tl;dr

自然语言、伪代码和代码并不是竞争的工具。它们是不同层次精确度的语言。

在AI辅助编程的时代，学习编程不仅仅是手动编写每一行代码。它还涉及到知道何时一个想法需要更加精确，如何控制这种转换，以及如何区分人类做出的决策和AI系统填充的决策。

BlackBoxApproach: 当AI不断出错时构建应用

概念验证研究。github.com/amiune/theblackboxapproach

AI在生成代码方面非常出色。它也擅长在你要求修改一个按钮时重写整个项目。BlackBoxApproach 是我们解决这一问题的实验。

MokuML：无需流水线的本地机器学习预测

概念验证研究。github.com/amiune/MokuML

如果小企业能够连接 Postgres，用简单的英语描述预测需求，然后直接在自己的 Mac 上得到结果，而不需要数据科学团队、云端机器学习系统或类似 Kumo 的订阅服务，会怎样？

这正是我们通过 MokuML 探索的可能性。可以把它理解为轻量版 Kumo.ai：连接数据库，提出预测需求，获得答案。但所有操作都在本地进行。

LLMs 和 AI 在 2025 中的应用：实验、挫折和一些重大惊喜

2025 是我们一年来对 LLMs 和应用 AI 进行实际实验的一年。我们不再只是从 sidelines 观察这个领域，而是花了一整年时间去构建、测试、发现问题，并尝试一些有时有效、有时无效的想法。

总体感觉是混合的。技术的某些部分令人印象深刻，发展速度非常快。其他部分仍然显得早期和脆弱。以下是我们学到的内容以及这些内容如何影响我们下一步的计划。

LLM：一个真实应用案例

摘要：我们为 elMejorTrato.com 实施了 LLM、向量数据库和 RAG，得出了以下结论：

• 处理西班牙语需要一些技巧
• ChatGPT API 的成本过高
• LangChain 和代理有时过于复杂
• SentenceBert 与 VectorDB 能做出出色的应用
• 量化的开源 LLM 也能取得很好的效果

如何从零开始学习人工智能？

要从零开始学习人工智能，FreeCodingTour 提供了三门课程，建议按以下顺序学习：

1. 编程
2. 数据科学
3. 人工智能