聊聊我眼中的AI

故事要从这里说起：作为一个专业运营，数据处理和分析并不可少（但其实我根本没学过excel，工作这么多年我的excel都是网上现查的），deepseek不是很火吗？于是我问了它一个问题：不是吧，它还真可以啊！经过我一顿研究，这份《DeepSeek 接入 Excel 操作指南》送给每位打工人，有了它，一天摸鱼8小时。【具体操作步骤如下】：一、获取 API Key访问官网：打开 DeepSeek 官网 https://api-docs.deepseek.com/zh-cn/，点击“申请 API Key”。注册账号：注册并登录 DeepSeek 账号，完成实名认证后即可获取 API Key。二、Exc...

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。

主包实测美团NoCode后直呼真香！作为一个不会写代码的PM，居然真的能用它快速做出AI小产品原型，打工人狂喜！试了几个case：15分钟就搭了个类似Character AI的对话网站框架（虽然还不能接真实AI模型但流程跑通了），半小时做了个带动态效果的个人名片页，还看到同事做的超实用案例——TODO管理器和实时工资计算器（自动同步美团考勤数据的那种）。虽然现在功能还比较基础，但最惊艳的是把"想法→Demo"的时间从2周压缩到2小时！看到自己拖拽出来的小工具真正跑起来时，那种"我居然也能创造产品"的成就感简直了。从年初爆火的Manus到现在的美团NoCode，越来越觉得未来人人都能通过AI+零代码工具成为"公民开发者"，AI Agent的时代真的不远了~

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...

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

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?

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...

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......

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...

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...

已破防  

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

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。

最近DeepSeek很火，看到大家都惊叹于它能写出非常精美的文章，在生成解决方案的同时还能为你展示思考过程。于是我也去用了一下，确实还行。它确实能展现针对问题的分析过程，给出的答案也似乎比其他国内AI更细腻一些。但它说到底依然只是个工具，它可能可以提高你的工作速度，但未必能提高你的工作质量。我现在每天的生活和工作已经离不开AI了，我会用AI来查资料和检索信息，也会让它提供一些问题的解决方案，还会让它给我的公众号文章起标题。在使用的过程中，它确实会给我一些惊喜，会给出一些我未曾想到、但具有启发性的答案，给了我更多的选择。但，它没法帮我做判断，最终那个做判断的人依然是我，我需要去判断它生成出来的东西是不是符合我目前的工作需求，是不是我所想要表达的东西。而这，才是决定工作质量的关键。在使用AI帮助我进行工作和生活的过程中，我有一个很深的感触：我发现，要做成一件事，其实不是难在你能做出多少种不同的方案，不是难在你能在头脑里、在纸面上构想出多少种解决问题的方法。真正的难的地方在于决策和执行，难在你能结合当下的情况、权衡各种利弊、承受各种未知的风险，从这么多方案里选一种，然后真的到真实的世界中把它落地。就好像，如果你问AI怎样才能提升自己的精力水平。如果你愿意，它能从日常饮食、运动健身、工作休息、心理健康等等各种方面给你制定100个周密且管用的计划。但这些生成出来的计划再有效、再精巧，和你有什么关系呢？只有你真的在里面选出一两个，真的日复一日地去做了，它才和你有关系，才能真正改变你的生活。当然不能否认，AI确实为我们节省了很多时间。可能以前我们从收集信息到最终制定出方案需要花好几天的时间，现在只要几秒钟就够了，而且它能为我们提供更多的选择。从口耳相传，到《百科全书》，到搜索引擎，再到现在的AI，其实所有的新技术本质上起到的作用都是相似的：帮我们节省了时间，为我们提供了更多可选择的方案。但我们真的缺方案吗？你爸妈让你回家考公务员，你早就知道这是一个或许是在大数据统计上对你来说最优的人生选择方案，但你就是不想选，你就是想看看凭借自己的能力能不能在大城市获得小概率的成功。AI，或者任何高科技工具，都永远代替不了你去生活，永远代替不了你一步一个脚印的实践、切实的体验和真实的感受。而人之所以为人，你之所以是你，恰恰就是因为你每天都在真实地感受和生活啊！

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）