代表作是Cursor/WindSurf等工具，原本我们认为辅助编码是节约一些重复性的工作，比如建表/写注释，但实际上手后发现，实际上绝大多数的需求，Cursor都能够快速帮我们实现。

举个实际例子：

将需求转换为文字描述：以下是需求内容，读取xx表；




撰写统计需求：by日维度，统计访问PV、GMV、支付订单数、支付UV；




补充一些实现细节：例如订单标签的获取方式参考xxx，需要生成表结构和执行sql；




执行，Cursor会根据我们的需求内容和xx表，自动生成好数据。

实际上，如果我们能把之前的一些实现sql，给到Cursor做参考，基本上不需要做二次修改，就能直接使用写好的结果。

在日常工作中使用下来，保守估计开发效率能够提升30%以上，如果业务方给到的需求比较规范，50%+也不是什么问题。主要提升的点在于，我不需要动脑子，只需要当个纯粹的复制粘贴工具人即可，如果大模型写错了，就一直追问，它会自动改正。

但使用这类工具有如下几个问题：

数据安全问题，敏感数据有泄露风险；




部分时候代码也会写错，不能完全信任；




依赖比较规范的团队文档库，如果本身数据就有歧义，大模型也解决不了。

因此，DeepSeek出现后，我非常开心，因为有了规避数据安全的手段，也有了微调的可能性。这对我们做研发的冲击非常大。

ChatGPT3.5版本诞生时，我们就想到了能不能让大模型来提数，给不懂sql的业务使用，本身我们就有比较完善数据仓库体系，这个能力并不难实现。

核心实现的思路是：用户输入一句话，大模型识别出用户输入的信息里需要获取的指标、自动化SQL生成，然后将SQL丢到执行引擎中，最后反馈执行的结果。

但很快，我们发现这种方式也有弊端，因为我们面向的用户并不是专业的技术人员，而且同样一件事情，不同人理解和说出来的内容可能完全不同，这就导致语义识别非常难，而且用户也无法判断输出结果是不是准确的。比如什么是“新客”？如果没有事先的定义，搞错的概率相当高。

因此，这个路径很快就发展成了，要么问一些固定的套路化问题，要么用户需要有自己辨别数据是否准确的能力。总之，提数是一件很个性化，但又有明确对错结论的事情，我们在产品功能设计上，倾向于将准确性的问题让用户自己判断，这在一定程度上限制了工具的推广。

因此，如果一个业务非常新，或者新加入的员工很多，那么这个工具还是比较有用；但如果是比较成熟的业务，或者是人员高度稳定的团队，这个能力就比较鸡肋了，大家都有比较高效的提数方法，比如搭建数据门户。

这个方向可以简单概括为：“能否用一句话生成分析结论”。

早起我们都认为，大模型所具备的推理能力，实际上是能够替代数据分析师的职责，比如分析下昨天北极星指标的波动原因，让大模型分维度下钻拆解后，告诉我影响的主要因素是什么。

但实际上，这只能解决一些比较常规的分析问题，因为常规问题大家平时接触的多，解决的思路也相对固定，所以是一种“解决重复劳动”的方式来实现。比如异动归因、赛道洞察、潜力评估、流失预测等，本质还是需要我们根据已有的业务经验，来设计和实现，需要提前定义好指标拆解路径和输出文案一类的工作。

所以，未来低端的研发和BI一样，都会被大模型替代掉，但高端的提供解决方法的岗位，还是需要的。

但如果我们有足够多的token，可以让大模型直接读取我们的原始数据来分析我想要考虑的问题，这种解决的效率更高，也更适合“自助分析”这个场景。因为一旦能够读到明细数据，大模型再进行推理，往往能解读出我们思考之外的一些答案，也算是某种程度上的“集思广益”上了。

之前做尝试的时候，消耗token需要收费，现在有了DeepSeek，人人都能够进行尝试，真的是“开源”能够促进行业蓬勃发展了。

这一轮AI革命正在爆发中，从趋势看，未来大部分程序员是真的要被淘汰了。好消息是，整理好底层数据和文档，保证准确率，依然是“刚需”，未来数仓仍有就业的一席之地；坏消息是，业务一旦成熟，这部分同样只需要一点运维的成本。

因此，未来的前景，作为数仓工程师，还是要卷业务理解。因为，把所有人推到赚钱的第一线，满足资本家增长的需要，这种社会规则依然没变。