人工智能时代前端开发者如何抓住机遇

例子 2 mac 的配置界面，配置项成百上千，了解相关的功能和查找相关的功能并不是一件容易的事情，使用了好几年的用户，可能很多配置项都不了解，平时遇到问题查找相关的配置项可能都需要比较多时间。

上面两个例子，都存在随着软件发展，功能变得越来越多，使用越来越复杂。对于开发者们总是希望能够开发出最为全面、功能最为强大的软件，以满足每个用户的需求。然而，如果软件的功能点太多容易导致核心功能被其他功能所淹没，易用性将会变得很差。

有没有办法我们设计很精简的功能，但同时能满足层出不穷的诉求呢？

事实是不可能的，因为满足越来越多诉求和精简的功能是矛盾体，两者不可兼得。唯一的办法是对功能进行产品架构分层、归类，保证常用功能对于大部分用户简单易用，同时提供比较隐蔽的其他功能入口，满足其他的诉求。这个并不是最根本解决办法，非常用功能的其他功能入口比较深，功能数量多，很多对用户有价值的功能也被淹没了。

那么未来我们软件集成了 AI 能力，能否做到功能全面，但易用性也非常好呢？

阶段 3：GUI + AI 对话交互（Language UI）时代

为什么阶段 3 是 GUI+LanguageUI 结合时代呢？结合上文我们知道，虽然 GUI 对软件发展意义很大，但他自身也存在一些缺陷。目前随着大模型 AI 技术发展，AI 能够理解自然语言和按照用户的需求执行，在 GUI 时代的一些软件缺陷我们完全可以使用 LanguageUI 交互解决。

我们拿上面 mac 配置举例，我们为他们新增一个智能的助手功能：

Human: 网页打开默认使用了 chrome 浏览器，怎么默认使用 edge  
AI: 已经帮你配置完成，请打开该页面查看效果 <https://www.test.com>
Human: mac 电脑锁屏后，会自动断网，帮我设置为不自动断网方式
AI: 已经帮你配置完成，可锁屏后测试
Human: 字号有点小，帮我把字号调整的大一些
AI: 现在字号是 14，帮你调整到了 16

从上面例子可以看出，有了 copilot 智能助手交互后，能够有效解决因为功能多，使用变得越来越困难问题，所以未来大概率是是 LanguageUI 和 GUI 结合的时代，通过 LanguageUI 解决软件发展曾经的一些难题，两者结合 1+1>2。

虽然 AI 时代的 LanguageUI 能力非常强大，但并不是万能的。对 GUI 和 LanguageUI 交互做个对比，GUI 是一种确定式的 UI，有稳定的输入输出，LanguageUI 是非稳定的 UI，不管能否发展出强人工智能，输入和输出并不稳定。自然语言式的 LanguageUI 好比跟人交互，对方对同一句话理解随着环境、心态、经验会有不同的理解和处理方式。处于稳定态的工具更节约资源和成本更低，比如我要看短视频，直接手滑操作相比 LanguageUI 交互是更简单和易用的。

总之 GUI 和 LUI 都有各自的优点、缺点，未来软件是通过合理的设计，最大化的发挥他们的价值。

3.软件集成 gpt 实际调研

1. Microsoft Office Copilot

一句话帮你写文档，处理复杂电子表格，分析表格数据，生成精美的 ppt 等，从最新的 copilot 演示视频看，copilot 已经能做到根据用户的自然语言需求生成 VBScript，提供更加复杂需求支持。

2. 飞书 Copilot

飞书的 copilot 帮你撰写一篇汇报文档，分析一份经营数据，或总结一场错过的会议。

3. 软件&GPT

传统的 BI 软件分析依赖于人工，人工分析是一个成本高过程，相比之下，使用 ChatGPT 等大模型技术泛化的自动化数据分析能力可以快速帮助用户找到想看到数据，分析异常，帮助发现遗漏的关键因素。

4. Microsoft Power Platform 集成

微软将 Copilot 也接入到了旗下的低代码开发平台 Power Platform 中，用户可以在 Power Apps、Power Virtual Agents 和 Power Automate 中用自然语言描述他们想要的应用、功能和流程，Copilot 可以在几秒钟内完成应用和流程的创建，并提供改进的建议。

