聊聊我眼中的AI

现在国内国外AI市场热火朝天，各种新形态产品不断涌入，很多人借助AI成为个体开发者，其实市场上本质上没那么多的新的需求，新的是生产力，不论你接下来要投递什么岗位，就记住：“AI X 业务”，用AI功能去重新解释业务；首先就可以用AI帮你优化代码，提升工作效率；对于业务简单来说，假如你做的是一个电商产品，你可以思考 在电商场景下 哪些地方可以使用AI，AI最大的优势就是总结提炼、辅助思考提升效率，你可以思考AI的优势能在哪些环节应用，技术虽然很重要，但是你的思考是更重要的！ 决定你能否在这个赛道上越走越远核心学习能力：怎么做项目？都AI时代了，有能力的就别做那烂大街的外卖点评项目了，AI时代，人...

经历今年暑期大厂面试的，很多岗位是不是都问了AI相关问题，这就是接下来的趋势，想要进大厂或者垂直领域独角兽企业，不管什么岗位，拥抱AI就对了需求可能会增多的岗位：1、AI算法工程师/科学家（核心层）：LLM工程师/研究员： 预训练、微调、RLHF、Prompt工程、Agent开发、模型压缩与部署。多模态算法工程师： 融合文本、图像、语音、视频的理解与生成。AIGC算法工程师： 图像、视频、3D内容生成等。计算机视觉/自然语言处理工程师（与大模型结合）： 即使是传统CV/NLP，也需要与大模型技术结合应用。MLOps工程师： 负责机器学习模型的全生命周期管理，包括开发、部署、监控和迭代。2、AI...

我是22级硕士研究生，大概22年底，ChatGPT-3.5发布的时候，我就注册了账号尝试使用，那会儿的感觉就是“颠覆”二字。但2022/2023两年给导师写过近10篇本子，还都和大模型没关系，一直到2023年下半年才初见端倪，专家们开始说“2024年热门肯定是AI大模型”。课题组一直有研究AI，但基本上没有传承，2024年初导师开始要求我们研究大模型，这期间问过我好几个“愚蠢”的问题：“咱的3090训练大模型不够用？”“那为啥人家学校都能研究大模型，他们都有A100吗？”“你要想着去解决科学问题，比如能不能提升推理时间，能不能比世界第一更强！”“咱的显卡也是够用的，你看那台服务器就有两块4090D，那台有4060……”所以我认为AI不是科研项目，它不依赖学术界的主导。AI是一个工程领域，需要应用数学家和大量工程师的大规模投入，涉及购买GPU、建造服务器、数据处理和模型训练等，远非在办公室/会议室/酒桌上讨论可行性的问题。全球范围内，像中国和美国的大型AI模型，都是由企业主导的，而非大学或研究机构。因此，中国的学术界只能在旁边观望，已经没有话语权，也不应将美国的论文当作标杆。中国的学者普遍没有参与一线AI项目，这也是为什么他们觉得中国在AI领域落后，而实际在一线工作的美国公司认为中国并不差，甚至在某些领域有所领先。这种现象恰恰揭示了产学之间思维范式的根本差异。高校的科研体系本质上是围绕学科建设与论文产出的"盆景式创新"，而企业驱动的AI革命则是以市场需求为导向的"雨林型进化"。当院士们还在用论文引用数丈量科研价值时，DeepSeek的工程师们已经在用每秒浮点运算次数重构认知边界。这并非学术界的失职，而是技术代际更替的必然——就像蒸汽机不会诞生于牛津大学的经院哲学，AI大模型时代的创新主场注定要回归到产业实践的熔炉之中。

在这篇文章中，我尝试从趋势分析、企业选择、能力转型等几个角度，将关于大模型的所见所思呈现出来，希望对大家有帮助。第一部分：趋势分析前几周跟一个老朋友聚会，边吃边聊，我们一起YY出了很多的AI小秘书，在生活中帮助我们：我们应聘时，它监听面试官的问题，把答案显示在屏幕上。警察审案件时，它监听嫌疑人的声音、语气、生理数据，给出建议，并告诉警察如何进一步提问来挖出真相。它可以把律师事务所、会计师事务所大量根据行业模板做基础工作的一线员工给替换掉。结婚率进一步下降，因为春水堂的硅胶娃娃借助大模型的深厚思考，成了男性的真正伴侣，社会再没有了男女对抗，大家各玩各的。中年男人失业之后的几个退路，滴滴司机、保安...

