思维的转变：向AIGC时代迈出第一步

引言

在这个科技日新月异的时代，我们正站在一个前所未有的转折点上，目睹着一场静悄悄却影响深远的变革——从传统的创作模式向人工智能生成内容（AIGC）时代的迈进。这场变革不仅是一场技术的革新，更是对我们固有思维方式和创造力边界的重新定义。

随着算法的日益精进和数据的海量积累，机器开始展现出令人惊叹的内容创作能力，从文字、图像到音乐、视频，AIGC正在逐步渗透到社会的每一个角落。

本文旨在探讨AI生成内容（AIGC）这一转型变化过程中的转变思维、调整心态和升级技能，以开放和前瞻性的视角共同迈入新的纪元。我们将在探索中发掘潜力，引领创新。

首先，什么是AIGC？

AIGC 是一种利用先进人工智能技术自动生成文本、图像、音频和视频等多种类型内容的方法。它代表了内容创造领域的一个重大进步，与传统的专业生产内容（PGC）和用户生产内容（UGC）相比，AIGC的核心在于其内容生产的主体是人工智能系统。

接下来，我们将探索如何在这一新兴领域内发掘潜力、引领创新。

在AI生成内容的浪潮中，我们不仅要学会适应新技术，还要充分利用人工智能的优势。这包括但不限于：

1. **技能升级**：提升自己在人工智能相关领域的知识和能力，了解最新的技术和应用案例；

2. **思维转变**：从传统的生产内容到更开放、灵活的内容创作模式，培养创新思维和合作精神；

3. **心态调整**：保持对新事物的好奇心和适应性，积极应对可能的挑战。

让我们一起迎接AIGC时代，勇敢地迈出第一步。

然后在解析这个http响应的内容来获取我们想要的信息。

以上的过程需要反复尝试多次才能成功。但AIGC提供了自动化解决方案，能够快速且准确地完成这些任务。

例如：使用Python中的Scrapy框架，你只需要编写几个简单的代码，就可以自动完成网页爬取，并且可以自动生成抓取的文档路径、文件名、数据字段名称等信息，从而节省大量人力物力。

传统编程VSAIGC

明白了这一点后，很多人仍然对传统的编程方式难以接受。下面，我将以一个简单的问题为例，让大家更好地理解AIGC浪潮带来的冲击：

想象一下，你需要开发一个爬虫，目标是从豆瓣电影排行榜的网页中获取相关的信息（例如：电影名、封面链接、简介等）。

传统编程方式

首先需要向浏览器发送HTTP请求，找到该网页；然后解析这个HTTP响应的内容以获取我们想要的信息。

这个过程需要反复尝试多次才能成功。但AIGC提供了自动化解决方案，能够快速且准确地完成这些任务。

例如：使用Python中的Scrapy框架，你只需要编写几个简单的代码，就可以自动完成网页爬取，并自动生成抓取的文档路径、文件名、数据字段名称等信息，从而节省大量人力物力。

对比来看，传统编程方式需要手动操作和多次尝试才能成功。而AIGC则能通过自动化解决方案，快速且准确地完成这些任务。

下面是一个详细的步骤：

1. 获取HTML字符串：首先，你需要从某个来源（如网页、API等）获取一个完整的HTML字符串。

2. 解析HTML结构：接下来，你需要使用合适的工具或库来解析这个字符串，并确定它的基本结构。这通常涉及理解HTML的文档类型声明和头部信息。你还需要识别所有的标记、属性和内容。

3. 分析结构：分析HTML架构时，你需要关注几个方面：

- 标记之间的关系（如父子关系）

- 事件处理方法

- 动画效果等

4. 解释结构：最后，将解析出的HTML结构用清晰的方式解释出来。这可能包括生成一个树状图或使用其他的可视化工具。

在进行以上步骤时，请确保你有适当的权限和数据来源，以避免侵犯版权问题。

之后，你需要对该HTML字符串应用正则表达式，聚焦.article.table列表;

（正则表达式是一种强大的文本处理工具，它允许用户通过一种特殊的语法来描述字符串的模式。这种模式可以非常简单，比如匹配一个具体的单词，也可以非常复杂，用于匹配复杂的文本结构，如电子邮件地址、电话号码格式、HTML标签等。

