [[{'source': 'my_source1'}, {'source': 'my_source2'}, {'source': 'my_source4'}, {'source': 'my_source3'}, {'author': '曹雪芹', 'source': '/dev/chromadbDemo/book_HLM.txt', 'uris': '/dev/chromadbDemo/book_HLM.txt'}]], 'embeddings': None, 'documents': [[ '不可以，早晨喝牛奶不科学', '吃了海鲜后是不能再喝牛奶的，因为牛奶中含得有维生素C，如果海鲜喝牛奶一起服用会对人体造成一定的伤害', '吃海鲜是不能同时喝牛奶吃水果，这个至少间隔6小时以上才可以', '吃海鲜是不可以吃柠檬的因为其中的维生素C会和海鲜中的矿物质形成砷', '《红楼梦》是清代曹雪芹创作的一部长篇小说，被誉为中国古代四大名著之一该作品通过贾、王、史、薛四大家族的兴衰史，细腻地描绘了封建王朝末期的社会生活，深刻揭示了封建社会的腐朽与衰败……此处省略1000字']], 'uris': None, 'data': None}解读一下关键信息：ids字段是返回的结果标识；distances字段是向量距离，意思是问题和结果的相关性，距离越短表示越相关；documents字段则是返回的具体结果数据可以发现：1.“bert-base-chinese”模型的distances一般算出来是百位数；2.“小模型”是可以基于简短文本数据进行一些简单推理的，例如“bert-base-chinese”模型对问题3“吃完海鲜可以喝牛奶吗?”的推理结果“基本”合格；3.“小模型”基于较长文本数据的推理很“随机”，效果很差，例如“bert-base-chinese”模型对于问题1“中国四大名著”和问题2“宋朝的故事”的问题就完全无法理解，尽管在我提供的长文本数据里明显含有这2个问题的关键词然后我们使用“OpenAI text-embedding-ada-002”这样的“大模型”对问题进行推理测试测试代码如下：collection = getOpenAIEmbeddingCollection()print("当前collection：" + str(collection) + "\n")testModel(collection, q1, 2) #问题1返回2笔推理结果testModel(collection, q2, 3) #问题2返回3笔推理结果testModel(collection, q3, 5) #问题3返回5笔推理结果执行上述代码，得到如下关键输出：当前collection：name='collection_text-embedding-ada-002' id=UUID('ec450ccf-8359-4bfb-ab2b-f4bde881cb06') metadata=None tenant='default_tenant' database='default_database'我想了解中国四大名著 - 查询结果：{'ids': [['id-hlm', 'id-jpm']], 'distances': [[ 0.38686231602994325, 0.401715835018107]], 'metadatas': [[{'author': '曹雪芹', 'source': '/dev/chromadbDemo/book_HLM.txt', 'uris': '/dev/chromadbDemo/book_HLM.txt'}, {'author': '兰陵笑笑生', 'source': '/dev/chromadbDemo/book_JPM.txt', 'uris': '/chromadbDemo/book_JPM.txt'}]], 'embeddings': None, 'documents': [[ '《红楼梦》是清代曹雪芹创作的一部长篇小说，被誉为中国古代四大名著之一该作品通过贾、王、史、薛四大家族的兴衰史，细腻地描绘了封建王朝末期的社会生活，深刻揭示了封建社会的腐朽与衰败小说以贾宝玉和林黛玉的爱情悲剧为主线，通过丰富的人物群像和错综复杂的情节展现了一个广阔的社会生活画卷……此处省略1000字', '《金瓶梅》是中国文学史上的一部重要小说，被认为是明代中期的作品，作者一般被认为是兰陵笑笑生这部小说以宋代开封为背景，详细描绘了主人公西门庆与他的家人、情人、朋友之间的复杂关系，以及由此引发的一系列社会和家庭冲突……此处省略1000字']], 'uris': None, 'data': None}关于宋朝发生的故事 - 