有个相当大的圈子，我称之为“底层画师互助圈”类似半次元这种的。

全盛时期十几个千人群，主要工作是啥呢：

十几块到三十块不等。给你画人设，画头像，画插图。

好不好就不说了，这点钱你能要啥好东西。甚至都有纯粹看个乐呵去买的。画师里面甚至有不少初中生，我印象里最小的才13岁。

我偶尔喜欢花个十几块二十几块买个插图、头像啥的，也在群里。

以下是具体经历：

AI时代第一年，群里基本上都是对AI的嘲笑，“AI尸块”论也在当时大行其道。

然后一两年过去了，嘲笑变成憎恨。基本上是一张画三四百的上层画师大放厥词表示“AI替代的都是不努力的底层画师，你有担心的功夫不如多练练画，不然没AI也是照样被替代的命”然后一群小画师在那附和。

23年初是大鉴抄时代，群里不少人的画都被质疑过AI。群里一时火药味十足到开了好几次禁言。毕竟，“你的画像AI”跟“你的画一毛不值”，对这个底层画手群都是一个意思。更何况，画的不如AI还想赚点外快的，才是这种群的主流人。

23年中旬前后吧，明显看得见的就是小画师几乎不说话了。好几个群都没啥声音了，连网站本身都没了（顺便，半次元整个网站也无了）。就是一堆价钱三五百一张的画师在那谈论工作。

其实我也就是没好意思说。最开始那个上层画师说的对不对？对，是对的。AI能完全替代上层水平的画师，那是非常困难的。但是，大多数人都是或曾是底层画师。以前低水平的勤快点能赚个三五百的零花钱，然后一点点进步成为高手。但现在AI是直接从底下一口咬掉基层画师，然后慢慢的通过AI技术进步往上吃。大多数这时候开始起步的画师几乎都跑不过AI的。

不少我知道的漫画家，比如比马大战记的作者CMJ、极乐鸟、孙渣、笛子等等，都或有或无的表示过自己有过为了赚钱一两百一张画都接的奋斗时期。觉不敢睡，饭省着吃，一点一点混出头来。

AI时代一个坏消息是，除非你已经相当有专业基础了，你可以正常创作。受的波及并不大。

但如果你处于一边赚钱一边学习进步的这种奋斗状态，那很遗憾，这条道已经堵死了。我知道有很多现在的知名画师当年都是这么混出来的，但现在不行了。这一点间接导致绘圈成为了一个更高成本，更要求天赋的圈子。

最后预测个结果吧，希望错了：未来四五年，除了头部5%左右的画师因为“有特色”“水平极高”等原因还能维持收入以外，剩下的全得转行AI。新画师基本上就是AI起步，因为社会环境也不需要学个五六年才能拿出成果的人，因为有那五六年AI又大变样了。

同理，AI可能波及的其它行业：漫画圈、五分钟以内的短视频圈、小说圈、基层音乐圈。

注意一点，“摧毁”不是说这个行业死绝了。而是80%以上的人原本能通过该行业赚钱的，都被AI替换掉了。你要是五年后指着少数顶级从业者说“你看行业不还好好的吗”，那就没必要了。

说一个最近的例子很有感触 前段时间和一家工厂合作，最后工厂由于破产，不还钱，于是准备起诉他，金额不大就2000多元，这时就有一个尴尬的问题，如果找律师，问过的价格多的要2000多，哪怕tb找的可能不是律师，代写起诉材料的也要6-800之间。而且还不一定能赢。于是想到用ai，把聊天记录上传上去，然后自动生成起诉材料，还告诉我还需要准备哪些材料，包括身份证正反面，还有收款书啥乱七八糟的。然后我简单看了一眼觉得不错，就提交了，大概过了一个月，法院那边打电话过来受理了。然后就是签了调解书，调解时间过了，对方还不还钱，于是准备申请强制执行，但网上的模版看了几个都不符合我的情况，于是又把情况和ai一说，调解书也好了，然后就是快递过去，等待法院处理了。
换做以前不敢想 这些是我一个人可以做到的，但有了ai真的我省下了大几百，可能这些事情我去网上查资料也可以做，但时间上划不来，利用ai只花了不到1小时，所有事情都完成了，而且服务态度我认为比律师事务所好的不要太多，（有咨询过律师事务所）真的这件事让我感觉未来大量基层律师可能真的没有发展空间了。

antirez，Redis 的创造者。他在西西里岛独自写代码、独自维护 Redis 长达 11 年，直到 2020 年辞职去写科幻小说。2024 年底他重返 Redis，同时开了个 YouTube 频道专门聊 AI 编程。

他不是那种追热点的人。相反，他一直对"极简、人味、手写代码"有近乎偏执的追求。所以当这样一个人说出"手写代码已经没必要了"，值得认真听一下。

这篇文章是他最近的思考，几个核心观点：

1. 写代码这件事，大部分情况下不需要人了。他用 Claude Code 几小时完成了以前要几周的工作
2. 但创造的乐趣没变。让你当年熬夜到深夜的，不是写代码本身，是"做出东西"。这件事 AI 替代不了
3. 现在更重要的是：想清楚做什么、怎么做——而这两件事，AI 也能帮你
4. 别敷衍地试五分钟然后下结论，认真用几周再说

正文

原文：Don’t fall into the anti-AI hype by antirez

我喜欢一行一行地写代码。可以说，我的整个职业生涯都在追求一件事：写出精良、极简、带有人味的软件。我也希望社会不要遗忘底层的人。说实话，我并不在乎 AI 公司能不能赚到钱，甚至如果现有的经济体制被颠覆、财富能大规模重新分配，我会很高兴。但如果我因为这些立场就看不清现实，那我对不起自己的脑子——事实就是事实：AI 将永远改变编程。

2020 年我辞职去写小说，主题就是 AI、全民基本收入、一个努力适应自动化的社会所面临的挑战。2024 年底我开了个 YouTube 频道，专门讲 AI 在编程中的应用，以及它可能带来的社会经济影响。虽然我很早就预见到了这一切，但我原本以为至少还有几年缓冲期。现在我不这么认为了。最近的顶尖大模型，只要给出足够清晰的目标描述，已经能独立完成大型子任务，甚至中等规模的项目，几乎不需要人手把手。

当然，成功率取决于你在做什么类型的编程（越独立、越能用文字描述的越好——系统编程尤其适合），也取决于你能否在脑中构建清晰的问题模型并传达给 AI。但总体来说，对于大多数项目，亲手写代码已经不再明智了——除非你纯粹是为了好玩。

