最近我在观察一个非常有意思的现象： 越来越多企业在喊“用 AI Agent 提效”，但操作上呢？ 用得像工具，配得像脚本，甚至还幻想着“一劳永逸”。

一、AI Coding行业发展趋势 1.1 市场规模与增长预测 AI编程工具市场正经历爆发式增长。根据最新市场研究数据，全球AI代码工具市场在2024年达到67亿美元，预计到2030年将达到257亿美元，年复合增长率(CAGR)为24-27%。另一项研究预测，AI代码工具市场将从2025年的151.1亿美元增长到2034年的991亿美元，CAGR达到23.24%。

最近听说 AutoDL 和 CodeWithGPU 平台赚钱能力牛儿逼之，属于无敌的那一类。简单看了一下这平台，思考了几个有意思的点。顺便跟国内以算力要素起势的另一种形态的平台 Gitee AI 横向简单“对照”了一下。

机器翻译系统通常依赖大规模文本语料和上下文统计来学习词义。在这些语料中，“LLM”一词如果经常出现在法律教育或学术背景下，系统就容易学到它通常指代“法学硕士”。 除非系统能准确识别出某段文字所处的技术领域，否则它通常不会倾向使用“大型语言模型”这一译法。换言之，在翻译模型的训练数据中，“LLM=Law Master”出现频率高于“LLM=Large Language Model”，导致翻译偏见。

当前大模型产品演进方向无非两个大头：一个是 AI Chat 方向，一个是 AI Agent 方向。

传统的软件工程平台主要关注版本控制、项目管理与持续集成等功能。随着敏捷方法和 DevOps 思想的普及，开发流程不断向自动化、标准化迈进。而进入 AI 大模型时代后，平台的能力需要进一步扩展，不仅在于支持代码编写和测试，与部署的自动化上，更体现在如何让人类工程师与 AI 有效交互，共同推动软件工程流程的智能化升级。

整体概述 从 RAG 切入，因为与 RAG 对应的就是大模型本身内里的东西了，对数据的转化、扩散、对数据的训练、权重、微调、性能调优、GPU 加速、上下文窗口、大模型、小模型等等。