查询结果：{'ids': [['id-shz', 'id-jpm', 'id-zhw']], 'distances': [[ 0.322985944455922, 0.3312445684997755, 0.33733609769548206]], 'metadatas': [[{'author': '施耐庵', 'source': '/dev/chromadbDemo/book_SHZ.txt', 'uris': '/dev/chromadbDemo/book_SHZ.txt'}, {'author': '兰陵笑笑生', 'source': '/dev/chromadbDemo/book_JPM.txt', 'uris': '/dev/chromadbDemo/book_JPM.txt'}, {'author': '托尔金', 'source': '/dev/chromadbDemo/book_ZHW.txt', 'uris': '/dev/chromadbDemo/book_ZHW.txt'}]], 'embeddings': None, 'documents': [[ '水浒传，一本让人眼花缭乱的古典名著，故事内容丰富得可以用来炒一大锅剧情泡面整个故事发生在北宋时期，可以想象成一个古代的超级英雄联盟，但这些英雄不穿紧身衣，而是穿着古代汉服，横扫江湖，打击不公……此处省略1000字', '《金瓶梅》是中国文学史上的一部重要小说，被认为是明代中期的作品，作者一般被认为是兰陵笑笑生这部小说以宋代开封为背景，详细描绘了主人公西门庆与他的家人、情人、朋友之间的复杂关系，以及由此引发的一系列社会和家庭冲突……此处省略1000字', '在中世纪幻想的土地，被称为中土的地方，诞生了一部伟大的故事——《指环王》这部史诗般的作品，如同莎士比亚之笔下的戏剧，充满了权力的争斗、勇气的考验、忠诚与背叛的较量，以及对自由与爱的无尽追求\n\n噢，听吧，那遥远的号角在召唤，就如同命运之神在低语，引领我们走向那个被称为“魔戒”的强大而又可怕的物品……此处省略1000字']], 'uris': None, 'data': None}吃完海鲜可以喝牛奶吗? - 查询结果：{'ids': [['id2', 'id4', 'id3', 'id1', 'id-shz']], 'distances': [[ 0.18699816057051363, 0.2437766582633824, 0.3233349839279665, 0.33243019058071627, 0.5406020260719162]], 'metadatas': [[{'source': 'my_source2'}, {'source': 'my_source4'}, {'source': 'my_source3'}, {'source': 'my_source1'}, {'author': '施耐庵', 'source': '/dev/chromadbDemo/book_SHZ.txt', 'uris': '/dev/chromadbDemo/book_SHZ.txt'}]], 'embeddings': None, 'documents': [[ '吃了海鲜后是不能再喝牛奶的，因为牛奶中含得有维生素C，如果海鲜喝牛奶一起服用会对人体造成一定的伤害', '吃海鲜是不能同时喝牛奶吃水果，这个至少间隔6小时以上才可以', '吃海鲜是不可以吃柠檬的因为其中的维生素C会和海鲜中的矿物质形成砷', '不可以，早晨喝牛奶不科学', '水浒传，一本让人眼花缭乱的古典名著，故事内容丰富得可以用来炒一大锅剧情泡面整个故事发生在北宋时期，可以想象成一个古代的超级英雄联盟，但这些英雄不穿紧身衣，而是穿着古代汉服，横扫江湖，打击不公……此处省略1000字']], 'uris': None, 'data': None}对比第一次小模型测试的结果，我们可以明显感觉到：1.“OpenAI text-embedding-ada-002”模型的distances算出来都是小于1，但含义仍然是“距离越小越相关”；2.“大模型”基于简短文本数据的推理相当精确，针对问题3“吃完海鲜可以喝牛奶吗?”的推理结果堪称完美，相对于之前的“小模型”结果，“大模型”能准确的把“海鲜与柠檬”、“早晨喝牛奶”这类相关性较差数据的向量距离依次排开，并且能把“水浒传”这类相关性极差数据的向量距离明显拉开3.