过去一周，我只靠写提示词、偶尔检查代码给点方向，用几个小时完成了以下四件事——以前这些至少要几周：

1. 给我的 linenoise 库加上 UTF-8 支持，并创建了一个行编辑测试框架，用模拟终端来检测每个字符单元格显示的内容。这件事我一直想做，但很难为一个业余项目投入那么多精力。但如果你只需要描述想法，代码就能自动生成，那就完全不一样了。
2. 修复 Redis 测试中的偶发失败。这种活儿最烦人：时序问题、TCP 死锁之类的。Claude Code 自己反复迭代去复现问题，检查进程状态搞清楚发生了什么，然后修复了 bug。
3. 昨天我想要一个纯 C 的库，能跑 BERT 类嵌入模型的推理。Claude Code 5 分钟搞定。输出结果和 PyTorch 一致，速度只慢 15%。700 行代码，外加一个 Python 工具来转换 GTE-small 模型。
4. 最近几周我在改 Redis Streams 的内部实现。我有一份设计文档。我把文档交给 Claude Code，它大概 20 分钟就复现了我的工作（主要是我检查和授权命令执行比较慢）。

现实摆在眼前，不可能视而不见。写代码这件事，大部分情况下已经不需要人来做了。现在更有意思的是：想清楚做什么、怎么做——而后者，大模型也是很好的合作伙伴。

至于 AI 公司能不能收回投资、股市会不会崩盘，长远来看都无所谓。那些独角兽 CEO 说的话让你反感也好、荒唐也罢，都不重要。编程，已经永远改变了。

我写的那些被大模型吃进去训练的代码？我觉得挺好。因为这和我一辈子努力做的事是一脉相承的：让代码、系统、知识民主化。大模型会帮我们写出更好的软件，更快，让小团队有机会和大公司竞争。和 90 年代开源软件带来的变革一样。

但这项技术太重要了，不能只掌握在几家公司手里。目前，你可以在预训练上做得更好，可以用更高效的方式做强化学习，但开源模型——尤其是中国产的那些——还在持续追赶闭源的前沿模型（虽然有差距）。AI 的民主化程度目前还算可以，尽管不完美。但未来是否一直如此，完全不确定。我对中心化感到担忧。不过我相信，大规模神经网络本身就能做到不可思议的事情，而且目前的前沿 AI 并没有什么”秘密魔法”，所以其他实验室和团队有机会追上来——不然很难解释为什么 OpenAI、Anthropic、Google 这几年的成果一直那么接近。

作为程序员，我现在比以往任何时候都更想写开源代码。我想完善一些因为时间原因搁置的项目。我想把 AI 应用到我的 Redis 工作流里，改进 Vector Sets 的实现，然后像现在做 Streams 一样去优化其他数据结构。

但我也为那些会被裁掉的人担心。未来的走向还不清楚：公司会选择招更多人、做更多事？还是会砍人，留下少数更会写提示词的程序员？而且，还有其他领域，人类可能会被完全取代，这让我害怕。

那社会层面的解决方案是什么？创新无法倒退。我认为我们应该投票给那些认清现实、愿意支持失业者的政府。被裁的人越多，政治压力就越大，大家就越会投给那些能提供保障的人。但我也期待 AI 能带来好的一面：推动科学进步，减少人类的苦难——毕竟人生并不总是幸福的。

好了，回到编程。朋友，我只有一个建议给你：不管你觉得”正确的事”是什么，拒绝承认正在发生的一切并不能改变任何事。跳过 AI 不会帮到你，也不会帮到你的职业生涯。好好想想。认真测试这些新工具——花几周时间，而不是五分钟的敷衍测试来验证你已有的偏见。找到一种方法让自己产出倍增，如果这次不行，过几个月再试。

是的，也许你觉得自己花了那么大力气学写代码，现在机器却替你做了。但你当年熬夜到深夜、只为看到项目跑起来的那股劲儿，是什么？是创造。而现在，如果你能找到有效使用 AI 的方法，你可以创造得更多、更好。那种乐趣，还在，从未消失。

如果对你有帮助，评论区留下你的观点

真有种银河帝国的味道了。小时候看这书还觉得作者写的也太机械降神了，怎么可能有一个国家发展着发展着就把技术全忘了，连首都的机器都不会修。然后现在ai就来了，ai把底层菜鸟全部摧毁，没有了菜鸟，高手也只会慢慢消失断代，然后真变成堕落帝国了。

我本科和硕士都是美院，我亲身经历了AI刚问世时周围同学、甚至老师都强烈反对，到后面自知大势已去，只能靠不使用/不接触AI来反抗，结果最后，AI生成图画和模型已经成了我们的必修课。

现在吧，当年本科那批反对AI的同学已经离不开AI了，创作主题要AI想，设计说明和思路要AI写，ppt大纲要AI给，最后图像和视频也要AI做了。

当然，他们中大多数人都找不到工作。

现在AI缺的是自动体检仪器和手术仪器，一旦各种检查也能自动化了。那就彻底不需要人类。

我这边有一个叫做‘数据可视化’的课程，老师一般是第一个小时教学生怎么作图，包括怎么在R studio里面简单整理数据，然后给学生一个task sheet，学生理论上需要通过仔细看老师提供的4个task，整理学习其中思路，然后完成老师课后给的2个作业。

实际情况完全相反，在AI的帮助下，只要把老师给的4个task代码输入，让AI学习，再让AI给出解答代码，就能做出图来。

我有时候都会想，学生能从0学到会使用R语言做相关系数的图，在3年前是多大难度？3年前我去澳洲学习的时候，澳洲的一个简单的“填字母游戏”的python代码，老师分了3期作业才让同学们做完，拿到作业的同学们都是cdsn上反复搜索，不断地debug，这种情况下，记得每次都有同学拿到作业以后不知所措的，写的全是bug的，发展到学期末交作业前很多人都花钱报了额外的培训课程，让老师直播讲类似的题型才会解答，而那些编程题目的难度，根本达不到LeetCode的中级题目。