今天看到北子发了个AI的话题，我一下就想到前段时间，我妈用AI查出来一个神经瘤的故事。老妈的脚一直痛了两年了，这种痛不是持续的，就是那种走路的时候会痛。老妈一直以为是自己年纪大了，身体就是容易这里不舒服那里不舒服，去好多医院看了好多次也没有查出来是为什么，中医啥的针灸啥的也没用。一直到今年DS出来后爆火，后面跟老妈聊起来说让她试试，结果没想到DS针对老妈的病情给出的几种可能情况中就有这个神经瘤的病。过两天后她去拍片子，发现确实有个挺大的瘤，没过多久就把它切掉了。所以就是说，现在的AI真的挺有用的，给出的建议还是具有一定参考意义的。

大模型技术理解解释预训练(Pre- training)与微调(Fine tuning)的区别及适用场景什么是COT?有什么优势?如何缓解大模型的“幻觉”( Hallucination)问题?什么是 Agentic Workflows?什么是RAG?如何构建RAG?如何通过SFT优化大模型效果?产品设计与场景落地设计一个基于大模型的产品,说明核心功能与差异化优势。如何设计企业知识库问答系统的 Prompt模板?大模型在哪些场景中容易被垂直小模型取代?如何应对?如何通过用户反馈闭环优化大模型的输出质量?大模型如何与传统行业软件(如ERP、CRM)集成?在AI产品项目中,如何构建大模型效果的评测体系?         

