对程序员来说，DeepSeek的爆火加速了什么？

在 DeepSeek 之前，国内AI领域最广为人知的产品是 Kimi ，他的主要增长策略是投流（近一年预计投流花费9亿）。

作为对比， DeepSeek 在 「几乎没有营销投入」 的前提下，从上线起到2月9日，App下载量已超1.1亿次，周活超9700w。

除了数据层面外，社会层面有些趋势正在悄然形成 —— 各类企业、各级政府都热衷于尝试 DeepSeek 。

对程序员来说， DeepSeek 的爆火加速了什么？本文会从技术与职业层面聊聊。

技术层面

本质来说，AI的作用是 「提效」 。

如果按 「步骤」 拆解 「如何完成一件事」 ，会得到一条链。

比如，下图是拆解 「如何上线一部院线电影」 ：

其中每个步骤又能按同样流程拆解出子步骤，比如 「审查与许可」 环节又能做如图拆解：

拆解出的子步骤同样能递归拆解：

当我们对所有步骤都执行递归拆解，会得到一个金字塔结构的流程图。

所谓 「提效」 ，就是 「AI替代人工完成金字塔结构中的步骤」 。

我们可以按 「AI能完成多少步骤」 将AI分为三种工作模式：

• Chatbox：与AI对话完成单一步骤提效，这是最常见的 「人类与AI交互方式」

• Workflow：AI为 「包含多个固定步骤的工作流程」 提效

• Agent：AI自主决策 「完成一个步骤后接下来该怎么做」 ，可以为 「跨金字塔层级的多个步骤」 提效

DeepSeek （尤其是推理模型 R1 ）的出现对上述流程有什么影响呢？

最直观的， R1 的推理能力提高了 Chatbox 的输出内容逻辑性。

更深层次的， R1 作为推理模型，在 Agent 中主要作为：

• 决策推理：判断下一步能做什么，并决定做什么
• 元提示词：自动生成 「给大模型使用的提示词」

考虑到 R1 比 o1 更高的性价比，可以得出结论：

R1 会加速各场景 Agent 的落地

比如，24年初第一款 Coding Agent Devin就诞生了，但之后一直没开放试用。

24年底开放试用后，也因为：

1. 每月500刀的高昂订阅费用

2. 处理复杂业务逻辑时仍需大量人工干预

导致一直没能大规模落地。核心是两个原因：

1. 外部原因：底层模型的推理能力、调用成本