在这几周的业余时间里，我开发了我人生中的第一个Chrome插件 —— smartTab。

这个插件的功能其实很简单：对你的标签页，根据大模型的返回结果进行智能分组。详细功能可以参考这个GitHub 仓库。首先，欢迎大家下载试用！

开发过程

在开发这个插件前，我只是通过 CS142 课程简单学习了前端的基础知识。然而，借助大模型和 GitHub Copilot 的帮助，我只需要能够理解 JavaScript 代码并查阅 Chrome 插件的 API 文档，就能够快速将我的想法实现出来。

整个开发过程与我之前的开发经历有很大不同：

• 大模型时代之前：开发功能需要官方文档、StackOverflow、Google 三管齐下
• 大模型时代：只需一个大模型，就能快速实现想要的功能

只有在大模型输出的代码不符合预期时，我才会去查阅官方文档。这种开发方式大大提高了我的效率。

但这也带来了一个有趣的副作用 —— 尽管我开发了一个插件，但对于 Chrome 插件的原理我依旧是一知半解。以前程序员常说，学习新技术最好的方式就是动手实现它。但现在，在大模型的帮助下，即使你实现了功能，对技术的理解可能并不深刻。我认为，这是 AI 时代的一个典型特征。

在开发过程中，我对 LLM（大语言模型）有了两点重要观察：

1️⃣ LLM 需要考虑开发者友好性

起初，smartTab 的大模型选型是 Qwen，一方面是因为听说 Qwen 是开源模型的第一梯队，另一方面是希望国内用户可以直接使用，无需翻墙。

但在开发过程中，我发现 Qwen 的结构化输出并不友好 —— 它无法准确按照我给的 schema 输出对应的 JSON。这个问题导致我不得不不断调整解析代码，严重影响了开发体验。同时，Qwen 的响应速度也十分慢，有一次调试时我等了将近 1 分钟才得到结果。

这些问题最终让我放弃了 Qwen，转而使用 Gemini-2.0-flash。在我的测试中，它的输出始终符合我给的 schema，而且基本都是”秒出”结果。

我认为，如果大模型厂商想要让开发者基于他们的模型进行开发，构建有趣的应用，那么他们应该更多考虑开发者的体验，而不仅仅是去刷榜，追求一些可能无关紧要的分数。

2️⃣ LLM 不擅长处理 “dirty work”

这里的 “dirty work” 指的是那些不复杂也不困难，但琐碎且需要人集中注意力处理的工作。比如经典的”9.11 和 9.9 哪个大？“或者简单的乘法计算。

这类问题的特点是：不需要复杂逻辑，只需要集中注意力按规则处理即可。但 LLM 在这类问题上表现得并不好。

在开发 smartTab 的过程中，我提供给 LLM 的输入是一个数组，每个元素都是一个标签页的 title 及其对应的 ID。LLM 的任务是将这些 title 进行分组，然后按照”组名: [id1, id2, …]”的格式输出。

然而，只要标签页数量超过 30 个，LLM 就会出现问题：要么漏掉一些标签页，要么记错标签页和 ID 的对应关系。这导致组名很合理，但组内的标签页却是错的。

为了避免这个问题，我改变了策略：让 LLM 直接输出 title，然后我自己根据 title 进行 ID 匹配。采用这种方式后，LLM 的输出基本正确了。

打个比方，LLM 就像职场中的 Leader —— 能够高屋建瓴地给出方向或对大项目进行拆分，但当涉及到具体的落地实施，就不那么可靠了。

LLM 的这一特点与编程恰好互补：编程的本质就是通过规则将琐碎工作交给计算机处理。有人说 LLM 会取代程序员，但我认为 LLM 和编程的结合才能产生真正的价值。

AI 时代的思考

技术方面

在 DeepSeek 出现之前，我一直认为 AI 时代只不过是给程序员提供了更好的代码补全工具。我曾拿 LeetCode 周赛题目测试大模型的解题能力，除了 OpenAI 的 o1 模型可以解决一些中等题目外，其他模型基本都不行。

但在 DeepSeek 出现后，我发现已经几乎没有 LeetCode 周赛题目能够难倒大模型了。虽然解题能力与实际工作能力有很大差距，但这表明我们应该思考在 AI 时代如何适应这个新环境。

让我们先想想：在大模型出现之前，成为一名优秀的程序员需要具备什么条件？

1. 能够使用 Google 检索自己想要的信息
2. 可以在 StackOverflow 寻找答案
3. 有能力阅读官方文档
4. 熟练掌握一门编程语言
5. 了解操作系统、网络、数据结构、算法等基础知识
6. 熟悉自己所在领域的专业知识