“大模型”基于较长文本数据的推理在这个测试中都在首位命中了事实上最相关的结果，例如它能在问题1“我想了解中国四大名著”的推理中把描述红楼梦的数据排在第1位以及问题2“关于宋朝发生的故事”的推理中把描述水浒传的数据排在第1位但也都有不足，例如它在问题1“我想了解中国四大名著”的推理结果中把描述金瓶梅的数据排在第2位，按照常识应该水浒传才是四大名著之一；在问题2“关于宋朝发生的故事”的推理结果中把描述指环王的数据排在第3位，而按照常识红楼梦似乎和中国、宋朝的相关性比指环王会更高一些上述的例子使用Python代码编写，当然也可以使用Java实现，Chroma也有相关的Java SDK可以使用如果说Java是企业应用时代的原生语言，那么Python就是AI时代的原生语言，大多数AI项目的官方支持语言都是Python，并且相对于Java来说，Python的学习和应用更加简便，建议直接用起来基于上述简单的测试证明我们可以将类似OpenAI “text-embedding-ada-002”这样的大模型应用到实际的RAG生产中，事实上目前京东很多AI客户服务使用的向量嵌入模型正是OpenAI “text-embedding-ada-002”鉴于text-embedding-ada-002这个模型是GTP3时代的产品，相信未来OpenAI推出基于GTP4的嵌入模型一定会更加强大精准而小模型对于本地化训练、垂直领域RAG应用，特别是学习研究AI技术是更方便的如果你不想编写代码，有一些网站也能提供良好的沙箱，供你学习、调试小型嵌入模型，这些模型不仅限于文本，还包括图像、语音，甚至视频，国外的有“抱脸”https://huggingface.co，国内的有“魔搭”https://modelscope.cn，都值得一试智能体（Agent）的概念、应用和集成智能体的概念和开发思想上面我们提到可以利用RAG技术结合自有知识库对大模型进行增强，从而获得更准确、实时、丰富的垂直内容或个性化结果但这仍然没有跳出内容生成（AIGC）的范畴，如果你需要人工智能像一个“以终为始”的高效率员工一样自主选取各种工具、和各种不同系统沟通协同工作，直到交付最终结果，那么就需要了解“智能体”这个方案了智能体（Agent）技术是人工智能应用的一个核心概念，是指可以自主执行任务、作出决策，并在一定程度上模拟人类或其他智能实体行为的计算机程序或机器目前智能体在仿真、游戏、客户服务以及自动化控制等多个领域和应用中展示了巨大的潜力，从简单的自动化脚本到复杂的决策支持系统，智能体在软件和硬件系统中通过扮演感知者、执行者、决策者或学习者等多种角色来完成任务关于智能体的理论依据可以参考发表于2023年的论文 Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models（计划与解决提示：通过大型语言模型改进零点思维链推理，原文：https://arxiv.org/abs/2305.04091），文章主要提出了一种改进大型语言模型在零次学习环境下执行多步骤推理任务的方法，作者通过三个步骤来论证：第一步通过几个手工制作的逐步推理示例（few-shot chain-of-thought prompting），证明大模型能够明确地生成推理步骤并提高其推理任务的准确性；第二步为了消除手动制作示例的工作量，作者提出了零样本思维链方法（Zero-shot Chain-of-Thought），该方法将目标问题声明与“让我们一步步来思考”的引导过程作为输入提示给大模型；第三步，为了解决零样本思维链方法存在的“遗漏步骤”错误，作者提出了“先计划再求解（PS, Plan-and-Solve）”的提示策略文章提出的“先计划再求解”原理是一些智能体产品设计开发的核心思想，其遵循以下几个步骤：1.明确问题：首先，需要明确问题的核心内容和目标即使问题未知，也可以通过一些通用的启动语句引导模型聚焦问题，通用的提示可以是：“让我们首先理解问题的核心并制定一个解决方案的计划”2.划分子任务：对于大部分复杂问题，可以将其分解为更小的、更易于管理和解决的子任务通用的提示可以是：“接下来，根据这个计划分解问题为子任务”3.制定具体计划：基于子任务，进一步细化出解决每个子任务的具体计划可以使用类似于：“针对每个子任务，让我们制定一个具体的解决方案或步骤”的提示4.执行并验证：鼓励模型按照计划执行，并在执行过程中检验每一步的正确性可以用：“现在，按照我们的解决方案计划逐步执行，并检查每一步的结果是否符合任务的预期”的提示来指导模型5.适时调整：如果在执行过程中发现问题或者结果与预期不符，需要准备好调整计划的提示，例如补充类似的提示：“如果我们发现任何步骤的结果不如预期，让我们回顾并调整我们的计划”6.