从 DeepSeek 看25年前端的一个小趋势

从 DeepSeek 看25年前端的一个小趋势

最近DeepSeek R1爆火。有多火呢？连我爷爷都用上了，还研究起提示词工程来了。

大模型不断发展对我们前端工程师有什么长远影响呢？本文聊聊25年前端会有的一个小趋势。

模型进步的影响

像DeepSeek R1这样的推理模型和一般语言模型（类似Claude Sonnet、GPT-4o、DeepSeek-V3）有什么区别呢？

简单来说，推理模型的特点是：「推理能力强，但速度慢、消耗高」。

他比较适合的场景比如：

• Meta Prompting（让推理模型生成或修改给一般语言模型用的提示词）

• 路径规划

等等

这些应用场景主要利好AI Agent。

再加上一般语言模型在生成效果、token上下文长度上持续提升。可以预见，类似Cursor Composer Agent这样的AI Agent在25年能力会持续提升，直到成为开发标配。

这会给前端工程师带来什么进一步影响呢？

一种抽象的理解

我们可以将AI Agent抽象得理解为「应用压缩算法」，什么意思呢？

以Cursor Composer Agent举例：

我们传入：

• 描述应用状态的提示词

• 描述应用结构的应用截图

AI Agent帮我们生成应用代码。

同样，也能反过来，让AI Agent根据应用代码帮我们生成「描述应用的提示词」。

从左到右可以看作是「解压算法」，从右往左可以看作是「压缩算法」。

就像图片的压缩算法存在「失真」，基于AI Agent抽象的「应用压缩算法」也存在失真，也就是「生成的效果不理想」。

随着上文提到的「AI Agent」能力提高（背后是模型能力提高、工程化的完善），「应用压缩算法」的失真率会越来越低。

这会带来什么进一步的影响呢？

对开发的影响

如果提示词（经过AI Agent）就能准确表达想要的代码效果，那会有越来越多「原本需要用代码表达的东西」被用提示词表达。

比如，21st.dev^[1]的组件不是通过npm，而是通过提示词引入。

相当于将「引入组件的流程」从：开发者 -> 代码

变成了：开发者 -> 提示词 -> AI Agent -> 代码

再比如，CopyCoder^[2]是一款「上传应用截图，自动生成应用提示词」的应用。

当你上传应用截图后，他会为你生成多个提示词文件。

其中.setup描述AI Agent需要执行的步骤，其他文件是「描述应用实现细节的结构化提示词」

这个过程相当于「根据应用截图，将应用压缩为提示词」。

很自然的，反过来我们就能用AI Agent将这段提示词重新解压为应用代码。

这个过程在25年会越来越丝滑。

这会造成的进一步影响是：越来越多前端开发场景会被提炼为「标准化的提示词」，比如：

• 后台管理系统

• 官网

• 活动页

前端开发的日常编码工作会越来越多被上述流程取代。

你可能会说，当前AI生成的代码效果还不是很好。

但请注意，我们谈的是「趋势」。当你日复一日做着同样的业务时，你的硅基对手正在每年大跨步进步。

总结

随着基础模型能力提高，以及工程化完善，AI Agent在25年会逐渐成为开发标配。

作为应用开发者（而不是算法工程师），我们可以将AI Agent抽象得理解为「应用压缩算法」。

随着时间推移，这套压缩算法的失真率会越来越低。

届时，会有越来越多「原本需要用代码表达的东西」被用提示词表达。

这对前端工程师来说，既是机遇也是挑战。