感觉AI后面第一个要解决的，就是计算机学习最难的‘从0到1’的适应性学习，但AI也是因为这个原因，可能干掉的处级程序员是最多的。

以上。

10年的程序员了，最近总是听到大模型、gpt、deepseek之类的，想玩玩。

正好有个配置能入门大模型的电脑，

部署了一个deepseek，嗯。。也就那么回事。。。

部署了一个dify，做了个智能对话，嗯。。。还可以。。

接了一个MCP工具，自己写了一个mcp工具让dify调用，有点意思。。

文字类的玩够了，让它画画吧。

comfyui kontext 修图、生图，太牛了！！

生成视频呢？

comfyui wan2.1， wan2.2， annimate， infiniteTalk数字人。。。这。。是AI吗，简直是自媒体行业的超级助手啊

一顿操作猛如虎，这几个模型都尝试了一遍，做了几个demo，写了几篇文章。都做成整合包了，大家想玩的都来看看哈，免费的，不需要你任何操作。

1.数字人。就是给一张人物照片和一段文字，可以让这个人说这段文字，可以模仿这个人说话的声音、语调，完美对口型。

我用 InfinitTalk + IndexTTS 2 搭了个中文语音驱动数字人系统，还打包成了 ComfyUI 插件（开源 + 云端可试）

上传两张照片，输入一段对话，AI让它们“活”过来对口相声！我的新项目 infiniteTalk 上线了

2.动作迁移。给一张照片和一段其他人跳舞的视频，可以让照片中的人物按照视频中的动作跳起来。

让静态人物模仿其他人动起来：基于 Wan2.2 Animate 的视频动作迁移实践

3.人物替换。给一段视频和一张照片，可以把这个视频中的人物替换成照片中的人物，可以选择只替换衣服、头、腿等等。

Wan2.2 animate 实现视频人物全身替换，动作表情完美同步

4.生成音乐MV。给一段音乐和几张人物的自拍照，可以把这几张照片做成这个音乐的MV，完美对口型 + 运镜效果。

用AI一键生成会“对口型唱歌”的音乐MV？我用ComfyUI做了个无限时长生成神器

5.生成指定人物唱歌的视频，网上爆火的西游记人物唱歌的视频我这里也是有完整教程和安装包的，全免费！！

从音乐创作到数字人MV——用Suno+Nextsence+InfinateTalk打造“潘金莲”全息舞台的全流程实操指南

我想起刘慈欣的赡养上帝。

最后人类啥也不会了。

帮你们试过了，500时薪以下的心理咨询师，被gemini干得死死的。凉透了。

你可能要说，AI绘画门槛高，得会写prompt（提示词）。

这是一个叫OpenNana的网站，里面全是别人画好的神图，底下直接附赠prompt。

游戏的生产成本中，美术和程序的占比很高，策划相对低一点，但美术和程序的替代率很高，网络游戏中需要有人对服务器质量背锅，后端可以撑很久，但前端就没这么容易了，ai替代比例比较高，。

美术几乎可以被ai全替代，高级美术审查微调就可以。玩家从来不讨厌ai，只讨厌低质量产品。

策划的ai替代率也高，但是策划作为重点背锅人，别的组是不愿意策划被ai直接取代的，策划都取代了，程序直接全栈呗？

玩家固然追求打磨精良的游戏，但资本不是，打磨精良是30，40年前日本厂留下来的印象，资本在自身受到威胁和压力的时候，降低成本会被优先考虑，质量的优先级？

一句话总结：我用Kiro+Sonnet 4.5模型纯Vibe Coding，破解了AnyRouter的反爬，也就是acw_sc__v2技术。

一、缘起

从25年初DeepSeek爆火开始深度关注AI，大概年中的时候开始用Cursor做Vibe Coding，到现在（26年1月中）已经Vibe了不少东西，也有实际使用的项目。

前几天看到一个帖子：打渔教程-001：破解Anyrouter之神秘acw_sc__v2实现自动signin签到 - 开发调优 / 开发调优, Lv1 - LINUX DO

这个帖子需要论坛一级权限。说实话这位佬兄排版不太清晰，看的不太明白，但是我看出两个关键点：

第一自动签到的拦路虎是反爬机制（而这个机制连名字都有acw_sc__v2，也不是很复杂）；

第二就是解密这块可以交给AI来完成。

既然解密都可以用AI来完成，别的还有什么难的？于是周末花了半天时间试了一下能不能纯Vibe出来。

二、过程

周末Kiro又把Opus给下了，只有Sonnet 4.5顶上，但我觉得Sonnet除了个别前端极难的问题处理不好，以及爱到处乱写文档之外，代码能力其实并不差。

相信大家AI编程到现在也明白，Vibe效果好不好，基座模型第一，项目规范第二，那么这一个探索性的项目，规范怎么搞？顺带我其实对反爬技术根本不懂。

我的思路是，先开放式探索，摸清状况之后再建立起项目规范来。参考帖子里的提示词，我写了个更通用点的提示词：

分析https://anyrouter.top的登录流程。注意当前环境是Win11，请使用powershell和相关网络工具如curl。这个网站需要代理访问http://127.0.0.1:10809。

我给Coding Agent任务提示词是任务+环境+要求，Agent就不需要预设角色了。

Kiro成功的定位了问题，这是它写的研究报告核心内容：

### 1. 首次访问网站
使用 curl 和 Python requests 访问网站首页：
```bash
curl.exe -x http://127.0.0.1:10809 -I https://anyrouter.top
```
**发现**：
- 服务器：ESA (阿里云)
- 返回状态码：200
- 设置了两个初始 cookies：
- `acw_tc` - 阿里云 WAF token (有效期 1 小时)
- `cdn_sec_tc` - CDN 安全 token (有效期 1 小时)
- 响应头包含：`X-Tengine-Error: denied by http_custom`
### 2. 页面内容分析
**关键发现**：页面返回的是混淆的 JavaScript 代码，而非正常的 HTML 内容。
```javascript
var arg1=‘003F6616C200B652732494ABCF5961DC4E9C5B88’;
// … 大量混淆代码
document[L(0x121)]=‘acw_sc__v2=’+v+L(0x120)+new Date(Date[L(0x119)]()+0x36ee80)
```
**分析结论**：
- 这是阿里云盾的反爬虫保护机制
- JavaScript 代码会计算并生成 `acw_sc__v2` cookie
- 必须执行 JavaScript 才能获得有效的 cookie