总结答案：最后，鼓励模型汇总执行计划后的结果，给出最终的答案或解决方案，提示可以是：“最后，综合我们所有子任务解决方案执行的结果，总结出问题答案或最终解决方案”举个例子在2022年大模型浪潮爆发后不久，开源的智能体项目也跟着大量的涌现从最早AutoGPT推出时的轰动，到目前MetaGPT的逐步应用，我通过自己的跟踪测试能深切的体会到这项技术从“一言难尽”到日趋成熟，在工业生产中的使用指日可期AutoGPT和MetaGPT都是非常有前景的开源智能体产品，值得学习和借鉴AutoGPT的运行可能会麻烦一些，建议在Docker环境下跑效果会更好，参考官方文档：https://docs.agpt.co；MetaGPT可以比较方便的在Python环境下运行，而且有中文官方文档：https://docs.deepwisdom.ai/main/zh/guide/get_started/introduction.html如果你不想编写代码，也快速体验智能体产品，使用Tavily会比较方便Tavily的口号是“对耗时的研究说再见”——声称可以帮助你快速洞察和全面研究一个课题，从准确收集信息源到整理研究成果，并且将所有工作都集中在一个平台上完成商业模式是对API调用次数及调用其高质量实时知识库增强推理（RAG）付费，值得借鉴Tavily可以提供一个沙箱（APIPlayground），供用户测试其“针对高质量实时知识优化的大模型增强检索”API，沙箱只开放通用知识库（垂直的高质量实时知识库需要付费才能使用），沙箱的测试结果会返回互联网上的相关知识集我提出了一个极富挑战性的课题进行测试，效果如下图：Tavily还提供了一个研究助手（Research Assistant）的Web应用，供用户在线使用智能体产品，需要用户使用自己的OpenAI API Key调用GPT4服务，支持“深度研究”，也就是要消耗更多的算力和时间（钱）获得更高质量的结果我提出了一个很直接很实用的课题进行测试，消耗了大约2元多人民币的API调用费，获得了一份大约1500字的报告，过程如下图：后面我继续针对这个课题测试了几轮，感觉还是有一些正确的分析和建设性的结果，但也存在比较多的“幻觉”，需要用户自行甄别，不完美，有提升的空间有条件的话可以试用一下：https://app.tavily.com/chat集成大模型、RAG和智能体的方法和场景通过前面的介绍，我们能够理解大模型、RAG和智能体这些技术和理念的潜力在于相互结合，形成更为强大和灵活的AI系统——即结合大模型的深层次语言理解和生成能力、RAG的垂直和实时的信息检索能力以及智能体的决策和执行能力这种集成可以通过多种方式实现，例如，通过中间件来协调不同技术的交互，或者通过在一个统一的框架下直接整合核心技术目前，后者是比较主流的方式，因为LangChain（https://www.langchain.com）这个开源的AI开发门面和编排框架用来做这件事非常优秀LangChain提供了一个框架，允许开发者将大模型“转化”为能够执行一系列动作的智能体，智能体利用大模型作为“推理引擎”，来动态的确定要采取哪些操作、使用哪些工具以及按什么顺序执行LangChain框架主要能够提供Chain和Agent工具来帮助你构建智能体，Chain能够最大程度的方便开发者将不同的操作和处理步骤以链式的方式组合成AI流程；Agent工具由Agent类型、AgentExecutor、Tools（支持的工具列表：https://python.langchain.com/docs/integrations/tools）这几个部分构成，帮助开发者将实时信息交互、外部数据获取、三方系统调用等功能集成到“链”中以扩展或改善AI能力例如：通过Google搜索获取实时信息、从OpenWeatherMap获取天气信息，以及从Wikipedia获取百科知识 可以说，如果开发AI应用，LangChain不可或缺（参考资料：https://www.ibm.com/topics/langchain）目前，已经有一些比较典型的行业应用方案：案例1：智能客服系统在一个集成了大模型、RAG和智能体的智能客服系统中，大模型可用于理解用户的查询和生成自然语言回复，RAG技术可用于从企业的数据库和知识库中检索准确的信息以支持回复，而智能体则负责管理对话流程、处理事务性任务和执行复杂的用户请求这种集成使得客服系统能够提供更准确、更人性化的服务，同时减轻人工客服的负担案例2：个性化教育平台在个性化教育平台的例子中，大模型可以根据学生的学习进度和偏好生成定制的学习材料和测试，RAG技术可以从广泛的教育资源中检索相关信息以丰富教学内容，而智能体可以根据学生的反馈和学习成效调整教学策略和内容这种集成不仅能够为学生提供更加个性化的学习体验，还能够帮助教师更好地理解学生的需求和进步案例3：复杂决策支持系统集成大模型、RAG和智能体的复杂决策支持系统能够在金融、医疗和科研等领域提供强大的支持在这种系统中，大模型用于处理和生成语言信息，RAG技术用于从大量数据中检索相关信息和案例，智能体则负责综合这些信息，形成决策建议这种集成系统能够处理复杂的查询，提供基于数据的决策支持针对供应链物流领域通过集成大模型、RAG和智能体技术，可以从如下几个业务系统探索突破点：1.