广汽集团与华为终端签约，深化鸿蒙生态与AI技术合作
2026/1/6 20:24:09
比诞生之初还冷清，Stack Overflow彻底凉透了！
当初的程序员问答圣地，现在的提问数量甚至比18年前上线首月时的问题数量还要少。
（这个下降趋势好像来时路……）
全球开发者数量翻了好几倍，工具和语言层出不穷，但**「提问」**，却消失了。
当然了，Stack Overflow这么一凉，大家第一反应肯定是把锅扣在AI Coding头上。
那么，为啥它的衰落会引起这么多人惋惜呢？
巅峰时期有180+子站
时间倒回2008年，Stack Overflow带着高质量、可复用答案的定位上线，很快成了程序员圈子里的救命稻草。
因为在2000年代，程序员主要靠论坛或者个人博客解决编程遇到的难题。
但这样的回答通常很零散，并且不可搜索，这种低效的方式也让很多高手不愿意分享解决方案。
于是，Fog Creek创始人、《Joel on Software》的作者Joel Spolsky和知名程序员、《Coding Horror》的作者Jeff Atwood创建了Stack Overflow，2008年正式上线后持续走红。
它面向具体问题，强调可验证、可复用的答案。主要解决的问题不是“有没有人回答”，而是“哪些答案值得被留下”。
当时的问答机制非常高效，比如提问或者答案可以被投票，投票出来的高质量内容能够自然浮到顶部，贡献者会获得Reputation（声望值），这样一来，本质上是把技术影响力量化了。
通过投票、声誉系统和严格的问题规范，Stack Overflow很快把零散的工程经验，压缩成了一套高度结构化、可长期复用的知识库。
在很长一段时间里，它甚至成了Google技术搜索的默认落点。
大多数程序员解决问题的流程be like：
Google→Stack Overflow链接→复制代码→改两行→解决问题。
这么一套下来，大多数卡壳的问题都能搞定。
2013年到2017年，Stack Overflow达到顶峰时期。
巅峰时期的它拥有180多个子站，不只是程序员专属，几乎覆盖了所有STEM领域，从编程到数学、物理、统计学，只要是技术相关的疑问，在Stack Overflow上都能找到同行探讨。
当时的Stack Overflow妥妥成为全球最大、最实用的开发者知识基础设施。
但曾经的开发者圣地，也被AI冲击了。
AI时代，地基被动摇
从数据来看，Stack Overflow的问答数量一路下滑，直到如今跌破18年前的起点，在这其中，AI真得背锅。
GitHub Copilot、ChatGPT、Claude等AI工具的出现改变了开发者的习惯
程序员发现，很多问题已经不需要公开提问了。
- 过去是卡壳→发帖→等人回答；
- 现在是卡壳→问AI→本地改→继续干活。
提问消失，但知识并没有消失。
实际上，AI训练还大量依赖Stack Overflow上的优质内容，却又因为更便利，分走了Stack Overflow的流量。
Stack Overflow变成了**“被自己创造的知识反向替代的平台”**。
但把锅全甩给AI也不太公平。
其实早在ChatGPT出现之前，Stack Overflow就有点因为过于吹毛求疵在走下坡路了。
很多新手的提问刚发出去就由于“格式不对”“问题太基础”等原因被下架，慢慢浇灭了大家的参与热情。
后来为了应对AI冲击，平台也接入了AI功能，结果反而让垃圾回答泛滥，原本引以为傲的内容质量直线下降。
Stack Overflow自己的2025年度报告也指出，虽然AI工具使用率创新高（84%），但开发者对它的评价却一路走低，不再信任。
这何尝不是Stack Overflow的处境……
那么，Stack Overflow的未来，是聚焦垂直技术领域找回特色，还是彻底拥抱AI，重构模式呢？
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。