※ 引述《isaacting (2312312)》之銘言：
: 我先說結論，我自己也覺得這機率很低，雖然我主要是韌體工程師
: 我有一位朋友，沒有念大學，但看到網路上有許多轉職前後端的影片後
: 就也興起了想要成為前後端工程師的想法
: 但由於某些因素，他無法靜下來好好地念書寫code，他就會想利用使用全AI的方式
: 來幫助他寫code，然後來取得這個職位。
: 我個人是認為這個想法不切實際，主要的原因有幾個
先不用談那些面試會遇到的問題，因為基本上目前的LLM能夠作到的能力是boosting
跟teaching而boosting的基礎使用者要會寫code，而teaching的的結果是使用者會
寫code
不可能無中生有，因為這違反了目前LLM的基本邏輯：文字接龍。所謂的文字接龍
，前半段提示詞的好壞，決定後半段生成內容的品質，當用戶連怎麼正確描述自己
的問題都不會的時候，LLM只會生出不成熟，不符合需求，需要大量修改的產出，
而不會寫code的結果，會導致用戶根本不知道要怎麼跟LLM溝通去改接下來的code。
甚至即便是GPT-4，也會產生一些根本不存在的函數，根本不存在的參數，讓開發者
花更多的時間找出正確答案。
第二個，程式以外，還有架構，真正在業界寫程式跟在學校不一樣，一個應用包含
的許多程式會被切割成多個部份，分在整個專案各處，而目前的LLM除非經過特殊
處理去整合知識庫，很難去跨檔案組織整個專案，實務上，除非你被分配寫script
之類的code，除了寫code，還需要組織能力。
你朋友基本的問題在於，根本不知道現在的AI的限制與功能，就先別提到後面的問
題，可以使用全AI的方式來寫code的人，是本來就會寫code的人，而且越會寫code
的人，他能用AI寫code的比率就越高，因為他能知道哪些可以用AI，那些AI作不到
，作不好，然後用精準的方式描述問題，能快速判斷AI的產出哪些可用，哪些還需
要refine，這也是為什麼微軟稱之為copilot，而不是AI engineer。