5. Github Copilot X

一个基于 GPT 的 AI 程序员助手，能够提供代码生成和自动完成功能。它可以直接集成到 Visual Studio Code 编辑器中，在最近的一次发布会上，Github CEO 现场用 Copilot 写代码，18 分钟完成一个游戏的开发，他们希望未来能提升 10 倍程序员的效率。

6. 营销文案生成

这个平台利用 GPT 提供营销文案生成服务，帮助用户撰写广告、博客文章、产品描述等。基本体验是通过表单方式把需求提清楚，gpt 帮你完成文案编写。

7. Rewind

人脑第二助手，记录你看到、说过或听到的一切。

8. MedGPT

4 月 28 日，互联网医院医联宣布研制出国内首款大模型驱动的 AI 医生——MedGPT，该产品目前已进入内部测试阶段，计划今年 5 月正式发布。医联称，MedGPT 目前已经拥有近 3000 种疾病的首诊能力，覆盖 80% 以上的成年人疾病和 90% 以上的 0-12 岁儿科疾病。

医联称，MedGPT 采用大模型技术，基于医疗知识图谱为模型提供丰富、准确、结构化的医疗知识，并收集整理接近 20 亿条真实医患沟通对话、检验检测和病例信息进行深度训练学习，同时利用医生真实反馈进行强化学习，用以保障模型的推理质量、准确性与可靠性。

4.如何抓住机会？

1. 认识到大模型的重要性

大模型 AI 时代已经来临，第一比尔盖茨说自 1980 年首次看到图形用户界面（graphical user interface）以来，OpenAI 的 GPT 人工智能模型是他所见过的最具革命性的技术进步；第二很多知名公司都在做 LLM 大模型，不少公司开发布会说，所有的产品要用 ai 重构；第三各个知名产品都在集成 LLM 能力，不少公司因为这个股价涨了很多。总之未来用好 AI 的企业能获得更多的机会，建立更深的护城河。

产品交互的进步，影响了人和机器的交互方式，对前端开发者影响也会很大。前端开发者善于学习新的技术，从前端角度完全可以学习最新的 LLM 工程技术，把一系列工程技术应用起来，帮助业务发展更好。产品集成 AI 能力主要用途之一是让产品变的更加易用，本质上是把 GUI 转变到 GUI + LanguageUI，前端同学能够设计端到端的解决方案，相比其他算法、后端同学，我们主业就是做产品的交互，完全可以深耕这方面。

比如下面 mac 例子，本质上都是在处理交互层面的逻辑，更加适合前端开发者设计架构和开发。

Human: 网页打开默认使用了 chrome 浏览器，怎么默认使用 edge  
AI: 已经帮你配置完成，请打开该页面查看效果 <https://www.test.com>
Human: 字号有点小，帮我把字号调整的大一些
AI: 现在字号是 14，帮你调整到了 16

2. 知识学习

• OpenAI 官方文档：最全面的 ChatGPT Api 文档，通过该文档能够了解到 gpt 对外开放能力和核心概念；
• 框架：LangChain 是一个用于构建基于大型语言模型（LLM）的应用程序的开源库，帮助开发者将 LLM 与其他工具结合起来，创建更强大的应用程序，比如通过 agent 让 gpt 指挥一个机器人干活。
• 向量数据库：当我们使用 GPT 解决业务问题时，需要构建私有化的知识库，基于 GPT + 向量数据库可以完成搭建私有化业务知识库；
• 了解私有化模型部署：可应用于垂直业务，相比 GPT+ 向量数据库，可能能有更好的效果，具体可了解如 ChatGLM 等国内开源大模型项目及其生态，与 OpenAI 合作出品；
• LLM 原理学习：深入理解 Transformer 架构、Attention 机制及 Tokenization 策略。

重点介绍一些 LangChain 案例:

1. 使用自然语言写 shell 脚本，比如以前查看目录的文件列表，用 ls 命令，现在用自然语音描述就可以，无需学习 ls 指令
2. 人类作为 AGI，当 AI 遇到问题时，可以直接问人；
3. 基于自然语言，生成函数表达式；
4. 写 sql 通过自然语言描述，生成 sql

