实现一个 Promise.all

ai时代其实做底层的基础模型开发永远都是少数人，而大部分人其实做的依然是开发方向，agent，rag，后端这些。可能有人说我学agent不需要学后端语言，其实并不是这样。我看了公司的ai项目，其实也会涉及到一些缓存，数据库的存储。agent开发不止需要的是对于大模型的基础性理解，还是需要一定的工程能力。刚开始企业在招聘的时候，主要考察ai是因为产品还在初始阶段，用户量不算很大。用户量大到一定程度就需要工程能力了，降级，容错，数据存储，性能优化，这是工程能力，而ai幻觉，输出质量稳定性，agent编排，微调需要的是ai能力。以下是更偏后端的ai开发的全栈能力1.  基础后端能力一门业务语言，框架，体系(java/golang/cpp)核心是构建后端服务，语言并不是最重要的，框架也不是最重要的。后端能力学框架并不是框架本身，而是涉及到底层的网络/io/数据存储/操作系统。为啥用多路复用，怎么结合业务逻辑配置缓存淘汰策略，其实是对计算机本质的理解。框架，中间件都是一层套一层的，最终会回归到最本质的io与trade off2.ai能力超越调用API，需理解大模型的核心原理（如Transformer架构、注意力机制）及其能力边界。ai应用侧的能力prompt，rag，mcp，langchainagent编排3.大数据处理能力随着互联网公司的数据量增大，普通的mysql以及不能支持高效的查询。对于一些复杂的聚合计算，报表这些通过简单的行式存储(tp)已经不能满足未来的需要，所以出现了列式存储(clickhouse/doris)。需要了解从tp数据库的清洗流程(flink流式处理/离线处理)ai时代我认为，数据的作用将会不断增大4.垂直领域的业务能力互联网(金融/电商/社交/内容/直播)都需要ai来赋能以我所在的跨境电商行业为例，你是否熟悉电商下单到跨境物流(头程，尾程)再到合规等业务，能否打通业务全链路形成闭环为什么未来需要全栈能力？(1)ai提升了代码开发的效率，如果我们把java，大数据，ai分成3个岗位，中间的沟通时间就会浪费掉，而ai更加擅长的其实是技术细节的coding(2)做ai开发prompt，rag，agent编排的偏向ai侧的工程师，其实是需要非常熟悉业务的，而java工程师最擅长的就是业务，不如让一个人去做，效率最高，不懂业务做ai开发效率是没那么高的就像美团履约团队，让前端去转后端一样，有可能未来，全栈正在成为一种趋势所以，先广度，再深度，先把工程能力和ai能力的广度建立起来，再对一些方面进行深挖最后再来谈谈为什么我认为ai是取代不了程序员的。我认为最核心的一点就是未来写代码有可能是一个需要情商的事情？什么叫需要情商，就是你废力去做的一个需求，可能用户根本不需要。举个例子，产品问开发，你认为这个需求最多能够承受多少数据量，开发问产品，你认为客户的需求能做到多少数据量就可以了。像saas公司，你真的要做到满足客户100%的需求嘛，不是的，因为你真满足了，你的服务器成本会很高，公司发现不划算。这就是一个trade off的问题所以本质上程序员开发涉及到情商/成本trade off/商业化思维的时候，ai做不了了还有一点就是行业的业务，以我在saas公司的经历，我认为saas公司其实就是在垂类赛道把行业的业务知识搞透了，赢得了客户的信赖，而其中一些业务设计，ai理解起来会非常困难。垂直领域的业务知识或许会成为程序的壁垒之一

我boos上简历是前端的，这里来了个华为AI应用开发的找我，感觉和规划不是很搭啊，有无大哥指点一下要不要联系

职级给了2-1，是sp的意思吗？这个包属于sp里面很低的吗

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）