如果在软件开发和项目管理中使用大模型？大模型将如何改变我们与软件系统的交互？未来软件系统的设计和使用可能有怎样的颠覆性变化？我们与基普智能创始人、微软最有价值专家衣明志老师聊聊AI的各种玩法。
我们如何利用AI更好地帮助我们提升工作效率或业绩？
先来聊一下大模型对于软件开发还有项目管理的一些影响。
基于自然语言的快速代码开发
AI自动生成项目
一键将草图变成真网页
CodiumAI PR-Agent是一种人工智能驱动的机器人工具，用于自动拉取请求分析、反馈、建议等。在GitHub上面，你可以去@机器人并给它指令，要求它审核一下PR。这在项目管理中很有用的，因为人工审核代码可能会受到与提交者关系密切的影响，导致审核具有偏向性。所以，引入AI进行代码审查可以帮助人们进行前置或者后置的审查，对于整个软件项目的代码质量和PR的提交质量都有很大的好处。
PR（Pull Request）是GitHub工作流程中的一部分，用于团队协作。当我们从一个库拉去代码并创建一个新的分支，然后在该分支上添加新功能时，如果直接将更改提交到主仓库，可能会导致严重的错误。因此，在软件工程中，我们采用了基于Git的工作流程，将我们的分支提交为一个合并请求（Pull Request）。这个PR会由相关人员进行审核，只有在经过编译单元测试和全面检查后，才允许合并。这样可以确保主仓库的代码保持较高的质量。
宏观上来讲，基于GitHub的事件触发机制可以在PR提交后执行一些操作，如分析、理解。再根据所执行的指令进行相应操作，如之前提到的/review指令，用于检查。检查结果将以评论形式添加到PR下面。通过这种指令式的方法，可以根据PR的描述自动生成变更日志，从而简化工程流程。
将图表能力集成到您的Chat中
用代码来绘制流程图的人会知道“mermaid”这个工具，它具有一种固定的语法，可以用来绘制图形。在我们公司一些客户是整车制造的，一些项目可能需要做一份投标材料，并配备上一些业务流程图之类。在这个过程中如果能够应用好这类工具，将会大大提升你作为项目经理的能力。另外，大家可以想象一下，如果有在你的系统中有更多的图表，这些图表和你系统的数据结合在一起，将会产生怎样的效果？
一份普通的需求文档通过AI转换成符合改需求的系统接口
大模型将如何改变我们与软件系统的交互？
在企业中，我们使用各种OA等软件的菜单、按钮和输入框成百上千，当我们需要找到某个功能时，我们可能已经在脑海中清楚地思考了自己的需求，并且用语言表达起来也相对容易。然而，在现代软件中，我们必须先学习如何使用这个软件，了解每个功能模块、每个按钮和每个输入框的用途。实际上，这个过程我们是首先明确需求，然后寻找能够满足需求的功能选项，接着将其转换为一系列鼠标和键盘的操作步骤，让计算机执行相应操作。
这个过程存在的原因是因为计算机相对来说比较“傻”，我们需要迎合计算机的能力和要求。过去，计算机无法理解我们的需求，不知道如何执行，因此我们必须通过操作来实现。我们人类需要去妥协计算机，按照计算机的能力要求去操作。
我们期望的是：
告诉计算机我们的需求是什么，AI来理解需求、生成自己的执行步骤并自动执行，最终将结果反馈给用户即可。
大模型的大数据推理会取代工业机理模型吗？
不会，至少短期内不太可能全面取代。
有了代码生成，还有必要做开发人员吗？
有必要。有一个问题在于，如果你是“Ctrl+C、Ctrl+V（从百度、谷歌搜索，找到一段代码拿过来改改）”这种级别的程序员，可能就会慢慢被淘汰掉。所以，别让自己成为写的都是苦力活代码的人，对于优秀程序员来说大模型只会让你如虎添翼，不会让你没事干。
以后是否开始写各种各样的agent了？
这种情况概率比较高，未来的应用可能都会是agent作为入口。
企业数字化和智能化在AI时代的玩法