3. 带来的机会

1. 从大的视角看

• 政策：白皮书显示，北京持续保持人工智能领先优势。同时，北京将支持头部企业打造对标 ChatGPT 的大模型，着力构建开源框架和通用大模型的应用生态；
• 行业影响：对传统医疗、教育、工业、律所等行业影响大，有利于传统行业数字化发展。比如 AI 类产品 MedGPT，这款产品已经能够在近 3000 个疾病的首诊阶段发挥作用，更有突破性的实现；
• 人才需求：大模型相关人才是未来招聘热点，包括算法工程师、产品经理、应用层开发者等；

2. 从应用场景看

• 内容生成：利用 LLM 生成文本、图像、代码等，提高创作效率;
• 智能辅助：以提高用户使用效率为目标，代码生成、开发语义检索、自动纠错、代码补全等功能；
• 用户体验优化：利用 LLM 识别用户需求和行为，降低用户使用复杂度，实现个性化推荐和基于自然语义的任务执行，比如针对业务系统功能多，集成自然语言式的 AI 交互能力，帮助用户使用系统和根据用户需求执行相关任务；
• 新产品：基于 AI 技术，尝试研发创新产品，如智能生成应用、智能机器人、智能医疗等；

3. 从前端技术角度

未来社区将会沉淀出一些面向 LLM 工程的前端框架

降低 LLM 能力集成的复杂度和设计有利于 AI 集成的架构。目前在 github 搜索 ChatGPT typescript 关键字显示仓库有 7000 多，足以看出社区的活跃程度了，是时候去卷 AI 框架了。

2. 各个企业对资深前端同学需求会加大

在未来设计优秀的 AI 应用相对之前有这么几点变化，第一需要在业务理解上做到能提前预判更多的潜在诉求，因为通过自然语言描述的需求是很泛的，系统底层对于很泛的这类需求要有比较系统的解法；第二需要设计合理的架构能够最大化的利用 AI 能力，要想最大化的利用 AI 的能力，除了对 llm 工程技术非常熟悉外，还考察本身系统架构设计能力，比如如何设计底层的视图模型，低成本的让 AI 能够学会，并且在长期是个稳定态，不会随着诉求频繁迭代，每次都有比较大的变更成本。

4. 多思考业务的痛点和解决方案

业务中存在的一些痛点，采用传统 GUI 解决方案可能并不能从根本上解决，GUI 本身存在一定的局限性和发展限制。比如下图中随着系统功能的不断增多，使用成本越来越高。在这种情况下，可以考虑如何在产品中集成人工智能 AI 技术，解决业务中存在的问题和提升用户的体验。

5. 大模型岗位需求与技能树

大模型时代，企业对人才的需求变了，AIGC 相关岗位人才难求，薪资持续走高，AI 运营薪资平均值约 18457 元，AI 工程师薪资平均值约 37336 元，大模型算法薪资平均值约 39607 元。

掌握大模型技术你还能拥有更多可能性：

• 成为一名全栈大模型工程师，包括 Prompt，LangChain，LoRA 等技术开发、运营、产品等方向全栈工程； • 能够拥有模型二次训练和微调能力，带领大家完成智能对话、文生图等热门应用； • 薪资上浮 10%-20%，覆盖更多高薪岗位，这是一个高需求、高待遇的热门方向和领域； • 更优质的项目可以为未来创新创业提供基石。

6. 前端在 AI 时代的角色深化

前端工程师在 AI 时代不仅仅是页面的构建者，更是人机交互体验的设计师。我们需要关注以下几点：

1. 流式响应处理：LLM 通常返回流式数据，前端需要实现打字机效果，优化等待体验。
2. 上下文管理：在长对话场景中，前端需负责维护会话历史，控制 Token 消耗，避免超出上下文窗口。
3. 安全与隐私：在集成 AI 时，需确保用户敏感数据不被泄露，前端应做好脱敏处理和权限校验。
4. 错误边界：AI 输出具有不确定性，前端需设计完善的错误提示和重试机制，防止应用崩溃。

7. 总结

人工智能浪潮已至，前端开发者不应被动等待，而应主动拥抱变化。通过掌握 LLM 工程化技术，结合自身的交互设计优势，我们可以在 AI 时代创造出更具价值的产品。未来的前端，将是连接人与智能的桥梁，也是技术变革中最具活力的力量之一。