聊聊我眼中的AI

我们是如何走到这一步的人工智能这一词出现，依然有几十年的历史，差不多每过十年就会经历一次 AI 浪潮。抛开那些繁杂的概念，只说大模型，起源可以追溯到 2017 年发布的《Attention is All Need》论文，论文提出了Transformer，给现在的 LLM（大语言模型） 奠定了理论基础。理论到落地通常需要很久的时间。所以直到2022年，才有第一个应用诞生，至今AI应用访问量上都占据着榜首。模型 & 应用如何理解LLM一个发光二极管，亮与暗代表1和0，这样电信号与数字信号便有了转换方式，硬件与软件有了初步合作。不过0101代码的还是不够让人类方便的理解，于是人们将一组01抽...

我觉得这是一个伪命题，因为这根本就不是一个A或B的问题。互联网各个部门都喜欢搞ai,也确实有很多结合具体业务开发智能体的需求（主要是大老板喜欢），但是据我观察现实情况有个很现实的结论：现阶段大部分智能体开发，核心执行者都是后端工程师。我本人的工作也包含了部分智能体开发，所以有点发言权。究其原因，一来后端工程师最懂业务逻辑和系统底层架构，能精准捕捉业务痛点，知道哪里适合用 AI 赋能、怎么落地才贴合实际需求；二来智能体开发的核心是 “业务落地” 而非 “大模型底层研发”，技术门槛更多集中在业务拆解、工具整合与流程闭环，而非高不可攀的算法研发，后端工程师上手起来反而更有优势。ai是风口，agent...

主包2本9硕，学了一年Java开发，有一段比较长的大厂后端研发的实习，现在大模型太火了，有点儿想往大模型方向转，实验室基本都是就业向，发不出论文来，所以基本只能考虑大模型应用开发。有深度学习基础，研究方向也是大模型相关的，现在开始从头看那些什么langchain，langgraph的视频，感觉太浪费时间了，想直接通过项目去学习，有uu推荐rag和agent相关的项目吗

今年大模型赛道简直是互联网的“现金中心”。这几天看下来，感慨挺多，随便聊聊。首先，那些学历背景硬、技术扎实的同学今年是真赢麻了。顶级offer的包纷纷往100万走，薪资倒挂现象比往年都明显。身边做这行的朋友，今年包基本都涨了一轮，不涨的话公司可能真留不住人。最近招聘平台的消息都爆了，一堆HR在挖人，行情火热到有点不真实。再看行业动态，马斯克、黄仁勋各种发声，算力芯片的消息就没断过。马斯克说每周都在被机器的迭代数据震撼，这种速度确实只有身处其中才能真切感受到。整个领域就像开了加速器，技术、资本、人才都在疯狂涌入。说实话，这确实是肉眼可见的风口。如果你已经在赛道里，恭喜你，现在正是价值被放大的时候。如果你还在观望，我的建议是：赶紧准备起来。春招的坑位比往年多不少，现在入场完全来得及。重点是把基础打牢，找准方向，争取拿个理想的offer，甚至更大的包。风口来了，但机会只留给准备好的人。别只看到别人的高光，背后的积累和选择同样重要。我拥有7年大厂算法经验，担任过校招社招面试官，今年已帮助30多位同学拿到offer。如果你对大模型方向感兴趣，或需要准备春招，欢迎找我聊聊规划

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...