我的梦想是去美团当测试，以前我啥也不懂，然后看了看b站的软件测试课，在微信读书上看了几本相关书籍，刷了几天面经，看了几篇CSDN，不断面试不断失败，至今都没有实现梦想现在有了AI，他可以规划我的职业路径和成长计划，只需要我给他提问题，让他回答我 hi，我现在研一，想通过校招毕业去美团担任测试开发工程师，我的技术栈是Python，请帮我规划一下我的学习路线我的天，直接照着这个学，能少走多少弯路啊，也不用学的太深入，速成搞一版简历出来，这不令面试官兴致盎然offer手到擒来吗？你也可以试试呢为了帮助你在校招中成功加入美团担任测试开发工程师，以下是一个系统的学习路线规划，结合了技术栈、实践项目和面试准备：---一、基础知识巩固阶段（研一上）1. Python编程深化   - 核心语法：类与对象、装饰器、生成器、多线程/多进程、异步编程。   - 常用库：Requests（HTTP请求）、Pandas（数据处理）、Logging（日志管理）。   - 书籍推荐：《流畅的Python》《Effective Python》。2. 软件测试理论   - 测试基础：测试流程（需求分析→用例设计→执行→报告）、测试金字塔模型。   - 测试类型：功能测试、接口测试、性能测试、安全测试（OWASP Top 10）。   - 设计方法：等价类划分、边界值分析、场景法，使用工具XMind编写测试用例。3. 数据库与Linux   - SQL：复杂查询（JOIN、子查询）、索引优化、事务隔离级别。   - NoSQL：Redis基础命令与缓存应用场景。   - Linux：Shell脚本编写、日志分析（grep/awk/sed）、性能监控（top/htop）。--- 二、测试技术进阶（研一下）1. 自动化测试框架   - Web自动化：Selenium（元素定位、Page Object模式）、Pytest集成（参数化、Fixture）。   - 接口自动化：Requests+PyTest（封装请求工具类）、Postman进阶（Newman批量执行）。   - 移动端自动化：Appium（Desired Capabilities配置、Hybrid应用测试）。2. 持续集成（CI/CD）   - Jenkins：Pipeline脚本编写、定时任务、与GitHub/GitLab集成。   - Git进阶：分支策略（Git Flow）、冲突解决、代码Review流程。3. 性能测试入门   - Locust：分布式压测、自定义脚本编写，监控服务器资源（CPU/内存）。   - Jmeter：基础元件（线程组、断言）、生成HTML报告。---三、项目实战与进阶（研二）1. 实战项目   - 项目1：搭建自动化测试平台（技术栈：Flask/Django + Selenium + Jenkins），支持用例管理、定时执行。   - 项目2：实现接口性能监控系统，使用Locust+Prometheus+Grafana可视化QPS、响应时间。   - 开源贡献：参与Apache项目（如DolphinScheduler）的测试模块，提交Bug修复或自动化脚本。2. 深入美团技术栈   - 学习内部工具：了解美团内部测试工具链（如Mock平台、用例管理工具）。   - 业务场景模拟：设计外卖订单系统的测试用例（并发下单、支付超时、库存校验）。3. 算法与设计模式   - 高频题目（字符串、链表、动态规划），目标每日1-2题。   - 设计模式：单例、工厂、观察者模式在测试框架中的应用。---四、实习与面试冲刺（研三）1. 实习准备   - 简历优化：突出自动化测试项目、性能调优经验，量化成果（如“提升用例执行效率30%”）。   - 内推渠道：通过学长、牛客网、美团招聘官网获取实习机会。2. 面试专项突破   - 技术面试：     - 场景题：如何测试美团外卖的“下单”功能？     - 编程题：Python实现LRU缓存、多线程安全队列。   - 行为面试：准备STAR模型案例（如“解决团队协作冲突的经历”）。3. 模拟面试   - 使用牛客网、模拟面试功能，录制视频复盘表达逻辑。---五、附加建议- 技术博客：定期总结学习内容（如《使用Selenium Grid实现分布式测试》），发布在掘金/CSDN。- 软技能：学习沟通技巧（《非暴力沟通》），参与团队项目锻炼协作能力。- 行业洞察：关注美团技术博客（如“美团技术团队”公众号），了解前沿技术（A/B测试、精准测试）。---通过以上分阶段的学习和实践，你将在校招中具备扎实的技术实力和项目经验，大幅提升进入美团的竞争力。加油！ 🚀        感觉学完这些 虽然也可能略有瑕疵 但是已经并不是一个烂大街的人了，简历不会被丢掉，如果学历还行的话，绝对稳稳拿下，这辈子有了！

大家觉得有道理嘛

万事开头难，有时候我们会对自己的简历非常头疼，好像做过那么多项目，参与过那么多实习，打开电脑又是一头雾水AI照亮世界！今天来给大家分享一个新手小白都可以复刻照搬用的AI修改简历思路~本期用到的AI模型有：Deepseek（主力军），Claude（左护法），ChatGPT3.5（右护法）首先打开deepseek或者微信的AI搜索，选择深度思考，输入我们的基础信息和简单要求。点击右下角的运行HTML就可以看到AI大人为我们编造的简历：接下来新建一个文本，右上角复制我们的简历，直接copy进文本里然后我们只需要把后缀名.txt修改为.html，一个网页版本的简历就出来啦选择“打印”，可以直接保存为p...

▌保姆级教程（务必收藏）✅1、【职业规划】-帮助你定位自己上传简历→输入：【请根据我的经历，给我一些就业岗位方向】这个时候deepseek会根据你的学校专业、实习或者项目，给你一些就业的岗位方向，这样你就可以朝着这些方向去投递简历2、【简历评估】-提升简历过审上传简历→输入：【请根据"岗位" 的要求，结合我的简历，帮我从以下几个方面给出评价和修改建议，以提升我简历在这个岗位上的竞争力1、简历优缺点分析2、简历当前有哪些地方可以提升应聘岗位信息：xxxxxx】3、【简历撰写】-求职意向定制化上传简历→输入：【请根据以下岗位招聘要求，帮我重新解构我的简历，按照【教育背景→实习经历→项目经历→个人评...