中间不怎么看得懂，但是结论很清晰，用JS去算这个acw_sc__v2嘛，那我们就是要逆向出这段JS的代码（主要是它是混淆的，人读不懂）。

思路清晰了那就好办，先让Kiro自己写个规则文件：

# 项目规则
## AI Agent 工作语言规范
- **思考和编码**: 使用英文进行内部思考和代码编写
- **用户反馈**: 所有与用户的交流使用中文
- **文档输出**: 所有文档（README.md、docs/、KANBAN.md 等）使用中文编写
- **代码注释**: 代码注释使用中文，便于理解和维护
## 系统环境
- 操作系统：Windows 11
- Shell：PowerShell/CMD
- 不要使用交互式命令，所有命令必须能够自动执行
## 目录结构规范
```
project/
├── src/                    # 源代码目录（所有脚本）
│   ├── *.py               # Python 脚本
│   └── *.ps1              # PowerShell 脚本（如需要）
├── assets/                # 资源文件目录
│   ├── *.html             # 保存的网页
│   ├── *.json             # 数据文件
│   └── cookies/           # Cookie 文件
├── docs/                  # 文档目录
│   ├── 001-*.md          # 探索文档（按序号命名）
│   ├── scripts.md        # 脚本清单
│   └── *.md              # 其他文档
├── venv/                  # Python 虚拟环境
├── .kiro/                 # Kiro 配置
│   └── steering/         # 规则文件
├── requirements.txt       # Python 依赖
└── README.md             # 项目说明
```
### 目录用途
- **src/**: 所有可执行脚本，包括 Python、PowerShell 等
- **assets/**: 从网站保存的内容（HTML、脚本、Cookie、图片等）
- **docs/**: 项目文档、探索记录、技术笔记
- **venv/**: Python 虚拟环境（不提交到版本控制）
## 开发规范
- **优先使用 Python 脚本**进行开发和分析任务
- 使用 Python venv 虚拟环境管理依赖
- 所有 Python 项目必须包含 requirements.txt
- 所有脚本必须放在 `src/` 目录
- 所有保存的网页、数据文件必须放在 `assets/` 目录
- 所有文档必须放在 `docs/` 目录
## 项目特性
### Vibe Coding 模式
**核心理念**：这是一个**纯 Vibe Coding 项目**，由 AI Agent 全自动执行
**执行原则**：
- **禁止要求用户手动操作**（如手动测试、手动调试、手动复制粘贴等）
- 所有测试、验证、调试必须通过自动化脚本完成
- 可以使用 Playwright/Selenium 等工具进行自动化测试和验证
- 所有操作必须可重复、可自动化
### 反爬虫解决方案原则
**技术路线**：
- **坚决采用逆向工程方案**：通过分析和重建 JavaScript 算法来绕过反爬虫保护
- **禁止使用浏览器方案作为最终解决方案**：不使用 Selenium/Playwright 作为生产环境的解决方案
- **浏览器工具仅用于辅助**：可以使用 Playwright 等进行自动化测试、验证、调试，但最终必须实现纯 Python 的逆向方案
- **最终目标**：实现完全独立的 Python 脚本，不依赖浏览器环境
**Playwright 的定位**：
- ✅ 用于自动化测试和验证
- ✅ 用于收集调试数据
- ✅ 用于对比验证 Python 实现的正确性
- ❌ 不作为生产环境的解决方案
- ❌ 不依赖浏览器来生成最终的 cookie
## 开发流程
1. **任务开始前**:
- 读取 `KANBAN.md` 了解当前项目状态和任务优先级
- 读取 `docs/` 目录下的相关文档
- 在看板中将任务移至 “  进行中”
2. **任务执行中**:
- 按照项目规范进行开发
- 遇到阻塞问题时，在看板中标记为 “  阻塞” 并说明原因
3. **任务完成后**:
- 更新相关文档（scripts.md、README.md、KANBAN.md 等）
- 在看板中将任务移至 “✅ 已完成”
- 记录完成时间和关键成果
## 脚本管理规范
### scripts.md 文档
在 `docs/scripts.md` 中记录所有脚本信息：
- **创建日期**: 脚本创建的日期时间
- **位置**: 脚本在项目中的路径
- **用途**: 脚本的主要功能和目的
- **状态**: 在用 / 已弃用 / 开发中 / 已完成
- **依赖**: 脚本需要的 Python 包或系统工具
- **运行方式**: 如何执行脚本
### 脚本状态标识
- ✅ **在用**: 当前正在使用的脚本
- ⚠️ **已弃用**: 不再使用但保留的脚本
-   **开发中**: 正在开发的脚本
- ✔️ **已完成**: 开发完成但不常用的脚本
-   **计划中**: 计划开发的脚本
### 新增脚本时
1. 将脚本文件放入 `src/` 目录
2. 在 `docs/scripts.md` 中添加脚本信息
3. 更新 `requirements.txt`（如有新依赖）
4. 在 README.md 中更新相关说明（如需要）
## 网络配置
- 需要通过代理访问外网
- 代理地址：http://127.0.0.1:10809
- 所有网络请求（curl、Python requests 等）都需要配置代理
## Python 环境设置
```powershell
# 创建虚拟环境
python -m venv venv
# 激活虚拟环境（Windows）
.\venv\Scripts\activate
# 安装依赖
pip install -r requirements.txt
```

看起来很复杂，其实一点也不简单……我一般是用自然语言写给Agent，让它自己输出规则文件。

语言规范、系统环境、看板管理、目录管理、文档管理这些基本每个项目都是一样。有了文档管理规则Sonnet乱写文档的毛病也就治了。

这个项目独特的是网络代理、脚本管理（因为探索性项目需要写很多测试代码），以及目标和实施路径，因为我发现AI探索的时候给出的方案，试图走捷径用Playwright直接模拟，所以把技术路线强行写在规则文档里。

一旦看板建立起来之后，我们需要做的事情是下面这样一个循环（有没有发现这是一个PDCA循环？）：

1. 用自然语言描述任务，让AI添加到看板（可以一次性写一堆）——Plan
2. 让AI认领任务并执行——Do
3. 人工复核结果，提出需要调整的点让AI立即修改，如果上下文不够了，要求AI把进展写到任务文档里面，然后新开一个会话，读取任务文档并继续——Check
4. 任务结束，如果有值得纳入规则文件的决策、常见错误和解决方案等，让AI自己总结写入规则文件——Action

其中第二步一定要让AI有自己验证的手段，比如这里就是允许它用PlayWright去模拟请求，收集JS算出来的Cookie，用它自己算出来的Cookie和PlayWright算的做比较。