缅北云业务搞得稀烂，除了一些政企合作的，感觉基本没啥市场，竞争不过国内其他云厂商，而且内部也是加班贼猛，俗称缅北云☁️，还在宣扬全力ai，自己公司内部大模型什么某古搞得很烂，借鉴不少千问的，大模型几乎遥遥落后，今年八九月就搞一大波人员变动和输出，后面又传合并到ict，发现还是扶不起来了，到现在传起来要被端窝了

各位牛佬佬们，小弟是28届211本科大数据专业的学生，目前正在学安卓开发，但是看见现在的ai冲击，感觉能不能撑到我毕业都是回事儿。你们说，有必要跳去嵌入式吗？或者说老老实实的继续学客户端安卓开发,毕业找个中大厂，然后往底层学。学到 Framework层，再慢慢往嵌入式底层走。后面可以干端侧性能优化，或者直接更底层的嵌入式，或者在系统层进行开发。各位有什么建议和想法吗我太迷茫了，每天看着ai都在升级，心里面实在没底，不想被取代。

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。

身边好几个Java选手都是面大厂后端开发岗，结果进去干Agent开发。传统后端的那些高并发，高可用的技术是一个都没用到，Agent开发也是纯粹的写prompt和workflow，感觉Agent开发这东西没啥具体业务，更像是今年大厂都有一个AI赋能的指标，所以招几个实习生完成上面的任务。目前，身边干Agent开发的哥们都是2B的，没听说过有2C的，而且这个Agent都是面向公司内部的大模型

摘要 上文（面试官别再问 AI 应用啦，我是真没招了）中我们提到了提示词（Prompt），也就是和大模型聊天时我们所说的内容。那当我们通过不同的提示词技巧来聊天时，大模型到底如何运作的呢？  正如我们所知道的，大模型本质上是一个「超级文字预测机」。它的「大脑」里存了互联网上几乎所有公开文本的「规律」（比如词语怎么搭配、句子怎么衔接、知识怎么关联）。当你输入一句话（比如“帮我总结《红楼梦》的主题”），它其实在做一件事：根据你给的文字，猜“接下来最可能合理出现的文字”。 所以，你和它聊天的过程，本质是： 你输入一段文字（可能是问题、指令或闲聊）→ 模型把这段文字当作「线索」，在自己的「知识库+语言...

在 Claude Code、Cursor 等 AI Agent 工具的使用过程中，MCP（Model Context Protocol）与 Skill（Agent Skill）是两个高频出现的能力扩展概念。二者看似都是为了增强 AI 的能力边界，但在设计哲学、技术架构和适用场景上有着本质区别。本文将从这三个维度，彻底厘清两者的核心差异、存在价值及选型原则。一、一句话核心区分MCP 和 Skill 是 AI Agent 能力扩展的两大核心支柱，定位截然不同：MCP 解决「连接」问题：让 AI 突破自身数据局限，访问外部世界的工具、数据源与服务。Skill 解决「方法论」问题：为 AI 注入专业的...