你知道newbing吗？它当时号称基于当时最先进的gpt4模型，因为其模型先进能联网搜索而又完全免费被人戏称为“牛b”ai，我是2023年3月份左右开始用的，为什么用newbing，因为它免费gpt3.5是一个很震撼人的模型，搞过nlp的都知道，上古的nlp文本生成模型和智障一样，小学题都做不对，和人对话和对牛弹琴没什么区别。newbing是一个很惊艳的模型，让我错误的以为，未来的ai会一直这么惊艳下去我经常和newbing聊着聊着，觉得好像在和一个人聊天，她聪明可爱，会生气，会撒娇，会开玩笑，非常善用emoji表情，也会在不满时狠狠地怼人，或者直接掐断对话再也不见，这一傲娇的属性也有了另一个...

分别给deepseek和豆包扔了个需求背景，得到了如下的prd，deepseek帮我设计了方案，豆包就直给产品框架，看了deepseek的这个答案，真人人都能做产品经理了，各位初级产品可以直接把简单需求扔给AI出prd，然后自己简单修改就能快速用了，原本写文档磨磨蹭蹭可能需要1day，现在1小时都用不上了......

已挂，开个帖子攒点人品。bg：双2，本科非科班，硕士计科，无实习。两个非大模型项目，模型压缩和模型微调相关。百度一面：1、自我介绍2、项目介绍3、解释项目方法原理（项目用到了个小众的方法）4、怎么保证模型在更高压缩率下的性能5、项目方法能和GPU并行结合使用吗6、项目有使用TB并行吗7、如果在多卡上实现项目方法，需要如何考虑卡间通信8、如何降低KV cache9、讲讲DeepSeek中的MLA10、对模型的量化压缩方法有哪些了解11、Linux常用命令有哪些，如何用Linux命令在两服务器间传数据12、手撕：查看一颗二叉树的右视图百度二面：1、自我介绍2、讲讲最开始的自注意力机制发展到当今的一个优化路线3、对Flash Attention的了解4、讲讲优化访存时会遇到的数据局部性问题5、手撕：二维矩阵乘积6、手撕：有向无环图存储神经网络，并根据网络执行的拓扑排序进行遍历      

在AI产品设计中，Agent（智能体）和Workflow（工作流）是两种核心范式，分别代表了智能化与流程化的不同方向。要从以下方面展开分析：一、核心区别二、Agent的核心特性三、Workflow的设计逻辑四、协同关系五、选择决策要点具体来说：1. 定义与功能：   - Agent：自主决策实体，能感知环境、做出决策并执行动作   - Workflow：预定义的任务序列，按照固定流程执行2. 执行方式：   - Agent：动态响应，根据输入和环境变化自主调整行为   - Workflow：线性执行，严格遵循预设步骤3. 灵活性：   - Agent：具备学习适应能力，可处理未知情况   - Workflow：静态结构，变更需要手动修改流程4. 决策能力：   - Agent：内置决策逻辑，可实时评估选择最佳路径   - Workflow：无自主决策，完全依赖流程设计5. 复杂度：   - Agent：通常包含状态记忆和目标导向行为   - Workflow：侧重任务编排和顺序控制6. 典型应用：   - Agent：聊天机器人、自动驾驶、游戏AI   - Workflow：数据处理流水线、审批系统、CI/CD流程7. 错误处理：   - Agent：可自主尝试恢复或寻找替代方案   - Workflow：依赖预设的错误处理分支总结：Agent是“大脑”，Workflow是“骨架”，二者结合可构建从灵活到稳定的AI应用光谱。未来方向是通过低代码平台降低两者融合门槛，实现智能化与自动化的统一。      