第四步在大的Vibe项目中非常重要，AI会越写越顺。

说实话这个任务是如此顺利根本都没有必要手工验证了。给大家看一下Kiro生成的看板：

# 项目看板 (Project Kanban)
> 本看板用于管理 AI Agent 执行的任务和项目进度
## 使用说明
- **  待办 (TODO)**: 计划执行的任务
- **  进行中 (IN PROGRESS)**: 正在执行的任务
- **✅ 已完成 (DONE)**: 已完成的任务
- **  阻塞 (BLOCKED)**: 遇到问题暂停的任务
### 任务格式
```markdown
- [ ] **[任务编码]** 任务标题 - 简要描述 `优先级: 高/中/低` `标签`
- 详细说明或子任务
- 相关文件: `path/to/file`
```
**任务编码规则**：
- 格式：`[S阶段-T任务号]`
- 示例：`[S2-T1]` 表示阶段2的第1个任务
- 用途：方便快速引用和指定任务
-–
##   待办 (TODO)
### 阶段 5：自动登录和访问功能
- [ ] **[S5-T1]** 实现自动登录功能 `优先级: 高` `功能开发`
- 分析登录接口和参数
- 实现登录请求逻辑
- 处理登录响应和 session
- 支持登录状态保持
- 相关文件: `src/auto_login.py`
- [ ] **[S5-T2]** 实现访问首页功能 `优先级: 高` `功能开发`
- 使用登录后的 session 访问首页
- 验证访问权限
- 提取首页数据
- 相关文件: `src/access_homepage.py`
- [ ] **[S5-T3]** 集成测试和验证 `优先级: 高` `测试`
- 完整流程测试（登录 → 访问首页）
- 错误处理测试
- 批量验证测试
- 相关文件: `src/test_auto_login.py`
- [ ] **[S5-T4]** 更新文档 `优先级: 中` `文档`
- 更新 README.md
- 更新使用指南
- 更新脚本清单
- 添加使用示例
### 可选优化任务
- [ ] **[S4-T3]** 最终验证测试（可选）`优先级: 低` `测试`
- 集成测试
- 性能测试
- 压力测试
- 备注：当前已通过基础测试（3/3），此任务为可选优化
### 监控和维护
- [ ] **定期检查网站算法变更** `优先级: 中` `维护`
- 监控成功率
- 及时发现算法变化
- 更新实现代码
- [ ] **收集用户反馈** `优先级: 低` `改进`
- 收集使用问题
- 持续改进功能
- 优化用户体验
-–
##   进行中 (IN PROGRESS)
<!-- 当前没有进行中的任务 -->
-–
##   阻塞 (BLOCKED)
<!-- 遇到问题需要解决的任务 -->
-–
## ✅ 已完成 (DONE)
### 阶段 4：生产封装 `2026-01-17 完成` ✅
- [x] **[S4-T1]** 创建高级封装 `已完成` `2026-01-17 23:18`
- 脚本：`src/protected_request.py`, `src/test_protected_request.py`
- 功能：
- ✅ 自动处理 cookie 生成和刷新
- ✅ 集成错误处理和重试机制
- ✅ 支持会话管理和 cookie 持久化
- ✅ 提供简单易用的 API（get, post, put, delete）
- ✅ 支持上下文管理器
- ✅ 完整的日志记录
- 测试结果：3/3 通过（100%）
- 成果：生产环境可用的高级封装库
- [x] **[S4-T2]** 编写使用文档 `已完成` `2026-01-17 23:20`
- 更新 README.md，添加完整使用指南
- 提供多个使用示例和 API 文档
- 更新 scripts.md，记录新脚本信息
- 编写最佳实践建议
- 成果：完整的文档和使用指南
**成果**：
- ✅ 生产就绪的高级封装库
- ✅ 简单易用的 API 接口
- ✅ 完整的文档和示例
- ✅ 100% 测试通过
- ✅ 符合逆向工程原则（纯 Python，不依赖浏览器）
### 阶段 2：JS 代码深度分析 `2026-01-17 完成`
- [x] **[S2-T1]** 提取多个 JS 样本 `已完成`
- 分析了 2 个挑战页面样本
- 提取了完整的 JS 代码和 arg1 参数
- 脚本：`src/collect_challenge_samples.py`, `src/analyze_challenge_samples.py`
- [x] **[S2-T2]** 分析代码结构和模式 `已完成`
- 识别了所有混淆模式（变量名、字符串、控制流、反调试）
- 定位了所有关键函数（字符串数组、解码器、核心算法）
- 文档：`docs/004-代码结构分析.md`
- [x] **[S2-T3]** 解析字符串混淆机制 `已完成`
- 理解了 `L(0x…)` 函数（Base64 + URL 解码）
- 提取了完整的字符串数组（42 个元素）
- 提取了 p 值和所有关键字符串
- 脚本：`src/final_extract_p.py`
- [x] **[S2-T5]** 识别核心算法 `已完成`
- XOR 运算实现（已理解）
- 无哈希算法（仅 XOR）
- 输出格式（40 字符十六进制）
- 脚本：`src/deep_analyze_algorithm.py`
- [x] **[S2-T6]** 编写算法分析文档 `已完成`
- 创建了 `docs/003-算法分析.md`
- 创建了 `docs/004-代码结构分析.md`
- 记录了完整的算法流程和伪代码
- [x] **[S2-T4]** 分析 arg1 生成规律 `已完成` `2026-01-17`
- 脚本：`src/analyze_arg1_from_samples.py`
- 分析了 2 个 arg1 样本
- 关键发现：
- ✅ arg1 是 40 字符的十六进制字符串（大写）
- ✅ arg1 由服务器动态生成，每次都不同
- ✅ arg1 具有高度随机性（95%+）
- ✅ 位置变化率 85%（大部分位置不同）
- ❌ 不包含明显的时间戳编码
- ❌ 不能跨会话复用
- 复用性结论：
- arg1 必须每次访问时实时获取
- 需要先访问挑战页面提取 arg1
- 然后使用 cookie_generator.py 生成对应的 cookie
- 报告：`assets/analysis/arg1_pattern_analysis.json`
**成果**：
- 完全理解了算法逻辑（重排 + XOR）
- 完全理解了 arg1 的生成规律和复用性
- 提取了所有关键参数：
- m 数组：`[15, 35, 29, 24, 33, 16, 1, 38, …]`
- p 值：`3000176000856006061501533003690027800375`
- arg1 样本：`AEA7E15B184600512F233A9B8C7E69F6409E9C76`
- arg1 特性：服务器动态生成，不可复用
- 创建了 6 个分析工具
- 生成了 2 份详细文档
- 明确了完整的实现流程
### 阶段 3：Python 原型实现 `2026-01-17 完成`
- [x] **[S3-T1]** 实现字符串解码器 `已完成`
- 通过 `src/final_extract_p.py` 在浏览器中解码
- 成功提取了 p 值和所有关键参数
- Python 实现只需使用固定的参数值
- [x] **[S3-T2]** 实现 Cookie 生成器 `已完成` `2026-01-17`
- 脚本：`src/cookie_generator.py`
- 测试脚本：`src/test_cookie_generator.py`
- 功能：核心算法实现（重排 + XOR）
- 成果：
- ✅ 实现 arg1 重排算法
- ✅ 实现 XOR 运算逻辑
- ✅ 支持多种输入方式（命令行、文件、测试模式）
- ✅ 完整的单元测试（4/4 通过）
- ✅ 无外部依赖，纯 Python 实现
- 测试结果：
```
测试 1: AEA7E15B184600512F233A9B8C7E69F6409E9C76 → 696b56cc81aa07af86017e68336f8057092e0a1b
测试 2: 003F6616E0B8C9A7F5D24E3182A7B5C4D9E6F701 → 9eb1c0670e597ae58a7e0475a4416c1fd1b79cf3
单元测试: arg1 重排 ✅ | XOR 运算 ✅ | 完整生成 ✅ | 边界情况 ✅
```
- [x] **[S3-T3]** 迭代验证和优化 `已完成` `2026-01-17`
- ✅ 使用纯 Python 方案完成完整验证
- ✅ 目标网站：https://anyrouter.top（正确的网站）
- ✅ 验证流程：触发 → 提取 → 生成 → 验证
- 成果：
- ✅ 单次验证：3/3 成功（100%）
- ✅ 批量验证：10/10 成功（100%）
- ✅ 算法正确性已完全验证
- ✅ 纯 Python 逆向工程方案完全可行
- ✅ 达到生产环境标准
- 验证脚本：
- `src/python_verify.py` - 单次完整验证 ✅
- `src/batch_verify_python.py` - 批量验证（10次）✅
- `src/test_python_trigger.py` - 触发机制测试 ✅
- `src/test_cookie_generator.py` - 单元测试（4/4）✅
- 文档：`docs/006-S3T3验证报告.md`（完整验证报告）
**成果**：
- 成功实现核心 Cookie 生成算法
- 完全理解并重建了阿里云盾的算法逻辑
- 代码简洁，无外部依赖，符合逆向工程原则
- 提供完整的单元测试保证代码质量
- 算法正确性已通过充分验证（100% 通过率）
- 创建了完整的验证工具链
- 生成了详细的验证报告
### 阶段 1：自动化工具链搭建 `2026-01-17 完成`
- [x] **[S1-T1]** 安装 Playwright 依赖 `已完成`
- 已安装 playwright==1.57.0 到 venv
- 浏览器驱动下载中（Chromium）
- [x] **[S1-T2]** 创建 JS 代码提取器 `已完成`
- 脚本：`src/playwright_extract.py`
- 功能：自动访问网站，提取 JS 代码和 arg1 参数
- [x] **[S1-T3]** 创建算法验证器 `已完成`
- 脚本：`src/playwright_verify.py`
- 功能：对比浏览器生成的 cookie 与 Python 实现的结果
- [x] **[S1-T4]** 创建调试数据收集器 `已完成`
- 脚本：`src/playwright_debug.py`
- 功能：注入监控代码，收集 JS 执行过程数据
- [x] **[S1-T5]** 创建回归测试器 `已完成`
- 脚本：`src/playwright_test.py`
- 功能：批量测试 Python 实现的成功率
**成果**：
- 完整的 Playwright 自动化工具链（4个脚本）
- 所有工具支持代理配置
- 所有工具支持自动保存数据到 assets/
- 注意：首次运行需等待 Chromium 下载完成
-–
##   备注
### 项目状态说明
**当前状态**: ✅ 项目已完成
**完成阶段**：
- ✅ 阶段 1: 自动化工具链搭建
- ✅ 阶段 2: JS 代码深度分析
- ✅ 阶段 3: Python 原型实现
- ✅ 阶段 4: 生产封装
**核心成果**：
- ✅ Cookie 生成器（`cookie_generator.py`）
- ✅ 高级封装库（`protected_request.py`）
- ✅ 完整的测试套件（100% 通过）
- ✅ 完整的文档（8 份）
**测试结果**：
- 单元测试：4/4 通过（100%）
- 单次验证：3/3 成功（100%）
- 批量验证：10/10 成功（100%）
- 集成测试：3/3 通过（100%）
**生产就绪**：
- ✅ 纯 Python 实现（不依赖浏览器）
- ✅ 简单易用的 API
- ✅ 完整的错误处理
- ✅ Cookie 持久化支持
- ✅ 完整的文档和示例
### 项目阶段说明
- **阶段 1**: 自动化工具链搭建 ✅
- **阶段 2**: JS 代码深度分析 ✅
- **阶段 3**: Python 原型实现 ✅
- **阶段 4**: 生产封装 ✅
**注**: 原阶段 4（优化和容错）已移除，因为：
- 验证已达到 100% 成功率
- 算法稳定可靠，无需额外优化
- 可以直接进入生产封装阶段
### 使用说明
- 每次任务执行前，先查看看板了解当前状态
- 任务完成后，及时更新看板状态
- 遇到阻塞问题时，记录在 BLOCKED 区域并说明原因

