我在博客上的第一条关于AI的内容，是2023年2月份的一条说说： 【chatgpt 能拯救我们对AI的信心吗？】 在chatgpt 之前，当提到ai，我最先...。

当时ChatGPT 刚开始发布不久，这也是我工作的第一年不到。当时我在调研内存相关的知识，我和mentor说，看ai 还挺强了，问了一些知识看着还不错，但是会发现有不少“幻觉”，仍然无法替代主要去互联网去搜索内容。

当时我在博客里吐槽到，ChatGPT并没有吹的那么厉害啊。试图想在一片狂欢中保持一些“理智”。但今晚AI让我感觉有点震撼的一个事情是，我让AI帮我生成一个页面，页面里包含仓库的所有http api，给出api 说明和调试的工具，同时给定了样式说明。我提前先用AI生成了一段prompt，然后再用这个prompt去生成界面。功能、样式都非常符合我的想法，而这一切全部AI搞定的。

虽然在这之前也用AI生成过一些页面，但总是需要我人工理解代码去修改，但今天，内部的工具代码几乎是AI 100% coding 出来的了。AI 已经完全的渗透到了我的每一个工作流里。这篇文章想和你分享一下这一年关于AI的见闻。

这一切可能要从春节的deepseek开始。deepseek 发布之后，网络上像是病毒一样的传播deepseek那些巧妙的、搞笑的回复，尤其是深度思考让他变得更像是一个人。但彼时也只是一个乐子。但是模型能力的提升在此之后变得越来越快。随后AI + 编程也变得愈发的走进现实。

5月，我开始尝试使用AI编程：支持 Markdown 行级别评论 ｜ 聊聊 AI 如何高效代码开发 效果虽然不错，但是这个过程还是需要我去理解代码，我去修改代码，所以AI的参与度并不是完全的主力。

6月，vibe coding 概念火了，尝试将之前的番茄钟重新使用Apple 原生语言swift 重写。LifeTimer - 记录生活、学习、工作 恰好当时 Argument code 有试用期（而且额度很多），大部分的早期代码都是在试用期完成的。借助最新的模型（claude）+最厉害的 ai ide工程，AI 在这里的参与度几乎达到了90%。

尽管如此，我只是认为AI在新的小型项目里效果不错，而在大型的项目表现仍然不佳。这是因为我在工作中尝试了几次比如让AI 写一个功能，因为工作涉及到的项目非常大（GB维度），效果并不好。因为合规问题，工作的AI IDE 不能使用chat gpt 5 或者 Claude 模型，只能使用 Gemini 2.5 pro，然而这个模型在 AI IDE 里表现很一般，经常表现为，AI 宣称它完成了修改，但是实际上什么也没做，又或者改的不对。因此AI 在工作上的主要实践仍然是问问题，彼时，我对MCP了解的不多。

从11月开始，ChatGPT 发布了5.1，这也许是改变的起点，同时工作中的Trae IDE 也提供了ChatGPT的最新模型 + solo 模式。这一切都发生的改变。AI Review，AI UT生成，AI分析问题，AI 写代码，他的表现比之前稳定太多！信任是一步步积累的，由此，我也在思考自己所有的工作流能否进一步由AI接管。

一个想象中的画面是，早上开始上班，AI已经为我准备好了需要关注哪些事情，哪些事情是最重要的，第一步做什么，而我的工作就是按照AI 提供的信息去采纳以及去思考更多创新的工作。

这个过程中，MCP的作用就凸现出来了，只有通过MCP，AI 才能更好的了解以及操作我的一切。读文档，读聊天记录，读日历，读邮件。但当我深入的开始使用这些MCP，我发现MCP+AI 并不是神话。想象里，AI+工作中所有操作的MCP，AI 就能替代我，但是当前阶段一个问题就是 token 上限。

当让AI写一个需求的时候，也许AI 所需要的上下文远比我们想象的要少，可能就是一个文档，加一些文件而已，这个过程可能多轮读取一些文件。上下文太多，AI的思考时间变长，同时结果也会变得不可靠，思维会更佳的发散，生成的结果可能就不符合预期。也许大家都会遇到prompt 太长，AI 就可能跳过某些规则。

因此现阶段我还没有实现上面的想象画面，另一个因素是AI 缺乏长期记忆，这个也许可以在工程上可以进行一些优化，是我可以尝试的一个方向。

不管怎样，MCP 确实是AI 时代构建个人工作流非常重要的组件。另一个非常重要的就是 Prompt 编写。当前gpt 5.1 或者 Gemini 3 pro 的能力完成工作中大部分问题都已经绰绰有余，但是 prompt 的好坏直接影响到最终的效果。prompt 的思考本质就是人对问题思考的流程沉淀。当然这个过程也可以结合 AI 一起完善prompt，不断调整prompt，让他进行具体的工作，具体的处理，具体输出，完成工作流构建。在一些发散性的问题，则可以给更多的空间。

Prompt的质量也凸显了未来AI在每一个垂类上的价值，而不只是通用问题的回答。比如想让AI 分析日志问题，就需要质量很好的日志分析流程的prompt。通过优质的prompt 和 缩小解决问题所需的上下文（比如 API 接口裁剪不必要的信息、抽象更加流程化的API接口，通过 RAG 检索必要的知识库范围）来进一步让AI的结果更加可靠。

AI 给我更多的想象有了实现的可能。比如以往的问题分析中，通过日志逐条看非常麻烦，想写一个日志可视化分析的工具，有非常耗时耗力。又或者之前想搞自动化，但是封装一个个接口还有调试都不容易。就拿一些软件的开放平台接口来说，要处理token和各种参数非常费劲，但现在这些AI就可以完成。所以AI时代，好的想法是弥足珍贵的，因为AI 不会主动跳过里告诉你有哪些好的想法。所以大胆去相信想象吧，任何工作流是否可以在AI参与下变得更好，不要被可能性限制。

生活上，我也越来越频繁和GPT聊天，去分析各种情绪的原因，只有觉察到情绪，去思考情绪的原因，才能慢慢不至于上情绪失控。

上面差不多就是这一年和AI的一些实践了。对AI的学术内容其实了解不多。研究生的时候研究过一些机器学习的知识，但当时并没有大模型，而是偏向图像分类或者语音相关的内容。因此后续可以尝试去了解一些基础的原理，也许会让我们有更多AI实践的想法。

最后，关于AI和人的关系，身处在一个新的时代的变革里，未来谁也说不清楚，但唯一清楚的是，不参与变革，只会成为第一批被淘汰的人。