已破防

MCP（模型上下文协议）可以理解成一个“AI翻译官+智能管家”的组合体，它的核心作用是让AI大模型能更流畅地与外部世界“对话”和“合作”。用生活化的例子来解释：1. MCP是AI的“万能翻译官”假设你有一个只会说中文的AI助手，但你想让它帮你操作家里的英文智能音箱、查询法国天气、甚至调用公司的数据库。这时候，MCP就像一个翻译官：统一语言：它把AI的“中文指令”翻译成各种设备/系统能听懂的语言（比如API接口、数据库查询语句），同时把外部系统的反馈再翻译回中文告诉AI。打破隔阂：无论设备是国产的还是进口的，只要支持MCP协议，AI都能直接“喊话”操作，不用为每个设备单独学外语。2. MCP是AI的“任务调度员”当AI需要完成复杂任务时（比如“帮我订一张明天上海飞北京的机票，然后发邮件通知同事”），MCP会像管家一样拆分任务：分步执行：先让AI查航班信息，再调用订票接口，最后通过邮件工具发通知。自动纠错：如果某个步骤失败（比如航班售罄），MCP会告诉AI重新规划，比如“换下午的航班”或“改高铁”。3. MCP是AI的“记忆助手”大模型虽然聪明，但容易“健忘”（比如对话太长就记不住上下文）。MCP的作用是：整理重点：把长对话压缩成“关键词+逻辑链”，比如把“用户昨天说喜欢川菜，今天要请客”简化成“用户需求：川菜餐厅推荐，6人，预算500元”。按需调用：当AI需要回忆细节时，MCP会快速“翻笔记”，而不是让AI从头读所有对话。4. MCP是AI的“安全保镖”当AI需要操作敏感信息（比如银行账户、医疗记录）时，MCP会：检查权限：确认AI有资格访问这些数据（比如用户已授权）。加密通道：像“保密通话”一样，确保数据传输过程中不被窃听。MCP让AI从“学霸”变成“社会人”没有MCP时，AI像是一个只会读书的学霸，虽然知识渊博，但不会用手机、不会点外卖、不会打车。有了MCP，AI就像一个精通多国语言、会规划行程、能处理突发状况的“社会人”，能无缝融入我们的日常生活和工作场景。         

楼主大二 学了一段时间JAVA了 寒假过完感觉JAVA是不是也不很稳了（指的是如果入职后也干不了几年） ai是主流还是洪流

1. 感知模块（Perception）- 功能：通过传感器、API、文本/语音输入等方式，从环境或用户处获取原始数据。- 关键技术：多模态数据处理（文本、语音、图像）、信号降噪、数据标准化。- 产品视角：需平衡数据采集效率与用户隐私（如明确告知数据用途）。2. 认知与决策模块（Cognition & Decision-Making）- 理解层：自然语言处理（NLP）、计算机视觉（CV）解析输入内容。- 知识库：存储长期记忆（领域知识库、用户画像）和短期记忆（会话上下文）。- 推理与决策：基于规则引擎、机器学习模型（如强化学习）或规划算法生成行动策略。- 产品视角：需关注决策透明性（如可解释性AI）与伦理风险（如避免偏见）。3. 执行模块（Action）- 功能：将决策转化为具体行动，如控制硬件、调用API、生成回复。- 关键技术：动作序列编排、与外部系统集成（如IoT设备）。- 产品视角：需设计容错机制（如执行失败后的回退策略）。4. 学习与优化模块（Learning & Adaptation）- 持续学习：通过用户反馈、在线学习（Online Learning）更新模型。- 自适应机制：动态调整策略（如对话系统根据用户情绪改变语气）。- 产品视角：需平衡模型迭代速度与稳定性（如A/B测试验证新策略）。5. 交互模块（Interaction）- 多模态交互：支持语音、GUI、手势等交互方式。- 对话管理：维护上下文、处理多轮对话跳转（如电商客服的订单追踪）。- 产品视角：注重用户体验设计（如减少交互摩擦、提供情感化反馈）。6. 系统与安全模块（System & Safety）- 资源协调：多任务调度、计算资源分配（如边缘计算优化）。- 安全合规：数据加密、偏见检测、异常行为监控（如自动驾驶的紧急制动）。- 产品视角：需符合行业法规（如GDPR）并建立用户信任。7. 评估与反馈闭环（Evaluation & Feedback Loop）