看板的门道是它最好是自举的，就是看板自己包含如何维护看板的说明，这样你的规则文件就可以只写一句要求AI做任务前去访问看板就行（当然也可以规则里面写看板维护规则）。

这个看板太复杂了点，如果是大的项目我会让AI写得更简洁一些，然后在任务文档中描述任务细节。

从看板可以看到，基本上阶段1把JS混淆代码抽取出来之后，AI就已经看明白逻辑了，后面用Python实现不过是翻译了一下。这也就是说本质上这个算法的代码混淆很大程度只能蒙蔽人的眼睛，对于AI来说是透明的。

我猜测真正的反爬更多要结合用户行为、IP等进行指纹判断，还有就是验证码了。

三、复盘

最后给大家看一下主要的项目结构，有个直观印象：

就是这么简简单单的。

Vibe Coding说是面向文档编程一点都不为过，人类软件工程的套路用在AI一样很有效。现阶段Agent还是需要人类来建立范式，帮助AI把体系中的熵清理出去，最终形成一个正向循环。

本文首发于Linux Do，挂了一级权限，但还是被管理员和谐掉了。看来还是有点价值的，尽管acw_sc__v2并不是什么高级技术，且看且珍惜。另外AnyRouter大善人，有账号的朋友请善待。

AI对就业的很多影响是隐形的，不能单纯用“行业”去划分
举个例子，就我身边：
我们公司的某个测试部门，简单划分可以分为两种职能：程序员，主责是写自动化测试程序和数据算法，辅助提升测试效率；测试工程师，主责就是去执行测试这个动作，整理数据和报告
在AI之前，这个部门的配置大概是3码农+15测试人员，可能有人会问，测试都自动化了，为什么还需要这么多测试人员？原因就在于项目太多，程序员人手不够，程序更新速度慢，导致很多项目的中前期还是只能靠人力进行测试，所以人员需求很大


AI来了之后，大大提升了撸代码的效率，只需要1-2码农就行了，然后因为程序的更新速度也快了，现在大部分项目从一开始就完成了自动化，测试人员也只需要5个就行了


因为AI工具的出现，这个部门从一开始近20个人，到现在只剩7个，就可以完成同样的工作，活活少了65%（说实话如果老板心够狠，其实这个部门一定还有压缩空间）
但是类似这种例子，很难说是某个具体的“行业”受到了冲击，更像是一种隐形的暗流，无形中“抹除”了很多工作岗位；相比于像插画或者翻译这种明面上整体受到严重冲击的行业，其实这种暗流我觉得更可怕


因为使用AI后，富裕出的人力，公司不会说一瞬间就都给裁掉，而是该转岗的转岗，剩下的安排研究课题啥的，有的忙就行；因为测试人员流通率比较高，很多都干不到2年，所以公司只要停止招聘就完了，自然而然地，一年之后测试人员就只剩5个了；码农可能直接安排转岗到开发，或者其他有需要的地方；然后告诉HR，这个部门以后的HC上限是7或者8，除非另行通知，完事儿


公司内的人，不会觉得我被“替代”了，因为是我主动换工作的，我并没有被“替代”啊，我还干着呢；公司外的人，因为从来也不知道这些潜在的岗位曾经存在，所以也没办法察觉到这种暗中的影响


