文章探讨了AI与程序员角色的戏剧性转变，从"AI辅助编程"到"辅助AI编程"。作者认为，仅用AI工具提升效率不够，程序员需向"AI程序员"转型，学会构建AI应用。文中分享了本地RAG知识库搭建和音频处理两个实践案例，强调在AI时代，持续学习和适应新技术是程序员保持竞争力的关键，否则将面临被淘汰的风险。

作为一个程序员，过去的一年多时间我一直在用 AI 工具辅助编程。从最初的 AI 辅助编程，到最近的辅助 AI 编程。很明显的感觉在编程这项工作中，我和 AI 的角色已经发生了戏剧性的转变。这期间我用过很多大模型，也尝试了很多工具, 我能感觉到 AI 的能力越来越强，进化越来越快。

用 AI 工具编程，在一定程度上确实能提升工作效率，也能极大地扩展一个人的能力边界。比如编程语言的界限就没有之前那么清晰了，很多 java 程序员也可以用 AI 写 golang 的项目，或者一个之前不太懂前端的后端程序员也可以使用 AI 写 react 、vue 的前端项目。

仔细思考一下，对于个人来讲，我们能从使用 AI 编程这个里面获得什么呢，或者说这里面的不可替代性是什么呢？

如果仅仅是效率的提升，剩下的时间用来摸鱼刷剧，那么用不了多久，国内的环境很快就会把这些 AI 剩下的水分给挤干净。

因为大部分人本质上仍是传统的业务程序员，依然是在开发业务系统。仅仅因为使用了新工具而暂时获得的效率优势，门槛极低，其他人很容易就能追赶上来。

回想从手工业时期到机器时代的演变，机器极大地加速了生产。虽然凭借精湛的手艺，一部分工匠能延缓被淘汰的时间，但历史的车轮滚滚向前，这种大势往往是不可逆转的。

不过，危机中总会存在机遇，每一次科技革命或大的变革都会产生很多新的机会。我相信这次 AI 浪潮中一定也是如此。

那么，对于程序员来说，我有什么建议呢？

首先，绝对不要排斥 AI 编程。虽然我也相信，最终 AI 在编程领域可能会像当年 AlphaGo 下围棋一样，在各项能力上全面碾压人类。但是，能够熟练驾驭新工具本身就是一种核心能力。大量使用市面上顶级的模型和 AI 编程工具，不断练习，利用提升的效率为自己争取更多的成长时间，是当务之急。

其次，也是更重要的一点，我认为一定要慢慢向“AI 程序员”转型。作为程序员，不能仅仅满足于“会用 AI 编程工具”这一层面，因为这在未来将是普通人的基本技能。如果人人都会用，你的核心竞争力又在哪里？

若不能跟上时代的步伐，不仅企业会逐渐丧失竞争力，个人也会面临被淘汰的风险。

这就和在 2010 年左右移动客户端刚火的时候，选择做移动开发是一个道理。

那个时候经常听的一句话是，“移动互联时代，所有的东西都值得被重新发明一次。”

如今到了 AI 时代，这句话是否依然适用？

如果你放眼望去，AI 类产品正开展得如火如荼。大家要么是利用 AI 重构那些已经验证成功的刚需场景，要么是为自己的传统业务进行“AI 赋能”，给成熟产品通过 AI 增值。

翻译软件、文档工具、设计软件、AI PPT、AI 编程……AI 就像病毒一样在慢慢地侵蚀感染每一片领域和角落。

在此之前，我一直觉得开发 AI 应用门槛较高，始终未敢尝试。但过去的一个月，我开始尝试用 AI 去构建 AI 应用。

原来，迈出这一步并没有想象中那么难。而且有趣的是，一旦开始，就很难再回去了。这种体验让人一发不可收拾，甚至连我思考问题的方式也发生了巨大的变化。

现在我遇到一个问题或一个新的需求的时候，我会想这个场景是不是可以用大模型进行处理。

很多人刚开始可能会受限于没有思路，不知道从何下手。在这里，我分享几个具体的场景以及我的解决路径，希望能抛砖引玉，给大家一些启发。

一、本地私人 RAG 知识库搭建

我在之前写过一篇文章 1204-我有种预感未来本地单机软件和轻量托管应用会越来越受欢迎 ，其中谈到了我对未来本地软件流行趋势的看法。实际上，我也在践行这一理论，最近我将主力文档库切换到了 Obsidian。

选择 Obsidian 的一个主要原因，是文档全部存储在本地，且采用通用的 Markdown 格式，非常方便进行二次加工。因此，我才敢将一些日记和包含敏感信息的私人笔记存放在其中。

