身為一位主要專注於建構網路產品的軟體開發人員，我一直對新興技術感到好奇。在 ChatGPT 發布後，人們對 AI 的興趣爆發，激發了我更深入探索這個迷人領域的渴望。以下是我的旅程如何展開。
我從一個 YouTube 影片（Wolfram 的解釋）開始，該影片分解了 ChatGPT 如何預測句子中的下一個單字（如果您不想觀看影片，可以閱讀文章中的文字稿）。這個介紹令人大開眼界——它揭示了 AI，尤其是大型語言模型 (LLM)，已經變得多麼先進。它還向我介紹了 LLM 領域的基礎概念，為我更深入的探索奠定了基礎。
從那裡，我開始學習不同的 LLM，例如 Llama、GPT、Claude 等。這個階段的重點是理解技術層面，例如上下文長度、tokens（輸入和輸出）、參數、embeddings、FLOPS (Floating Point Operations Per Second)、RAG (Retrieval-Augmented Generation)。為了使事情更具實用性，我嘗試使用 Ollama 等工具在本地運行 LLM。這是我第一次使用本地模型的實務經驗，我對它們的潛力感到驚訝。
這個階段的一些資源：
- 您需要了解的關於 LLM 中 Tokenization 的所有資訊
- Llama Recipes Quickstart
- 到目前為止，我學到的關於運行本地 LLM 的所有知識
- 使用國中數學從頭開始理解 LLM
僅僅理解這些技術術語是不夠的，我們必須探索並親身實踐，才能真正理解這些術語是如何相互關聯的，以及它們在其中扮演什麼角色，以及為什麼需要它們。我使用 Jupyter Notebook 進行了探索——這是一個允許我運行 Python 指令來執行各種任務的工具。這引導我進入了 LangChain 和 Kaggle 等平台，我在這些平台上嘗試了基本的 LLM 訓練和模型微調。這些經驗幫助我理解了 AI 模型是如何訓練和微調的，讓我對它們的能力有了更全面的了解。
這個階段的一些資源：
有了這些不斷增長的知識，我開始使用 Cursor 和 Windsurf 等工具建構 AI 驅動的應用程式（數獨、Page Saver），這些工具由 AI 驅動的編輯器增強。我很快意識到 AI 對開發人員來說是多麼具有變革性。我在軟體開發中面臨的許多挑戰都可以透過 AI 簡化甚至完全解決。這是一個關鍵時刻，突顯了 AI 在重塑我們工作方式方面的巨大潛力。
隨著我真正開始使用 prompting 建構一些東西，旅程仍在繼續，首先是一些使用不同框架呼叫不同 API 的範例。由於我目前主要使用 GoLang，所以我使用 GoLang 進行了練習。一些嘗試被記錄在一些部落格文章中，例如：
有了所有這些基礎知識，就可以建構一個由 AI 驅動的更複雜的應用程式。
雖然我的旅程仍在進行中，但有一件事是明確的——AI 不僅僅是一種趨勢：它是未來。我採取的每一步都加深了我對這個領域及其可能性的理解。我很高興看到這次旅程將帶我走向何方，以及 AI 將如何繼續徹底改變我們的生活，無論是作為開發人員還是作為個人。
great article