然而实际上呢？事实是，因为AI工具的引入，确实有13个工作岗位不再流入招聘市场，就这么静悄悄的，原地蒸发了；而且至少在这个具体的例子里，AI并没有创造岗位（比如说测试部门设立一个专门用AI做工具的岗位）
那你说对就业会不会有影响呢？


而社会中，一定有无数这样的事情，正悄无声息的发生着
对于少数几个行业，可能是目前遭到了严重的打击，虽然这么说很残忍，但至少该行业的人明确知道自己遭受了打击，有能力的人早找出路，有路子的人早点儿启程；再不济，总归是有心理准备

但如果只从行业这么宏观的概念去看AI的影响，未免太简单粗暴了


真正可怕的，是从微观角度去看每一个工作岗位，可能目前那些看着AI替代性还不是特别高，但是好像又沾边儿的岗位，市场上的机会正在缓慢消失；你目前的岗位，可能再干好几年都不成问题，公司也愿意一直留着你，可当你哪一天突然想起来出门看一眼的时候，发现不知何时外面早已变成一片荒漠


我自己的工作也一样的，研发工作看着好像门槛高点儿，但是我现在对AI的预期，基本就是凡是要依靠“电脑”为生的工作岗位，被AI挤掉岗位就是迟早的事儿，无非时间先后
哎，身为牛马，怎么说呢……身处一个神奇的时代（AI爆发+鬼畜国际局势），只能说走一步看一步吧……

你们对着ai图/视频打搅的时候不会产生对自我主体性的撕裂和对自由意志思考吗

（注：非贤者时间）

这个议题探讨的对象从来不是“刺激是否足够逼真”，而是主体（对着ai打搅的手机前的各位）在何种条件下形成其欲望、判断与行动的能力。

对 AI 影像资料的刺激的探讨并不是一种怀旧式的“现实崇拜”，而是对欲望生成机制是否被外部系统结构性接管的警惕。

纵使它在某种程度上确实是一种复杂但可预测的反射机制。（或许带有人类大脑构造本身复杂化学反应机制带来的一丝混沌体系）

即使某一天现实（人工生产物）在体验上显得“不如 AI”，这也不意味着现实应当承受同样的批判，因为现实行为并不以塑造主体的反应为目标，而 AI 所构成的环境却在持续缩减主体作出自由选择（free will， bro）所需的摩擦、延迟与不确定性。换言之，问题不在于“哪一个更真实”，而在于哪一种环境允许主体保持其作为主体的生成空间。

人还是要对着人打搅才合乎周礼

“坐标深圳，35岁，曾经年薪80w的资深UI设计师，今天被裁了。理由是‘岗位优化’，其实就是Midjourney和Grok的图像生成把我们卷死了。回家路上买了瓶啤酒，对着镜子问自己：我这10年经验，到底还值几个钱？”
帖子下面3000多条评论，一半在安慰，一半在幸灾乐祸：“早跟你说了，转行学提示工程啊”“醒醒吧，AI才是未来”。
发帖的人叫老张，我认识他。2018年我们一起在一家大厂做设计，那时候他意气风发，说“设计师是吃创意饭的，AI永远取代不了人类灵魂”。
如今，2026年的开头，他成了无数AI失业大军里普通的一员。
我不是来恐吓大家的，我只是想问：
AI到底已经毁了哪些行业？下一个，又会是谁？

这几年，AI尤其是大模型的爆发，让“失业焦虑”成了全民话题。
知乎、小红书、微博，到处都是“AI取代人类”的帖子。有人喊“AI是解放生产力”，有人骂“AI是资本收割工具”。
我不想站队，我只把这两年看到的真实案例、数据、趋势摊开来说。
因为2026年的今天，AI不再是科幻，它已经真刀真枪地开始改变职场生态了。

一、已经彻底被AI卷死的行业

1. 基础内容创作与文案
   2024年底，某短视频平台一次性裁掉70%的MCN文案岗。理由？直接用Sora+Claude生成脚本、剪辑、配音，一条视频成本从几千块降到几十块。
   我一个做自媒体的朋友小李，曾经带团队10人，日更3条爆款视频。2025年，他团队全散了，自己靠AI工具一个人干，收入却只剩原来的1/3。
   更惨的是广告文案。2025年智联招聘报告显示，文案/抄写/内容运营岗位招聘需求同比下降62%。很多4A广告公司直接把初级文案岗取消了，用Grok、Gemini直接出10版方案，让高级创意总监挑就行。
2. 客服与基础售前/售后
   这几乎是最早被AI吃掉的。2025年，阿里、京东、美的等企业宣布客服机器人占比超过90%。
   记得2023年还有人说“AI客服太冷冰冰，客户不接受”。现在？大多数人已经习惯了。你打银行电话、电商客服，第一句基本就是“您好，我是AI助理小智”。
   结果：全国客服岗位减少约150万个（数据来自人社部2025年报告）。很多人转行去了外卖、网约车。
3. 初级编程与代码搬砖
   GitHub Copilot、Cursor、Devin这些代码AI的出现，直接把“CRUD男孩”卷没了。
   2025年硅谷多家科技公司裁员时明确表示：“AI能写80%的基础代码，我们只需要更少的工程师。”
   国内也一样。我所在的公司，2025年把测试和基础开发岗砍了30%，剩下的程序员主要在调模型、写复杂架构。
   一个朋友从美国回国，本科985+斯坦福硕士，曾经在大厂拿50w offer。现在面试时HR问的第一句话：“你会用AI工具提升效率吗？”不会的，直接pass。
4. 平面设计与基础图像处理
   这就是开头老张的遭遇。Midjourney、Stable Diffusion、Firefly、Grok的图像生成，把PS修图、LOGO设计、海报制作这些重复性工作全干了。
   2025年，99%的股票图库公司倒闭或被收购。自由设计师在Fiverr、猪八戒网上的单价从几百块跌到几十块。
   争议最大的是“AI偷艺术”。无数插画师起诉OpenAI“训练数据盗用版权”，但官司打了两年，2026年还没结果。
5. 翻译与本地化
   曾经年薪30w+的同声传译，现在基本只剩外交、国宴这种高端场景。
   普通笔译、影视字幕、游戏本地化，全被DeepL、Google Translate、Claude这些AI卷了。准确率已经到95%以上，还支持方言和文化 nuance。
   2025年，国内翻译行业协会报告：从业人员减少55%，很多转行做“AI翻译审核”——其实就是给机器挑错，工资腰斩。

