随着 ChatGPT 的逐步推广，我看到了大量基于 OpenAI 的产品出现，如果要将其分层，我认为可以分为三层：

Connect 层：只是在使用 OpenAI 的 API ，并没有做太多的功能提升

比如我自己做的 ChatGPT-Feishu，其实就是在这个层次，更多是将 ChatGPT 和一些现成的应用进行连接，所以差异性不大，大家大多是在技术上卷一些新的 Feature。

在我看来，这个层次的卷动是非常有限的，因为现成的应用和场景就这些，大部分时候我们能做到的也就是将 ChatGPT 和现有的生态更好的结合，但没有什么本质上的变化。

Prompt Engineering 层：预制 Prompt，帮助用户问出好问题

当我们仔细去看社交网络上的那些 ChatGPT 的用法之后，其实你会发现， 大多数人对于 ChatGPT 的用法是非常简单粗暴的 —— 问一些过去问搜索引擎的问题。ChatGPT 会给你一个看起来还不错的答案。

这个问题背后其实是大部分人是问不出一个精确、明晰、易于理解的好问题的。

而 Prompt Engineering 层的产品则可以实现对于问题的解构，将一个复杂问题拆解为一套模板 + 一些用户可以理解和输入的内容，从而降低提问的难度。

这一层的应用更多是在卷不同的场景以及对于 Prompt 的优化，以实现更加精准和优质的返回内容，从而帮助用户解决问题。

Finetune 层：对模型进行微调，以符合应用和业务的场景

OpenAI 对于模型提供了 Finetune 的能力，开发者可以准备自己的数据集，将其上传至 OpenAI，由 OpenAI 对模型进行微调，后续开发者可以使用经过微调的模型来进行自动的补全。

这个层面大家卷的就是行业领域认知和干净的数据了，就回到了 AI 经典的行业落地场景了：收集行业数据 – 清晰数据 – 训练模型 – 实际应用。只是 OpenAI 将这件事的难度给降低了。对于开发者来说，可以更加低成本完成整个流程。

如果你只是玩票，那我觉得第一层和第二层都是不错的。但如果你打算正经做个事情，那么第二层可能是必备的基础。

最近几天看到了不少关于 ChatGPT 的文章，从我的个人视角和经验来讲，我不觉得 ChatGPT 可以干掉工程师这个岗位。

主要的原因如下：

1. 一直以来，大家对于软件工程师的定位都描述为“写代码的”，然而在真实的工作场景下，工程师更多的解决其实不是“写代码“的问题，真正编程的时间其实是很少的。ChatGPT 的确可以减少写代码的时间（就像 CoPilot 和 TabNine 那样），但无法干掉整个岗位。
2. 工程师的真正的工作其实是 —— 拆解问题、寻找方案、结合当前的上下文，选择最优解，最后才是写代码。前面的问题对于 ChatGPT 来说，依然是无解的。毕竟，现在的 ChatGPT 依然是基于数据和统计模型开发的，而不是真正理解我们所提出的问题。

当 AI 真正能够理解我们的问题的时候，才是他真正能替代我们的时候。而这个时间，看起来还很遥远。