说真的,校招第一份工作的钱,比你想的重要得多💰

每次看到"应届生别太看重薪资,要看平台和成长"这种话,我都想说——

这话没毛病,但它有个巨大的bug:它让很多人真的以为,起薪不重要。

可钱怎么可能不重要啊朋友们。

尤其在互联网这个今天在明天就可能裁员的行业,除了公司名字和月薪base,什么好业务好老板WLB,说变就变。

所以我的观点很明确:起薪,非常重要。

👇说说为什么:

1️⃣ 起薪就是你的职场定价锚点

毕业头几年,是你最容易被"标价"的时候。

后面每次跳槽、谈薪、升职,基本都是在当前薪资上往上加。起薪低的人,哪怕每次涨幅都还行,也得花更久才能追上别人。

别拿"大佬两年翻倍"来杠,那是极端个例,不该作为你做决策的参考。

2️⃣ 薪资高低,背后是资源分配的信号

同样是校招生,为什么有的岗给40w,有的只给20w?

不是单纯钱多钱少的问题,是公司对这个方向愿不愿意砸预算、给资源。钱给得多的岗位,你大概率能碰核心业务、重要项目,也更容易被老板看见。

当然不是100%绝对,但这是一个非常强的信号。真有发不出ssp的业务,那就是发不出,别骗自己。

3️⃣ 薪资真的会影响心态

我最近跟一堆25届的朋友聊,发现想跳槽的人里面,大部分不是因为活干不下去了,而是——

"我绩效也不差啊,为什么年终比同组的人少那么多?"

长期付出差不多、强度差不多,但收入明显低一截,心态崩是迟早的事。

4️⃣ 多出来的钱 = 你的安全垫

年薪30w和50w,消费水平其实差不了太多。

你还是租3-5k的房,吃人均100-200的馆子,点外卖先看团购……你不会因为多了20w就突然挥金如土。

消费差不多的前提下,多出来的部分就是实打实的存款。

存款意味着什么?意味着你有底气说"这工作我不想干了",意味着你能扛住裁员、扛住空窗期。

复利这东西,早一天开始就早一天受益。

最后说一句:

年轻当然可以吃苦,但吃苦不等于要贱卖自己。

你可以不把钱当唯一标准,但千万别假装钱不重要。

你的市场价值,你自己得先认。

#牛客AI配图神器#

#校招##大厂##工作中,努力重要还是选择重要?##我的求职进度条##担心入职之后被发现很菜怎么办#
全部评论

相关推荐

在我来鹅之后,接到的第一个完整大需求就是需要编写一个skill,之前的实习也写过一些skill,但是在我的理解中skill就是跟提示词没差,把你需要的目标全写上就好了,所以第一次mr我提交了一个超过1200行的md,被mt打了回去,为了完成这个需求,我又赶紧请教了我身边的大神同学,获取一些写skill的经验,将原先1200行的md进行了对应的references拆封,又通过我朋友教我的验证机制验证这个skill的效果,最后完成了我的第一个需求。正好前两篇文章给大家分享了写好的用来包装简历的skill,那么今天来给大家分享怎么去写一个好的,可以实际用来工作的skill,摆脱只会写提示词的尴尬。构建 Skill 的五个步骤Step 0:先写 EvalsEval(Evaluation,评估)是一套结构化的、可重复运行的测试用例集,用来判断 Skill 的表现是否符合预期。它不是泛指"测试一下",而是开发 Skill 的前提条件。一个典型的 Skill eval 集至少包含三类用例:- 正例(Positive):用户说“帮我看一下这个 PR 能不能合”,验证 Skill 应该被加载- 负例(Negative):用户说“帮我把代码格式化一下”,验证 Skill 不该被加载——路由别跑偏到不该触发的地方- 边界(Edge):“这个 PR 改了一行日志,要不要审”,验证边界情况下的路由行为正例和负例都要写,而且负例往往比正例更值钱——误触发是 Skill 路由的头号失败模式。Eval 不只是测一次。Perplexity 的 eval 分三个层次:如下图每种都要在 GPT、Claude Opus、Claude Sonnet 不同的 orchestration 模型上分别跑——Sonnet 和 GPT 的 Skill 行为差异很大,只在一种模型上过了不够。没有 evals,你改 description 就是在盲改,一个新 Skill 也可能悄悄搞坏已有的十个 Skill。Step 1:写 Description(最难的一行)description 是路由触发器,不是文档。写好它不需要关心 Skill 的内容,只需要关心能不能在正确的时间加载、有没有意外触发到不应该触发的地方——误触发是头号失败模式,每加一个 Skill 都有可能让其他 Skill 变差。糟糕的 description 描述 Skill 做什么,好的 description 说什么时候加载。举个监控 PR 的例子:不要写这个 Skill 做什么,要写工程师感到焦虑时会说什么——"babysit"、"watch CI"、"make sure this lands"。快速检查清单:- 以"Load when…"开头- 控制在 50 词以内- 描述用户意图,最好来自真实查询- 不总结工作流程Step 2:写 Body跟同事讲工作流程和跟 LLM 讲工作流程完全是两回事。对几乎任何面世超过一年的软件工具,只要提名字,模型已经知道怎么用。所以跳过模型已经懂的部分。不用写出每一步命令。比如不要写 git log → git checkout main → git checkout -b clean-branch → git cherry-pick commit。写 "Cherry-pick the commit onto a clean branch. Resolve conflicts preserving intent. If it can't land cleanly, explain why." 模型在后者上表现好得多,尤其是事情不按预期走的时候。太规定的指令比灵活的指令更脆弱。然后聚焦 gotchas 和反例,它们是最高信噪比的内容。每次 Agent 搞砸了就加一条,gotcha 会自然地累积起来。条件逻辑或内容太重的东西移出 SKILL.md,放到 accessory file 里渐进加载。Step 3:用层级结构- scripts/ —— 确定性逻辑,模型不用每次重新发明- references/ —— 重型文档,条件触发才读("如果 API 返回非 200,读 api-errors.md")- assets/ —— 输出模板,模型直接复制填充- config.json —— 首次运行设置,问一次保存下来对于极其复杂的 Skill,进一步考虑是否应该拆成一组 Skill,用 depends: 声明加载关系。Step 4:迭代切分支出来,在无 Skill 的状态下跑 hero query(核心用户场景查询),建 eval 集,反复调。提交 review 时最好一个 changeset 里自带 eval 集。Description 里的小词改动对路由影响很大,甚至会 spillover(溢出)到其他 Skill,所以这些在 Step 5 之前做完。Step 5:发布大家快把这5步实行起来,成为写skill专家吧!
琉璃梦忆:直接skill creator 管你这那的
AI了,我在打一种很新的...
点赞 评论 收藏
分享
做梦也会成功的:真是Token比人贵
点赞 评论 收藏
分享
评论
2
2
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务