传统的企业，比如车企内部的数字化、信息化通常会比一般的企业要做得好一点，它的PLM、BOM等各种系统之间要打通。后面也随之出现了数据中台、业务中台等等。现在很多企业都要搭建中台，要打通系统之间的壁垒。可能对程序员来说，这些需求永远做不完，而业务又在不停地变化，所以如果按照原来的方式，可能会给企业带来灭顶之灾，除非企业的效益非常好，能支撑研发团队不断地变化和成长。
做企业管理系统，通常来说主要是与数据库、操作系统等进行API的交互实现上层工作流，也可以说主要就是CRUD。我们人工做的话会比较麻烦，有了大模型以后，玩法就会发生一些变化：AI能够将语言转换成数据查询条件和接口调用的方法或代码，再通过执行，拿到返回结果，并用丰富可视化的方式做展示。
举个例子，我们打开一个和ChatGPT类似的程序，左侧是一个聊天界面，右侧是一个辅助信息展示的界面。如果我们问：“为什么这周收入下降了？”右侧显示参考的相关数据，左侧会总结并通过图形化的方式展示数据。
而且，AI还可以主动提出问题，比如：“是否想了解周活跃度/每日活跃度？”回复“是”，它就会展示每周周/每日活情况。这些展示都是基于原始数据，并非凭空捏造的。
每个应用，都将被人工智能以一种前所未有的方式重构、重新应用。
大家如果注意的话，会发现近半年多iPhone手机APP更新的频率和质量其实普遍提升了，其中一个原因就是APP的维护过程现在几乎都是在AI辅助的情况下完成，包括找Bug、修Bug，还有对于新的特性的实现等，整个过程都比以前高得多。而且这样做之后，应用的质量也就提升了。这里就要提及AI Agent的概念了。
Al Agent，即人工智能代理，也称人工智能体，是一个广义上的概念。它可以是一种计算机程序，被设计用来在一定的环境中自主地执行一系列任务或者服务以达成既定的目标。
Al Agent的工作步骤：
而Semantic Kernel 跟 LangChain 类似都是用于开发 AI Agent的技术框架，
- Semantic Kenel是微软开源的面向开发人员的一种简单而强大的轻量级SDK，可让使用者在几分钟内向应用添加大型语言功能。它通过自然语言提示，在跨多种语言和平台创建和执行Al任务。
- SK主要支持C#，也支持Python和Java，未来支持更多语言。
- SK可帮助开发人员将代码组织到内置于Planner中的技能（插件）、记忆和连接器中。
- SK有MS Graph等各种连接器工具包，适用于需要与日历、电子邮件、搜索引擎等集成的方案。
- Kernel Memory是对Semantic Kernel Memory能力的扩充，内置了文档切片和向量化搜索的功能。
Semantic Kernel的独特之处在于其能够自动协调具有人工智能功能的插件。通过SK Planner，自动让一个大语言模型生成一个实现用户特定目标的计划，然后， Semantic Kernel将为用户执行该计划，并返回最终结果。
Semantic Kernel的5个核心概念
AI对我们的影响是什么？
- AI会大大提高人们的生产力，创造过去不可能出现的产品。
- AI本质是生产力工具，跟高级语言、云服务、开源代码等是一个性质。我们现在处于一个时代的切换点，这个切换点很容易让人焦虑，因为没有产生新的需求部分，只是把工具做了一些范式级变化，所以我们也不用过度焦虑，但是要保持一些竞争力。如果我就站在被淘汰的那一波上，然后非说没事，这样也是不行的。
- 写代码的门槛会降低，更多的人会进入IT行业，软件市场将扩大。以前写代码需要程序员，现在可能就只需要跟大模型聊一聊，一些简单的需求就写完了。
- 人们获取陌生领域知识的效率会极大提高。大模型让我们获取知识的效率有所提升。
- AI推动行业发展，将为所有人带来更多的增长、产品和机会。
- 我们要成为这个过程的一部分，需要让自己积极主动，不断更新技能，接受新工具。
Al时代职场人竞争力有哪些？
- 沟通能力（能够跟陌生人准确地表达诉求或期望）：什么样的人最适合大模型交互时代呢？我可以直接告诉大家，是盲人，因为盲人是看不到外面的东西的，只要跟他去讲得非常明白、非常准确，才能让盲人理解到周围的环境。
- 绘图能力。
