tickingMachine

AI 应用开发还是挺有前景的，即便模型能力现在这么强了依然没有“chatgpt”级别的 Agent 产品落地，另外其实很多中小型公司的业务场景中还有很多可以靠接入 AI （大模型/非 LLM 的小模型）来转型提效的需求。
最后还有一个方向就是 AI infra ，比如底层硬件，以及 AI app 的 infra （开发框架等）

@maolon 能用 claude-code-router 这种中转来让 cc 接入 gpt-5 吗

电吹风不错，真有实力，吸尘器感觉不出有多牛逼

我通过 claude-code-router 来使用 qwen3-coder 模型配合 claude code 使用，也碰到了 Invalid tool parameters 错误，后面在 cc-router 的 issue 里找到了解决方案，可以参考下： https://github.com/musistudio/claude-code-router/issues/448

一方面 cc / gemini-cli (CLI), cursor / vscode+copilot (IDE) 这些产品外壳在实现 AI coding Agent 的时候的工程有差异，另一方面就是模型自身能力（侧重 code/上下文窗口更大..)，所以不太容易客观得出谁好谁差的结论。

民间的风评就是目前 CC 是 CLI 里面最好的，cursor 是 IDE 里面最好的

具体来说，训练分两类，预训练和后训练（叫微调也可以，只不过后训练的范围更宽，微调更多直接对接使用方向）。

如果你的训练数据非常巨大，那推荐从预训练开始，从头打造专属的垂直大模型，给个参考，开源模型 Qwen2.5 是 18 万亿个 token ，Qwen3 约 36 万亿个 token ，预训练的成本也非常大，机器+训练+实验+调优等，但是 1kw 的预算可以 cover 全流程了，找国内做模型这块的厂可以直接包个团队来做全套。

如果没有那么大量的数据，“prompt + RAG + 微调 + 大量工程化” 这套流程更加推荐，这方面的教程非常多，金钱成本也非常的低，但是需要大量时间做调研和实验。

快速上手而且理论和实践并行，我推荐李沐的动手学深度学习，https://zh-v2.d2l.ai/
系统性的来一遍比什么都强。

我的提议是学 AI ，从基本的说，就是数据分析和线代（向量运算），高数和线代有所了解即可，数据分析也只需要做到能够做一些预处理，不过也是深究起来天花板很高的学问。然后开始了解一些传统机器学习算法，后面到了深度学习也只需要系统性的学习一下那些经典架构以及各自擅长的数据类型，到了后面基本都是更偏向应用系统构建。不过我觉得直接开始深度学习也是可以，前面那些不管怎么样都会遇到，需要的时候再去学即可。