整理一下自己的AI学习路线，方便后续回溯，也可以给别人一个学习参考

前置准备

• 有一个好的生产工具，效率翻倍，这里推荐Mac+配套显示器
• 使用Chrome，国内用户自查使用方式
• 使用Github，了解前沿的技术，同时很多开源的模型都可以在这里找到

RAG，英文全称“Retrieval-Augmented Generation”，是一种将信息检索和生成模型相结合的人工智能技术。在信息生成的过程中，利用外部的知识库和文档检索相关的信息，从而提升结果的准确率和可靠性。

RAG的核心分为两步：

• 检索：从知识库（数据库，文档或者网页）上找出对应的数据片段，通常通过一个检索模型实现。
• 生成：将问题和检索到的内容结合起来，生成答案。通过了解大模型训练的基础原理可以知道，模型的训练一般都是在有限的数据下完成的，为了生成具有事实性质的内容等，通常还需要通过额外的干预方式进行二次处理，确保输出更加准确和具体的信息。

最近一个月，使用了市面上的一些AI相关的软件，比如字节的MarsCode或者是Github的copilot。个人感觉确实提升了工作效率，可以帮助解决一些重复性的开发工作，但是这个过程中也发现了一些问题：

• AI生成的代码质量参差不齐，有的甚至是错误的，需要自己进行二次确认；
• AI的使用场景有限，只能解决一些简单的问题，不能解决相对复杂的问题；
• AI生成的代码和人的意图可能存在差异，需要通过prompt不断地微调;

当然，这些问题我相信开发者也知道，而且当前的问题应该远远不止于此。不过，随着技术的不断进步，我相信这些问题会慢慢得到优化。
以上是我近期使用的吐槽，不是本次行文的重点，这篇文章，想思考的是AI+编程的未来是怎么样的呢？

实验背景

• 在大部分分布式场景中，往往采用的是多个不同的节点共同运作一个系统，大部分采用的是一主多从的方案，即一个主节点（Leader），多个从节点（Follow）节点。主节点承担着响应客户端请求的职责，主节点需要将数据备份给从节点，防止数据丢失等。然而，集群的运作往往意味着可能出现的不一致问题，本次我们研究讨论的raft算法就是为了解决分布式场景下的一致性问题。
• raft算法是一种一致性算法，相对于比较经典的分布式算法Paxos算法，raft算法比较简单，相对更加容易理解，同时实现成本比Raft算法更低。
• 实验详细说明参照：https://pdos.csail.mit.edu/6.824/labs/lab-raft.html
• 实现代码: https://github.com/Peterliang233/MIT-6.824/tree/main

实验背景

• https://pdos.csail.mit.edu/6.824/labs/lab-mr.html
• 使用Golang利用RPC的方式实现MapReduce操作，通过搭建一个分布式集群，使用一个master来分发不同的任务，不同worker来共同获取任务并执行
• 实现代码：https://github.com/Peterliang233/MIT-6.824