这些信息通常比较碎片化，记录了一些临时的想法和生活琐事，平时查找起来非常麻烦。我一直希望能有一个私人助理，可以随时回答我的私人问题。

比如我可以问它：“我爸妈的身份证号是多少？”“我去年过年的年夜饭都吃了什么？”“今年的车险我是什么时候缴的？”“六一儿童节晚上我和孩子们聊了什么？”诸如此类的问题。

最近，我终于实现了这个想法，而且过程出乎意料地简单。只需要在本地下载几个大模型，然后基于 Obsidian 里的文档，编写几百行核心代码即可实现。

首先设置自己本地的 Obsidian 知识库路径然后构建索引。构建索引的过程也就是将原始的文档使用 Embedding 模型进行向量化的过程。由于我使用的笔记本性能不错，M4 Pro 48 G 内存，所以可以选择一个相对较好的模型，我这个地方用了 BAAI/bge-m3 这个模型。

如下是正在构建索引：

构建完成我们就可以使用本地 qwen3-coder: 30b 的模型进行知识库的问答，比如如下的示例，问的都是比较私人的问题，这种问题是特有的知识领域不是外部大模型可以提供的。

由于是自己写的知识库问答，所以可以很容易的进行微调，定制化，比如我让每一个回答后面添加了参考来源，点击这个来源可以直接跳回 Obsidian 知识库定位到这个文档。使用的时候非常方便，还可以验证 AI 的回答是否准确。

二、批量处理音频文件

我手头有一批第三方的学习资料，包含了 PDF 文档和配套的音频，但一直很难将它们结构化，转化为我知识库的一部分。

最近结合本地大模型的能力，我成功将它们转录并转化为可索引的文本内容，添加到了上述的知识库中。

最初我尝试基于 PDF OCR 去实现，但效果并不理想。后来我想到是否可以利用 MP 3 音频进行转录，于是找到了 Whisper 模型。

使用如下几行代码，就可以轻松实现转录功能：

import mlx_whisper # 使用 mlx 转录 # path_or_hf_repo 使用 turbo 版本，在 M4 Pro 上速度极快且准确度依然是 Large 级别 result = mlx_whisper.transcribe( input_file, path_or_hf_repo="mlx-community/whisper-large-v3-turbo", language="zh" ) # 写入 Markdown 结果 with open(output_file, 'w', encoding='utf-8') as f: f.write(f"# {base_name}\n\n") f.write(result['text'])

不过转录完有一点小问题就是，转录出来的文字是没有标点符号和换行等格式化的。

几百份文件手工处理肯定不显示，其实我们可以使用本地小尺寸的模型来完成这项工作，比如用如下的代码使用本地 ollama 下载的 qwen 2.5-coder: 7b 就可以完成这项工作。

def format_with_ollama(text, model="qwen2.5-coder:7b"): # 如果用户确定是 qwen3-coder:30b，请在 ollama list 确认后修改此处 # 为了演示，此处先按用户描述编写。 url = "http://localhost:11434/api/generate" prompt = f""" 你是一个专业的文案编辑。请将以下由 Whisper 转录的原始文本进行格式化。 任务要求： 1. 添加必要的标点符号，使其符合中文书写规范。 2. 进行合理的段落切分，提升阅读体验。 3. 修正明显的同音字错误。 4. 去掉末尾无关的引流信息（如：正在收听本节目的你快联系微信客服... 等）。 5. 输出纯 Markdown 格式。 待处理文本： {text} """ data = { "model": model, "prompt": prompt, "stream": False, "options": { "num_ctx": 8192 # 讲稿较长，增加上下文窗口 } } try: response = requests.post(url, json=data) response.raise_for_status() return response.json()['response'] except Exception as e: return f"Error: {e}"

处理好的效果如下，还是挺不错的。

上面就是我最近使用本地模型进行 AI 编程的两个例子，还是挺简单的，感兴趣的可以试一试。

如果这个社会注定要淘汰一批人，那也不应该会淘汰那些每天学习的人吧。

最后前几天 Andrej Karpathy在2025 大模型年度回顾中提到一段话跟大家共勉：今年的 LLM 更聪明也更笨，但极其有用；行业实现的潜力不到 10%。进展会持续加速，同时还有大量基础工作需要完成。系好安全带。

AI时代，未来的就业机会在哪里？

答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。

掌握大模型技能，就是把握高薪未来。

那么，普通人如何抓住大模型风口？

AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。

因此，这里给大家整理了一份《2026最新大模型全套学习资源》，包括2026最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题、AI产品经理入门到精通等，带你从零基础入门到精通，快速掌握大模型技术！

由于篇幅有限，有需要的小伙伴可以扫码获取！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

为什么大家都在学AI大模型？

随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。

同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！

这些资料有用吗？

这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

大模型全套学习资料已整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】