How to Shine as a Data Scientist in the Vibe Coding Era

如何在Vibe编码时代成为出色的数据科学家 | Towards Data Science

数据科学

如何在Vibe编码时代成为出色的数据科学家

这里将介绍如何成为那个在编程已成为通用能力的世界中脱颖而出的数据科学家。

Piero Paialunga

2026年8月15日

8分钟阅读

分享

照片由Nick Fewings在Unsplash提供

让我们创造一个虚构人物："Isaac"。Isaac生活在80年代初。Isaac是一位优秀的建筑师，但他有些固守旧习。例如，他总是说：

"我不信任这种计算器东西；我仍然会手动完成所有计算。"

结果，公司里其他所有建筑师的产出都远超他，因为他们使用了这种创新工具，而他却因不信任并拒绝采用。

请记住，Isaac对他工作的建筑公司来说仍然至关重要：他永远无法被计算器取代。然而，令人遗憾的是，Isaac的才华并未被充分用于开发新项目、释放创造力和展示他的出色工作，仅仅因为他拒绝采用这个能提升效率的工具。

本文的目标就是让你不要成为那个Isaac。

在本文中，我将涵盖过去7年中使用、研究、开发和采用AI的经验教训，这些经验涉及数据科学领域中生产力工具以及算法在研究和工业中的实际应用。

这不会是关于Claude Code、OpenClaw、Codex或Cursor的技术指南。这将是一套帮助我保持职业相关性的指导原则，也是我日常用来提升工作效率的方法。

这特别为以下人群设计：学生、初级到中级数据科学家，甚至那些完全不使用AI的高级数据专业人士，他们希望了解更多关于AI的内容。

如果你属于这些人群，欢迎加入。让我们开始吧！

第0步：深呼吸！

照片由Markus Spiske在Unsplash提供

最被AI压垮的人往往是那些实际使用AI的人。如果你感觉自己落后了，知识不足，其他人似乎都比你做得更好，我想给你一个建议：深呼吸。

AI正在以一种速度发展和演变，了解每一个新出现的大型语言模型（LLM），以及LinkedIn上发布的每一个可能的Vibe编码代理"革命性"工具，这不仅不可能，而且对于你的职业发展来说也是不必要的，最终毫无意义。

你确实需要跟上进度并了解周围环境，但适应AI的过程应该仍然令人享受，而不是令人不堪重负。我建议你不要恐慌的原因是：你的分析能力、批判性思维、代数和统计知识以及创造力才是你的优势，而不是你的AI配置。

这让我来到了第1步。

第1步：我们正在处理什么？

让我们从这里开始：

大型语言模型是生产力工具。

它们就是如此。它们让你能够快速交付成果；它们通过减少编码量来优化你的时间；它们可以自动化重复的流程和循环。

它们不是能够完全理解你业务逻辑的数据科学家，不是拥有所有必要信息来解决开放性问题的数据科学家，不是能够深入分析产品情感并提出完整解决方案的数据科学家，也不是能够通过阅读潜台词来找到最佳解决方案的数据科学家，而无需持续的人类关注。

他们之所以无法做到这一点，是因为大语言模型（LLMs）缺乏创造力；它们听起来非常人工，除非你明确引导它们，否则通常会采取荒谬的路径。

既然我们已经了解了它们的特性，接下来的问题是：“我们能用它们做什么？”

步骤2：不要将思考任务委托出去！

照片由Quilia在Unsplash上提供

从技术上讲，我们知道大语言模型（LLMs）是出色的信息检索工具，但却是糟糕的外推工具。这意味着，例如，一个LLM可以快速找到信息（且通常正确），但它在创作一首不像是旧诗拙劣重组的新诗时表现不佳。

这并不只是涉及“艺术”或“哲学”问题：LLMs在处理定义不明确的问题时表现不佳。一个病毒式传播的趋势显示，当汽车洗车店离家很近时，LLMs会建议你“步行”去洗车，而不是浪费汽油[这里]。这只是众多幻觉之一，表明LLMs无法处理某些开放性问题。

换句话说，我们必须使用LLMs来解决非常直接和具体的问题。这是它们的训练和评估方式。

然而，真实的数据科学问题确实需要某种形式的创造力。你需要回答诸如以下问题：我们需要寻找的角度是什么？我们要向谁展示这个结果？我们的公司需要什么？在这个特定时期开发什么会带来好处？这个解决方案能否与我们正在处理的另一个问题良好整合？如果我们与同事X讨论，他们可能会有有趣的见解；我们应该给他们发消息吗？