二、正在被AI快速侵蚀的行业（下一个可能是你）

1. 教育与培训
   2026年开年，教育部试点“AI个性化教学”在全国1000所中小学。老师从“讲课”变成“辅导+情感陪伴”。
   可汗学院、Duolingo这些AI教育平台，已经让传统补习班大批倒闭。
   更可怕的是大学。很多基础课程（高数、编程入门、英语）直接用AI老师，学生提问实时解答，还比真人便宜100倍。
   老师们慌了：未来大学老师会不会只剩“科研型”，教学型全失业？
2. 法律与咨询
   Harvey、CoCounsel这些法律AI，已经能处理90%的合同审查、案例检索。
   2025年，几家顶级律所宣布减少初级律师招聘50%。麦肯锡、BCG也开始用AI做行业报告初稿。
   争议点：AI会不会出错？当然会，但出错成本比请junior低多了。
3. 医疗诊断（影像+初诊）
   AI读片准确率已经超过很多三甲医院放射科医生。2025年，国家卫健委批准多家AI诊断系统上临床。
   基层医生，尤其是影像科、病理科，岗位需求直线下降。
   但医生们反驳：“AI只会看片，不会看人。最终还是需要医生判断。”
   是的，但需要的人会越来越少。
4. 金融分析与投研
   量化交易早就被AI主导了。现在连卖方研报、财报分析，都被大模型卷。
   2025年，多家券商裁掉初级分析师，用AI直接生成“深度报告”。
   一个笑话：现在华尔街最怕的不是熊市，是ChatGPT写研报比你快还免费。
5. 创意行业的深层冲击（影视、音乐、游戏）
   Sora、Runway、Suno这些视频/音乐AI，已经能生成电影级短片、完整歌曲。
   2025年好莱坞编剧+演员大罢工，就是因为“AI生成内容不给分成”。
   国内游戏公司也在大量用AI生成美术、剧情、关卡。
   很多人喊“AI没有灵魂”，但资本只看成本：AI一天能出100个方案，人一天出1个。

三、争议最大的点：AI到底是毁灭还是解放？

一边是“AI末日论”：
联合国2025年报告预测，全球因AI失业人数将在2030年前达到3亿。中国可能占20%。
很多人恐惧“大规模技术性失业”，社会动荡。

另一边是“AI乐观派”：
AI只是工具，像当年蒸汽机、电脑一样，最终会创造更多新岗位。
比如：提示工程师、AI伦理专家、数据标注师、AI内容审核员、模型微调师……这些新职业2025年已经爆发式增长。
历史证明，每次技术革命都伴随着阵痛，但长期是生产力提升。
马云说过“AI会让人更像人”，专注创意、情感、决策这些机器不擅长的。

真相？两者都有理。
关键看你站哪个位置：

• 如果你是重复性劳动者，AI就是死神。
  
• 如果你能驾驭AI、站在它肩膀上，你就是赢家。

四、写在最后：别慌，但别躺平

2026年的今天，AI已经实实在在摧毁了一些行业，也在快速蚕食更多。
我见过太多朋友：从意气风发到迷茫失业，再到痛苦转行。
但我也见过逆袭者：一个原来做文案的朋友，转行学AI提示+短视频运营，现在年入百万。
另一个设计师，专攻“AI+人类协作”的高端定制，接单价翻了5倍。

AI不会停下脚步，它只会越来越快。
所以，与其问“AI会不会毁了我的饭碗”，不如问：
“我怎么才能让AI为我打工？”

无论你是学生、上班族、老板，
现在就开始学AI工具、懂大模型、培养不可取代的能力（复杂决策、情感连接、跨领域创新）。
未来不属于被AI取代的人，
而属于会用AI的人。

修图方面被摧毁的差不多了，但是修图的需求比较宽泛，有的需求也比较精准，所以这个得靠PS内建AI来摧毁。之前智能补全已经有了，现在加速了。

插画基本是被摧毁了，比如你要在店铺外面做什么找贴，过去没有版权时候只是累，后来有了版权就比较麻烦了，又累又贵。但是现在O了，只要要求不要太高，话能说的明白。那就看用谁家的产品而已了。

翻译直接凉透，其实过去你要做点翻译还挺麻烦的，比如像有道字典里面功能这那的还得收费，有些东西得结合当地文化去翻译他也不一定灵。现在干脆一刀切，翻译的不但快而且准，中英中日几个主流语言给你弄的明明白白。有些直接配合插件，方便至极。

摧毁了一大部分低端码农，反正写CSS和页面的直接可以回家种田了。

一些低端的教培也可以再见了。还是以学语言为例，口语训练现在还不行，其实gpt也还行，国内的我没试过。但是听说读写里面的读写，那是给你一分钱不花安排的明明白白，我现在就是用元宝学日语。之前用gpt，但是gpt要翻墙比较麻烦，正经学习内容的话国产AI不存在什么不知道。

粗略的数据统计，以前要写点东西需要数据支撑是比较麻烦的。靠搜索很多都没有，或者也不知道哪个链接是真的，现在直接搜，归纳好了还给表格呈现。蛮好的，比如我比较无聊搜过罗纳尔多在国米期间进多少球，平均进球时长是多少，这些不是很难，但靠自己弄就特别繁琐。但这种数据他有可能胡说八道，所以严谨的地方还是不能用。

可能是程序员。

问过不少一线码农——就是那种天天泡在代码里、真正动手写代码的人。不管他们年纪大还是小，几乎一致的反馈是：AI被吹得太过了。

它在实际的大型软件项目里，帮助其实很有限。真正卡人的问题，比如历史遗留的“屎山”代码、层出不穷的安全漏洞、各种不配合的API互相扯皮……这些痛点，AI目前基本帮不上什么大忙。

另一方面，我也听到不少“技术决策层”——项目经理、投资人等等，也就是那些真正决定公司方向的人，截然相反的回答。他们几乎一边倒地相信：AI很快就会取代程序员。

正常情况下，我肯定更相信程序员的判断，他们离火线最近，看得最清楚。

但是，面对那些正在把上万亿风投真金白银砸进AI领域的决策层，我实在不敢轻易站对立面。就算AI最后没完全“成真”。

因为我深知一句话：大力，出奇迹！

哪怕只是一个“足够好的半成品”，也能忽悠住大部分人，市场照样买单。

更现实的是，现在这些决策层已经在开始裁员了，目的是降本增效。一线程序员确实正在丢工作。

所以问题来了： 当下被裁或者担心被裁的程序员们，到底是该卷一波证书（比如各种云认证、AI相关证书），继续在编程这条路上死磕？ 还是干脆及早转行，找一个AI短期内取代不了的领域？

我自己也还没想明白。理性告诉我AI还没那么神，但万亿资本的投票又让我不敢完全无视。

大家怎么看？尤其是身在一线的同学，或者已经经历过裁员的，欢迎分享真实感受。

手机AI最佳应用场景之一，AI接听销售电话，用魔法打败魔法。当用户端用AI接听营销电话且乐此不疲的时候，电话销售迟早崩盘。现在我很期待销售打电话进来看AI能不能给他聊住[捂脸]目前不太行，录制的音色和吐字都比较机械，不能设置角色。如果能达到豆包的水平，应该能把销售聊住。