对字符串应用正则表达式，常见的操作包括：

匹配: 检查一个字符串是否符合正则表达式定义的模式。例如，可以使用正则表达式来验证一个输入是否为有效的邮箱地址。

搜索: 在一个长字符串中查找符合正则表达式描述的所有子串位置。这有助于从大量文本中快速定位特定模式的信息。

替换: 找到字符串中符合正则表达式的部分，并将其替换为另一段文本。这对于批量修改文本内容特别有用。

提取: 从字符串中抽取符合特定模式的部分内容。例如，从一个网页源代码中提取所有的链接地址。

```import { createCrawl } from 'x-crawl' // 创建爬虫

// 创建爬虫应用

const crawlApp = createCrawl() //

// crawlPage 用于爬取页面

crawlApp.crawlPage('https://movie.douban.com/chart').then(async (res) => {

const { page, browser } = res.data

// 等待元素出现在页面中

await page.waitForSelector('#wrapper #content .article')

const filmHandleList = await page.$$('#wrapper #content .article table')

const pendingTask = []

for (const filmHandle of filmHandleList) {

const picturePending = filmHandle.$eval('td img', (img) => img.src)

const namePending = filmHandle.$eval(

'td:nth-child(2) a',

(el) => el.innerText.split(' / ')[0]

)

const infoPending = filmHandle.$eval(

'td:nth-child(2) .pl',

(el) => el.textContent

)

// const scorePending = filmHandle.$eval(

// 'td:nth-child(2) .star .rating_nums',

// (el) => el.textContent

// )

// const commentsNumberPending = filmHandle.$eval(

// 'td:nth-child(2) .star .pl',

// (el) => el.textContent?.replace(/\(|\)/g, '')

// )

pendingTask.push([

namePending,

picturePending,

infoPending

// 评论人数(commentsNumber)

// scorePending,

])

}

const filmInfoResult = []

let i = 0

for (const item of pendingTask) {

Promise.all(item).then((res) => {

const name = res[0]

const picture = res[1]

const info = res[2]

// const score = res[3]

// const commentsNumber = res[4]

filmInfoResult.push({

name,

picture,

info

// commentNumber

})

if (pendingTask.length === ++i) {

browser.close()

const filmResult = {

element: filmInfoResult,

type: filmInfoResult.length > 1 ? 'multiple' : 'single'

}

console.log(filmResult)

}

})

}

})

```

最后，编写代码将爬取的数据存储到JSON数组中。

当然可以！以下是将文本分段后重写的版本：

### 简单明了：代码量之大

这一系列操作中的代码量真的不小！

---

### AIGC方式爬虫：自然语言指令与AI理解

我们只需通过自然语言指令告诉AI系统想要爬取的数据类型和来源，AI就会自行分析并理解需求。同样的，我们也需要爬取电影排行榜的相关信息。操作如下：

---

### 获得HTML字符串响应

拿到HTML的字符串响应。

将这部电影的HTML片段传递给AI，并告知它这是部电影。然后，请告诉AI你想要获取的信息包括：电影名称(name)，封面链接(picture)，简介(info)，评分(score)，评论的数量(commentsNumber)。请使用括号中的单词作为属性名，以JSON对象的形式返回这些信息。

最后一键上传即可。

对比总结

传统的编程方式开发爬虫需要从分析每个网站的HTML结构到编写复杂的正则表达式，再到处理各种可能出现的异常错误，最后才能输出成自己想要的数据模型。这不仅耗时而且要求编程师具备扎实的编程功底和网页解析知识。

而AIGC只需要详细、清晰地表达我们的需求，其他的事都交给LLM大模型编程即可，这明显降低了编程门槛，并且提高了开发效率，特别是对于非专业开发者而言，能够通过简单的指令快速实现功能。

AIGC带来的变革

通过这个例子，我们可以清楚地感受到AI浪潮带来的冲击。它降低了编程门槛，使得非程序员也能快速构建复杂应用；它提升了开发效率，让从前需要数天的任务缩短至几小时甚至几分钟；更重要的是，它促进了创新，让开发者有更多精力专注于业务逻辑和数据分析，而非琐碎的技术实现细节。

尽管如此，AIGC也并非万能钥匙。它依赖于高质量的训练数据和算法，对于一些高度定制化、复杂交互的场景，人工干预和专业知识仍不可或缺，毕竟只有50%的编程模块可以被AIGC代替。基于冯诺依曼原理，非AIGC任务，也只能交给传统编程流程来做。

但不可否认的是，AI正在逐步改变着软件开发的格局，为未来技术发展开辟了新的可能性！