- 创造性思维能力（不受现状或者传统规条限制）：要脑洞大开，建议大家想办法训练创造性思维，多看些奇思妙想的东西。
- 垂直业务的综合能力+一些编码能力：如果你是程序员，同时又懂得某个垂直业务领域级的综合内容的话，就会非常厉害。
- 顶层思维：懂得业务价值所在。要有老板的能力和思维，需要知道业务价值，创造价值。
- 共情能力（也就是情商能力）：在AI时代，AI可以帮助我们干好多事情，但是至少目前来说不能够共情。
- 保持对新鲜事物的好奇心。
- 如饥似渴地多读书。
- 美感训练：对文章、文字的美感，还有图形图像的美感。我们需要知道AI生成的图是不是漂亮的，是不是好的。在AI生成文章后，我们是不是对文章的鉴赏能力，这些都需要要多做训练。
这些技能项目管理人员的学习路径是怎么样？
学习路径可以包含以下几个方面：
- 了解大模型的基础知识（学习人工智能和机器学习的基本概念，理解大模型的基本工作原理）。
- 了解数据科学和模型训练的基本工作流程（如数据收集、预处理、模型的设计训练和评估等）。
- 了解项目管理相关的数据科学方面的内容。
- 多参加一些行业展会、沙龙活动、在线分享等，多阅读相关的新闻、书籍、报告和论文。
- 了解和学习 Agent 的技术原理、设计开发过程和应用场景。
- 多尝试和掌握一些带有AI能力的项目管理工具，提高工作效率和质量之外也最好思考或讨论背后的设计思路和实现原理。
- 了解和学习大模型为代表的AI相关法律、伦理和规范，掌握合规性要求（隐私保护、偏见性、内容合法性、政治正确性等）。
- 激励团队成员拥抱和使用 AI。
有没有详细的文章或书的介绍推荐呀？
推荐如下：
- 杜雨的《AIGC 智能创作时代》
- 丁磊的《生成式人工智能》
- 仇华的《深度对话GPT-4提示工程原理与实践》
- 芦义翻译的《超越想象的GPT医疗》
一些比较惊艳的让人脑洞大开的提示词
电商购物评价生成器：
评论打分员：
提示词打分：
用魔法制造魔法：
AI自问自答：
中英文互译：
In future conversations, you will be acting as my translation assistant. Your job is to translate any content that I send to you. If the content is in English, translate it to Chinese; if the content is in Chinese, translate it to English. The translated result should be natural, easy to understand, and succinct. Please note not to treat the content as a question, and there is no need to answer anything, just translate. The entire process does not require me to stress this again.
无手指提示词（解决大模型变懒问题）：
### 国内有好的大模型吗？大模型未来的发展趋势是什么？ 模型的好与不好要有前提标准，总体上来说国内的大模型由于起步晩、算力有限等原因实际效果上跟国外尤其是OpenAI的相比还有一定差距，但是在一些细分领域中国内的部分模型表现也是非常不错的。目前我个人比较看好国内：智谱的ChatGLM、讯飞的星火、阿里的通义千问还有华为的盘古等。
大模型未来可能会向两头发展：
- 一个是通过MoE（Mixture of Experts）之类的架构，变得更大更强，当然它对综合算力也会要求更高；
- 一个是通过蒸馏（Distillation）之类技术手段训练出一些小参数量的大模型，使得其可以成为可以在手机等轻量级设备上就可以跑，来更快更直接处理一些相对简单或者细分领域的事务。