回复： 心法，获取视频下载。

修炼心法

工程师的成长历程尽管可能经历不同，优秀的工程师的成长曲线中还是有许多共通之处。作为一个玄幻武侠文学爱好者，常喜欢把这个过程比作武侠打怪升级，既然是武侠，那自然是有心法的，这里将“小牛”成长心法总结成三篇共九句箴言：

炼气篇：

基础很重要，算法，数据结构，操作系统等等；用正确的方法做事，不绕过，不取巧，走正道

打好基础，练好招式；

端正态度，用正确的方法做正确的事情；

关注细节，不嫌麻烦，追求卓越

筑基篇：

工作经历五花八门，不要做完就完，要形成自身的核心竞争力，就需要总结得失，同时构建符合自身的知识体系

理解工作目标，常常反思；

不断总结，沉淀精华；

思考人生，知识体系，构建核心竞争力

升仙篇：

求知是没有止境的，只有不断涉猎不同的知识，才能做到螺旋上升；同时基础要不断回复，用研究思维看问题，不急于否定 / 肯定新事物

广泛涉猎，抓住机会，不断实践；

回复基础，思考突破，反复创新；

好奇心爆棚，研究思维贯穿始终；

有了上面的心法，去迎接 AI 时代，相信会从容许多。有人可能说 AI 很虚，很飘，但其实 AI 的本质就是算法，一切皆归于算法。它也不是最近因为深度学习引爆此次人工智能革命才进入公众的视野，事实上 AI 存在已久，它无所不在，从问答系统，决策支持到传统 BI，数据挖掘到大数据分析，再到认知计算。

那么怎么去理解 AI 的生态，个人认为 AI 的生态尚没有明确定义，但至少能够看到两种角色：第一种是 AI 科学家，类似大数据领域的数据科学家，他们的使命突破人类 AI 技术的边界，不断创造新的技术；另一种是 AI 工程师，或者用更加贴切的称呼就是 AI 领域工程师，简称 AI FE，类似大数据的领域工程师，他们的使命是推动 AI 技术不断成熟落地，转化为实际生产力。从 Java 开发做个比喻，AI 科学家类似创造 Spring 框架的人，而 AI FE 是 Spring 的使用者，要将其用于某种业务需求的应用系统。

AIOps 点亮工程师的新人生

伴随着自动化运维的发展，我们又迎来来一个新概念“AIOps”。到底什么是 AIOps 呢？知名咨询企业 Gartener 说，基于算法的运维（ITOA）即是 AIOps，算法即运维。在我看来其实算法在整个研发体系的应用已经有些历史了，例如腾讯在几年前就用 3α算法实现无需设置阈值的报警，不仅如此，3α算法的阈值域变化还是动态的，根据现实调节的，不得不说还那么点“智能”的味道。又例如，我们宜信也在几年前开始将微智能的思想应用到系统中，微智能强调自动发现，自我维护，自动适应，开奖，这样的目标也是希望系统更加“聪明”的工作。特别是在 AI 技术炙手可热的当下，AIOps 或许解读为 AI（人工智能）+Ops（运维）更好，AIOps 就是将 AI 技术应用到运维领域的“工程化”过程。AIOps 所代表的系统应该具备三个特征：类人交互，自主决策，理解执行。

同时，智能即运维也代表了 DevOps 实践的一种进化方向。IT 运维发展大致经历这么几个阶段：

早期工具时代：运维可以计算机化，没有行业共识的流程和工具。

Pre-DevOps：ITIL 提出，建立流程管理质量；DevOps 作为一种思想刚刚萌芽，还没有落地工具。

DevOps：它的工具链体系已经成熟，行业有了明确的共识，同时自动化运维的思想，方法，工具得以大力发展。

AIOps：就是当下，个人认为 AIOps 并不是要取代 DevOps 或推翻它的工具链，而是赋予 DevOps 工具链更多“智慧”，AIOps 与 DevOps 工具链的深度集成是必由之路。既然已经处在 AIOps 兴起的当下，对我们工程师而言又有哪些新的机会呢？其实我认为这是对整个研发体系的机会，而不仅仅是运维：

对运维工程师而言，懂运维是天生优势，学习如何运维 AI 的思维解决运维问题是转型的关键。例如运用机器学习从海量监控数据中提取异常点特征，实现异常的智能预测。

对开发工程师而言，懂开发，懂应用是好起点，在要求人人参与运维的今天，以 AI 的思维构建应用是全新的方向。例如从硬编码实现服务调用转变为让系统自己学习 API 实现调用，实现真正的智能服务编排。

对测试工程师而言，作为 DevOps 的关键一环，用 AI 的思维更高效的保证软件质量成为新的应用场景。例如运用机器学习从海量测试日志中提取特征实现测试异常的分类会大大提升测试结果根因分析的效率。