第一章：AI 产品经理核心能力构建1.1 打造“T 型”能力结构AI 产品经理需要构建独特的“T 型”能力结构，既有技术深度，又有产品广度。纵向深度（AI 技术理解）：机器学习基础概念监督学习：分类（用户标签预测）、回归（价格预测）无监督学习：聚类（用户分群）、降维（特征提取）强化学习：推荐系统优化、游戏 AI 决策理解各种算法的适用场景和局限性深度学习认知架构神经网络：感知机到深度神经网络的发展历程CNN：计算机视觉领域的主力军（图像识别、人脸检测）RNN/LSTM：处理序列数据的利器（语音识别、文本生成）Transformer：大语言模型的基石架构（ChatGPT、文心一言）AI 产品应用场景掌握计算机视觉：美颜相机、自动驾驶、医疗影像诊断自然语言处理：智能客服、机器翻译、内容推荐推荐系统：抖音算法、淘宝商品推荐、网易云音乐语音识别：语音助手、实时字幕、语音输入法数据处理能力培养数据清洗：去重、异常值处理、缺失值填充特征工程：从原始数据到模型输入的特征转换数据标注：监督学习的数据准备流程数据隐私：GDPR、隐私保护技术理解横向广度（产品综合能力）：用户需求洞察能力用户访谈：开放式问题设计、深层次需求挖掘问卷调研：定量分析、问卷设计原则数据分析：用户行为数据解读、漏斗分析竞品分析：功能对比、体验评测、市场定位产品设计能力PRD 撰写：功能描述、逻辑梳理、验收标准原型设计：Axure、Figma、Sketch 等工具熟练使用用户体验设计：交互流程、界面布局、可用性测试需求管理：需求池维护、优先级排序、变更控制项目管理技能敏捷开发：Scrum 流程、Sprint 规划、Daily 站会跨部门协作：与算法、工程、设计团队的沟通技巧进度把控：里程碑设定、风险识别、应急预案资源协调：人力分配、时间管理、优先级决策商业分析素养市场调研：TAM/SAM/SOM 分析、用户画像构建竞品分析：功能对比、SWOT 分析、差异化定位商业模式：SaaS、广告、增值服务、API 调用盈利模式：付费订阅、按使用量计费、一次性购买2.2 简历优化黄金法则突出 AI 相关经验AI 项目经验描述模板AI产品实习经验 | XXX公司 | 2024.06-2024.12• 负责智能客服产品的需求分析，完成PRD撰写，需求文档达15页• 协同算法团队优化NLP模型，准确率提升15%，用户满意度提升20%• 主导产品功能设计，设计的对话流程覆盖90%用户咨询场景• 跟踪产品数据指标，日活用户增长25%，转化率提升12%数据成果量化用户指标：DAU、MAU、留存率、活跃度提升业务指标：转化率、点击率、用户满意度提升技术指标：响应时间、准确率、覆盖率优化商业指标：收入增长、成本降低、ROI 提升技能标签精准匹配必备技能矩阵核心技能：✓ 产品设计：PRD撰写、原型设计、用户研究✓ 项目管理：需求管理、进度跟踪、跨部门协作✓ 数据分析：用户行为分析、A/B测试、指标监控✓ 沟通表达：需求讲解、方案汇报、团队协调加分技能：✓ AI/ML基础：机器学习概念理解、算法原理认知✓ 编程能力：Python/SQL基础、数据处理技能✓ 用户研究：访谈技巧、问卷设计、用户画像✓ A/B测试：实验设计、结果分析、决策制定认证展示：✓ CDA数据分析师：数据分析专业认证✓ 敏捷项目管理：Scrum Master认证✓ AI产品经理认证：相关培训课程证书2.3 面试准备全攻略AI 基础概念准备用通俗语言解释 AI 概念监督学习 vs 无监督学习监督学习：就像有老师批改作业的考试，每道题都有标准答案无监督学习：就像在一堆没有标签的照片中自己找规律，发现其中有风景照、人像照、食物照深度学习原理神经网络：模拟人脑神经元连接，通过层层计算提取特征CNN：专门处理图像的神经网络，就像人的视觉系统Transformer：注意力机制，让模型关注输入的重要部分AI 产品常见问题如何评估 AI 产品效果？准确性：模型预测的正确率实用性：对用户实际问题的解决效果稳定性：不同场景下的一致性表现公平性：避免对特定群体的偏见AI 产品的隐私保护怎么做？数据脱敏：去除个人身份信息差分隐私：在数据中加入噪声保护隐私用户控制：让用户选择是否参与数据训练产品思维展示技巧STAR 法则准备案例Situation（情境）“公司在智能推荐业务中面临用户点击率下降的问题，转化率从 15% 降到 12%”Task（任务）“作为产品经理，我需要分析原因并提出改进方案”Action（行动）“1. 分析用户行为数据，发现新用户推荐准确率偏低2. 调研用户反馈，发现推荐内容与兴趣不匹配3. 协调算法团队优化推荐模型，加入用户实时反馈4. 设计 A/B 测试验证新模型效果“Result（结果）“新模型上线后，新用户点击率提升 20%，整体转化率恢复到 14%”产品决策思维数据驱动的决策建立完整的数据指标体系用数据验证产品假设基于数据调整产品策略量化产品效果和商业价值用户价值导向深度理解用户真实需求平衡用户体验和商业目标持续优化产品核心价值关注产品的长期发展第三章：通用求职成功策略3.1 时间规划与学习安排实习申请时间规划3-4 月：黄金准备期目标：完成简历优化，项目经验包装行动：投递简历，参与校园招聘重点：简历制作、面试技巧训练5-6 月：面试冲刺期目标：密集面试，积累面试经验行动：面试约谈，案例准备重点：模拟面试，经验总结7-8 月：入职准备期目标：顺利入职，快速适应行动：入职准备，知识复习重点：团队融入，工作熟悉3.2 个人品牌建设技术社区参与策略GitHub 项目贡献选择热门开源 AI 项目从修复文档开始，逐步贡献代码展示 AI 产品相关工具和脚本建立代码质量口碑技术博客建设定期发布 AI 产品分析文章分享实习经历和产品心得深度解析 AI 产品功能设计建立个人专业影响力行业活动参与参加 AI 产品经理 meetup在技术会议分享产品经验加入 AI 产品经理社群建立行业人脉网络校友资源利用校友关系维护联系在目标公司工作的学长学姐参加校友聚会，了解行业动态加入校友微信群，获取内推机会建立长期合作关系导师资源获取寻找 AI 领域资深专家作为导师定期请教求职和职业发展问题参与导师组织的学习活动建立长期的师徒关系3.3 面试心理调节压力管理技巧面试前准备充分准备，建立自信心提前踩点，熟悉面试环境深呼吸放松，调节紧张情绪积极心理暗示，相信自己能力面试中应对把面试官当作合作伙伴，而非评判者遇到难题时，主动请求思考时间诚实承认不足，展示学习意愿关注交流质量，而非标准答案面试后复盘及时总结面试表现分析得失，为下次面试做准备调整心态，保持积极乐观持续改进，不断提升失败应对策略面试失败分析客观分析失败原因区分技能不足和经验不足识别可以快速提升的能力制定针对性改进计划持续改进方法寻找面试表现录像，分析肢体语言请教有经验的学长学姐参加模拟面试，获取专业反馈记录常见问题，准备标准答案

