AI工程化大势所趋-AI大模型+MCP协议生态加速工程化进程

图片

大家好，我是人月聊IT，今天接着聊AI和大模型方面的话题。

我把它叫做 AI 工程化。因为前面我聊了很多关于 AI 的话题，都是在讲 AI 怎么样辅助编程，这个本质是面向开发人员的。

但是今天我想提一个重要观点，就是到了 AI 时代每个人都应该去考虑 AI 工程化这个话题，或者叫 AI 工程化不太准确，应该叫工程化 AI，就是怎么样将你个人的工作 AI 化。

这个 AI 化里面既包括了自动化、流程化，也包括了智能化。

在前几天我刚好在知乎看到一个问题，就是很多人都在谈到AI时代。我大量的工作我都在想着怎么样问 GPT或者问 DeepSeek去解决，我感觉我个人的思考越来越少，也让自己变得相当的焦虑。

但是实际我想说的重点是什么呢？每个人又都应该去深入思考一个关键的事情，就是我现在自己做的工作能不能被 AI 完全替代掉。

在这里我有一个关键的结论，就是：

如果我自己实践出来的方法和工具把我自己替代掉了，那么你不用担心失业或被裁员，而是你只会去负责更加高级和有挑战性的工作。但是如果你做的这个事情是被别人思考出来的，那你真的就被替代掉了。我们很多人在 AI 出来以后懒于思考，我的一个关键理解还是没有对自己的工作、对自己的输出精益求精、高质量的要求。

AI 的输出就一定满足你的要求了吗？

很多时候AI输出实际很难一次性满足我们所有要求。那你有没有去考虑怎么样进一步地训练 AI或调教 AI，其实你没有去思考这个事情。类似AI辅助，很多人都在用，但是个人精力并没有被完全解放出来，你还是不断地在跟 AI 对话，去跟 AI 调优，或者是不断地去让 AI 修订完善你的内容，你的整个时间精力并没有完全解脱出来。那你为什么不能够去考虑我怎么样把这个事情做得更加优化？

包括我前面讲到的怎么样从 AI 智能体变到代理型 AI 这么一个关键的变化，实际上你没有去思考这个问题。

包括现在大部分的企业其实都在推 AI，我们叫做全员推 AI。这个思路本身没有任何问题，但是其实里面犯了一个严重的错误，就是推这个事情它不应该是从上到下的事情，而更多的应该是从下到上的事情。

首先你要去做好个体 AI 实践，然后把它变成一个小组团队的实践，最后再把它变成一个工程级的企业级的实现，这个顺序不能错。因为每个人对他自己的工作最了解，他自己最清楚应该怎么样借助 AI 去将他的工作进一步的 AI 化或者是智能化。高层的管理者管理团队其实对这个事情他是不清楚的，他怎么可能出一个大一统的 AI 工具给所有人用呢？

所以基于这个思路，我们再展开来谈。当我们再谈 AI 工程化的时候，有几个关键点。

第一个关键点是外在感知交互繁忙度。当我们去做我们的工作 AI 化的时候，它的核心的类型或者是我优先要做哪一些工作岗位的 AI 化。里面有一个关键点，就是你一定要去考虑你当前做的工作是需要大量的和人沟通交互的工作，还是说很多工作我获取到一手的信息以后，我基本上就可以坐在电脑边上工作半天一天，这是一个关键的区别点。因为如果你这个工作是需要大量和人沟通交互，类似于项目经理，类似于销售市场人员，其实你能够去 AI 化的内容不是特别多。但是如果你接收完输入信息以后，大部分都是你自己内部在做在实现的工作，那一定可以大量的 AI 化。这是我说的第一个点。

第二个点就是工作它本身的范围类型应该怎么样？如果一个工作你一个月两个月才做一次，虽然这个事情可能要耗费你半天一天的时间，实际上这个事情他去做 AI 化的价值没有我们想的这么大。因为做 AI 的话，它本身也是一个系统工程，你要去大量的提取你原来做事情的方法、知识和方法论，你要去不断的去修正你的相应的提示语的模板规约。我做 AI 化的目的是我能够大量重复持续的去生产输出相应的东西，而不是说这个东西只用一次的话，你在训练 AI 的成本上面，远远超过你手工把这个事情做出来。所以我们再去考虑我们个人的工作怎么样去 AI 化的时候，一定要把这个关键点区分出来。

第三个关键点就是面向非技术人员的通用智能体平台，怎么样去做 AI 化？在前段时间，我在公司专门做了一个面向非技术人员的 AI 编程的培训。我为什么做这个事情呢？因为其实有大量的非技术人员，他的工作理念就是涉及到自动化的场景，但是他不会写程序，所以说原来他可能都是大量手工的去做这个事情。

举一个最最简单的例子，我们一个企业做培训需求收集，有可能是 100 个人，你收集了大量的 Excel 的文档回来，但是我需要去把这一些文档全部采集汇总成一个完整的表，并去做相关的分析。

你原来不会编程，也不会 VBA，你可能就要需要大量手工的去做这个事情。但是现在有了 AI 工程辅助以后，这个事情其实是相当容易，你把它做到自动化处理、流程化处理的。但是每个非技术人员他要去学类似于各种编程工具、各种编程语言仍然有困难。

那么怎么样来解决这个问题呢？

我提出一个关键的思路，就是我们应该把类似于Cursor,Trae这么一些面向编程的 IDE 的开发环境开发平台，当成你个人的一个通用智能体平台。这个平台对于你的编程语言技术没有任何的要求，这个平台可以极大的辅助你做好各种自动化流程化的工作。

图片

注：基于Trae自动完成新闻采集和发布

类似于原来我刚才讲到的，如果我想去做一个自动化的事情，批量将我某一个文件夹里面的相关的 Word 文档转成 PDF，这个事情我原来的做法我可能是先要把我的需求说清楚，然后让 AI 生成一段 Python 代码，我再去执行这段 Python 代码。这个对于技能其实它有一些小小的要求的。但是随着相关的我们的类似于Cursor或者Trae这种 IDE 工具逐渐的完善，特别是它和 MCP 工具的集成，里面最核心的一个就是我前面谈过的工具Sequencial MCP，分解规划按步骤执行你的需求问题的工具。有了这个工具的集成，我刚才的场景变得足够的简单，就是你只要把需求提交给这一些 IDE 工具以后，它能够自己去分析分解这个需求，去规划任务，去自动的编写 Python 代码，然后自动的执行，最后输出你想要的结果。所有的整个事情完全不需要你人为干预。

所以在这种情况下面，大模型结合 MCP生态，再有一个上层的方便大家用的这么一个通用的智能体验者的壳子以后，我们要去做我们的工作的自动化智能化就变得异常的容易和简单。

对于这一块我后续还会去分享一些最佳实践给大家参考。

但是最后再强调一下，就是在 AI 时代到来以后，每一个人一定要转变思维，考虑自己的工作怎么样 AI 化。

好了，今天的简单分享就到这里。再见。