可以看到，成为优秀程序员的门槛相当高，这也许是程序员薪水一直较高的原因。

但在 AI 时代，这些条件似乎被简化为了一条：

• 能够正确提问，让大模型给出准确答案

因为门槛降低，我们看到许多从未接触过编程的人通过大模型的帮助，也能写出有趣的应用。那这是否意味着程序员的未来会变得暗淡？

我对程序员的未来持乐观态度。这种情况意味着我们获取信息的效率更高了，可以更快地实现想法。同时，好的答案源于好的问题，而提出好问题需要一定的领域知识 —— 你能更清晰准确地提出需求，大模型给出的答案也会更加准确。

这也就意味着，你的技术能力越强，大模型对你的帮助也越大。就像《终极一班》里的龙纹鏊一样：遇强则强。

但毕竟大模型是一个跨时代的工具，它确实对程序员带来了影响。例如，在大模型出现前，成为程序员的门槛很高，也许你只要精通其中一两项，就能找到不错的工作，比如成为一名 C++ “语言律师”。

但在大模型出现后，很多技能的边际效益在下降，对编程语言的熟练度就是其中之一。正如 Bjarne Stroustrup 所说：“你不需要了解 C++ 的每一个细节，就能写出优秀的 C++ 代码。“

在大模型时代，相较于成为”语言律师”，问题的拆分和项目的合理组织变得更加重要。只要你能将复杂问题拆分到大模型能处理的粒度，就能创造出优秀的产品。而问题拆分和项目组织，需要的是你对用户需求的理解，以及计算机相关领域的基础知识。

这影响不仅限于程序员，对所有领域都是如此 —— 卷成绩、卷绩点、卷一些数学解题技巧的意义正在降低。

相比于学习新技术，思考如何用这些技术创造有价值的产品更加重要。在 AI 时代，Jonathan Gillette 的名言依然闪耀着光芒，在此与大家共勉：

“When you don’t create things, you become defined by your tastes rather than ability. Your tastes only narrow and exclude people. So create."

"当你不创造东西时，你会被自己的品味而非能力所定义。而品味只会让你变得狭隘，排除他人。所以，去创造吧。“

职场方面

由于我尚未找到合适的创业机会，也没有特别好的想法，所以我仍需要向市场出售我的时间来换取报酬。既然如此，我也不禁思考：AI 对我的职业发展有何影响？

最大的影响应该是：对职业规划可以更加大胆一些。因为有大模型的帮助，你能更快地学习新知识，掌握新技术。这意味着你可以更迅速地切换领域，适应市场需求。我们知道，长远来看，你的薪资水平取决于你在市场上所能提供的价值的稀缺程度。

因为我在毕业后第一家公司的经历，我对所谓的”职场忠诚度”、“与老板的关系”、“绩效/汇报”，以及”做的活是否是老板关注的”、“是否有成长空间”、“是否有学习空间”等问题都持相对淡然的态度。这些因素存在固然很好，但如果没有，我也不会太在意。

因为我看到那些所谓的 leader、老员工，上午还在和大家一起吃饭，下午就被通知收拾东西走人了。我的第一个 Leader 在部门里技术实力很强，其他组的人一提到他都会说：“哦，你们组的 Leader 技术很厉害。“他与老板的关系也不错，毕竟他本身也是把原来的 Leader 挤下去的，并非那种一心搞技术、不懂职场政治的类型。

就是这样的员工，只要组织架构一变，分分钟被裁员走人。临走时，他获得的”优秀员工”奖杯还放在桌子上。

说远了些，我的观点是：在大模型时代，职场中更应该关注的是你想做什么。现在的岗位能否提供你想要的？如果可以，那很好，继续努力。如果不行，是选择跳槽还是去开源社区贡献代码？

我们都知道国内互联网的工作环境 —— 不加班几乎是不可能的。但这不过是一种代价罢了，你是选择牺牲自己未来的可能性来取悦老板，让年度绩效好看一点？还是选择增加自己未来的可能性？至于老板的感受，大多数情况下，你们之间的联系不过是在背调时需要他的联系方式罢了。

如今我们有能力，也有条件快速学习和掌握知识。请充分利用这一优势，让自己真正掌握自己的职业生涯。

当然，加班是容易的，从零开始更换职场赛道是困难的。周末加班加点完成老板临时交代的任务是舒适的，而鼓起勇气说”不”，专注于自己的长期目标则更具挑战性。

但有了大模型，不妨再勇敢一点。没有那么多可怕的事情，适度的”任性”也不会带来严重后果。

结语

我无比庆幸生活在这样一个时代。虽然我也曾想过，如果没有大模型，大家一起按部就班，慢慢查阅文档，做做”语言律师”该多好。但大模型毕竟已经诞生，我也有了可以快速学习的工具。

既然如此，我想持续创造，不断变化才是真正让我感到快乐的事情。对于人生，我愿意更加大胆一些！