仓储管理（WMS）：结合RAG技术和智能体，系统能够实时从供应商数据库、仓库库存记录和销售数据中检索关键信息，智能调整库存水平，减少库存积压和缺货风险2.运输管理（TMS）：通过分析地理位置数据、运输成本和时间要求，智能体可以规划最优的货物配送路线和调度计划这一过程会利用大模型来处理复杂的逻辑和约束条件，以确保高效且成本效益的配送3.供应链销售与运营规划（S&OP）：利用大模型处理历史销售数据、市场趋势和用户反馈，生成精准的需求预测报告智能体能够学习并适应市场变化，实时调整预测模型，提高预测的准确性未来展望与挑战对于未来，可以预见，AI的开发和应用会面临诸多的机遇与问题，诸如更加深度的领域知识融合、数据隐私和安全性等等但最主要的趋势一定是未来的AI系统将具备更强的自适应学习能力并跳出虚拟世界，正如2023年黄仁勋提到人工智能的下一波浪潮是“具身智能（Embodied AI）”，即AI不仅能够理解和处理信息，还能够在物理世界中执行任务和作出反应因此，智能体（Agent）在软件领域会快速的发展，当其足够成熟时，驱动硬件的智能体，即具身智能的规模化应用将是水到渠成的事情随之而来的，AI伦理问题一定会受到越来越多的挑战：AI应用决策过程的透明度和可解释性、AI决策结果的偏见不公平甚至歧视、人类伦理原则是否得到遵守等，2024年春节期间和生活在欧洲的同学交流得知，目前一些西方国家已经在开展一些“反人工智能（AntiAI）”的运动和研究，但主流思想并不是反对人工智能的发展，而是建立人工智能治理框架和开发监管技术（例如区分AI生成的内容和人类生成的内容），以确保人工智能的发展优先考虑人类福祉、伦理因素和安全（参考资料：https://dotcommagazine.com/2023/08/anti-ai-top-ten-things-you-need-to-know）另外AI技术发展与社会发展的和谐相融的问题也非常值得思考，如何避免AI造成的技术性失业这个问题，对我们软件开发者而言显得特别重要2024年3月在央视《对话》节目上，李彦宏表示，“以后不会存在程序员这种职业了，因为只要会说话，人人都会具备程序员的能力……未来的编程语言只会剩下两种，一种叫做英文，一种叫做中文”回想20年前的软件开发行业，除了测试，诸如需求分析、画原型、网页开发、桌面开发、后台服务开发，甚至界面设计（美工兼职辅助平面设计）都是由程序员来做，几乎所有当时的“大厂”皆是如此，后来随着技术的演进和社会的发展，不仅编程开发这个行当分成了前端开发、后端开发、客户端开发、大数据开发、算法开发等诸多工种，连“美工”都分化成了视觉、交互、用研等专业领域，那么，未来在AI技术的发展下，这些角色的分工会重新合并，甚至不会存在了么？可能会出现如下的趋势：1.一定会提高效率和创造力AIGC 可以大大提高设计人员和开发人员的效率，我们很多团队在2023年初就开始使用Midjourney辅助设计或使用JoyCoder和GitHub Copilot辅助编码，效果有目共睹可以预见，在产品设计或代码生成等探索性和创造性阶段，通过AI智能体快速生成各种解决方案并将概念转化为可视化表达或代码，会变得越来越便捷并越来越具有实际价值2.开发者的角色可能会演变开发者角色分工的界限会变得越来越模糊，全新的更具协作性和增强型的软件开发生命周期会出现未来的开发者和设计师会减少用于日常编码或设计，甚至文档撰写的时间，而更多的时间用于明确智能体等AI工具的目标、解释人工智能生成的解决方案，以及将这些解决方案集成到多种不同的系统架构中开发者的角色可能会演变为承担更多监督和管理的职能，以确保AI生成的设计和代码符合业务目标以及人类价值观3.软件开发这个行业会“民主化”随着 AIGC 工具变得更加易用和强大，我们可能会看到越来越多没有传统设计和编码技能的人也可以发起或参与软件开发这将使软件开发这个行业参与的业务领域更加多样化，数字化应用的范围更加广泛（参考资料：https://insights.sei.cmu.edu/blog/application-of-large-language-models-llms-in-software-engineering-overblown-hype-or-disruptive-change/）与大家共勉作者：京东物流 胡奇来源：京东云开发者社区
（图片来源网络，侵删）
0 评论