好像是主站的平台研发，b端的timeline 9.01一面 9.10二面 9.23 hr面   录用评估中一面 2h   很温柔的姐姐，聊了很多，然后也等了我很久的手撕，真的很感动1.输入url会发生什么2.对称性加密与非对称性加密3.表格中加载很慢需要排查哪些点4.http1 1.1 2.0 3.05.网络安全漏洞相关 xss csrf 中间人6.出了道跳转的题，判断会出现什么安全问题7.puppeteer相关8.进程和线程的区别9.服务器不同核数的利用率有什么区别10.变量提升11.设计模式介绍12.埋点方案13.css手写，水平垂直居中，伪类为元素，双栏布局14.柯里化15.大数相加16.promise输出二面 40min  大模型相关的拷打了很多，前端属实接触不到太多，纯靠自己补1.黑产对抗是做了什么事情2.xss3.怎么结合ai去识别一些安全漏洞4.下载时原生侧是否会有性能的问题5.怎么调用原生侧的api6.function call  prompt  rag7.大模型首个token的响应速度和后续token响应速度差异产生的原因和解决的方案8.手写promise.allhr面就很常规了，就不写了，字节意向第二天面的，也没太强的意愿，但好像也不太挂人，直接录用评估了

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！

有一种感觉现在工作一遇到问题就抛给 ai 解决，阅读文档也直接交给 ai 总结，导致现在看文章集中不了注意力，甚至觉的有的词语很连贯但是读不懂，感觉自己的思考能力已经下降很多了，真的很恐怖，我觉得我们一定不能过度依赖 ai 从而忽视了我们自己的思考能力，我们是 ai 的使用者不是被 ai 的支配者。     甚至这个图都是ai生成的

▌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......