这些问题属于人类。LLMs在全面考虑、理解这些问题并实施解决方案方面表现不佳。当然，你可以使用它们来获取提示，看看是否有显而易见的解决方案，但最终你不能将整个思考过程委托出去，然后去喝咖啡。

我的建议如下：

• 使用LLMs提取信息并评估建议
• 使用你的大脑进行创造性思考，确保所有要求都得到满足

这最终将确保你的个性和敏锐度得以展现，人们会记住你工作的方式。

步骤3：构建你自己的系统

照片由Fallon Michael在Unsplash上提供

并非每个人使用AI的方式都相同，但每个用户都有自己的偏好。从简单的ChatGPT到Claude Code、Codex或Cursor等系统的最新进展，是能够构建自己的AI流程的能力。

通过称为“技能/命令”、“MCPs”、“循环”等工具，你的生产力将显著提升，并且听起来会有些“独特”。

例如，在Claude Code中，你可以创建以下技能：

1. 以你的方式编写代码，让每个人都能将你的代码与你本人联系起来。
2. 以你的方式说话，避免听起来像一个痴迷于破折号的机器人。
3. 根据你的指标和测试进行审查，确保你的工作始终符合你期望的质量标准。

这些只是示例：令人惊叹的是，你可以发挥创造力并进行适应。一旦你发现某个任务需要反复执行，你可以在你最喜欢的代理工具中将其设置为常规流程，你的生产力将显著提高（以正确的方式）。

然而，我仍然会检查代码是否真的符合我的编码风格，文本是否确实写得非常好（Claude Opus 5听起来非常机械化），并特别注意你的流程有时会被“解释”的方式。

这引出了我们接下来要讨论的重点。

步骤4：保持严谨

照片由Ousa Chea在Unsplash上拍摄

这些新型的LLMs在基准测试中表现更优，同时在误导性陈述方面也更加擅长。如果某段文字写得非常流畅，听起来会显得很有说服力、"官方"且最终被认定为真实。但实际情况可能并非如此，除非你亲自验证输出内容，否则无法确定。

当你开发一个设计方案时，需要对其进行质疑、确保其无懈可击、进行测试、理解其局限性、预测产品经理或经理可能提出的问题，并准备好应对方案。

归根结底，你对自己的代码负有最终责任。当某些功能无法实现或流水线出现故障时，人们会来找你，他们期待你给出及时、专业的回答和清晰的解释。

在职业生涯中，你越是新手，就越需要投入时间确保自己彻底理解项目。流水线的每个环节都需要验证，整体方案也需要评估。在评估结束时，你必须100%确定没有比你当前方案更好的实现方式（即使Claude告诉你不是这样）。

简而言之...

我想通过这篇文章传达的最重要信息是：

不要忘记LLMs是生产力工具。

就像优质的拳击手套能帮助你更好地训练，但它们不会让你成为优秀的拳击手。

不要惊慌，花时间完成你真正需要做的功课，使用AI来处理枯燥重复的任务，但不要盲目信任机器人成为你那个闪耀的明星 😄

在你离开之前！

再次感谢你的阅读，这对我来说意义重大。我的名字是Piero Paialunga，就是这个作者：

作者制作的图片

我来自意大利，拥有辛辛那提大学的博士学位，目前在纽约市的The Trade Desk担任数据科学家。我在这里的TDS和LinkedIn上撰写关于AI、机器学习以及数据科学家角色演变的文章。如果你喜欢这篇文章并想了解更多关于机器学习的内容，可以：

A. 在LinkedIn关注我，我会发布所有故事 B. 在GitHub关注我，你可以看到所有代码 C. 如有疑问，可以通过邮箱piero.paialunga@hotmail联系我

作者信息

查看Piero Paialunga的所有文章

人工智能

职业建议

编辑精选

大型语言模型

分享本文

• 在Facebook上分享
• 在LinkedIn上分享
• 在X上分享

Towards Data Science是一个社区出版物。提交你的见解以触达全球受众，并通过TDS作者支付计划获得报酬。

更新为你的实际投稿链接

为TDS写作

✦ 结束CTA ✦