聊聊我眼中的AI

#聊聊我眼中的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...

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。 #牛客激励计划#  #聊聊我眼中的AI#  #产品经理# #牛客AI配图神器#

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? #牛客激励计划#  #聊聊我眼中的AI#  #产品经理#  #AI产品经理# #牛客AI配图神器#

#聊聊我眼中的AI#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！

#聊聊我眼中的AI#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“...

▌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...

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） #Ai产品经理#  #AI#  #产品经理#  #产品#  #聊聊我眼中的AI#  #我是XXX，请攻击我最薄弱的地方#  #牛客创作赏金赛#  #牛客激励计划# #牛客AI配图神器#

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...

💼 AI产品岗简历潜规则淘汰率最高的两句话： ❌ “负责需求文档撰写” → 默认是打杂的 ❌ “跟进算法模型优化” → 默认是传话的通关密码：用黑话证明你是“懂技术+会忽悠”的六边形战士📝 2025简历必备技巧1. 项目背景： ❌ “提升用户满意度” → ✅ “解决LLM幻觉导致的信任崩塌”2. 技术关联： ❌ “配合算法优化” → ✅ “通过RAG架构降低30%的胡编乱造率”3. 数据呈现： ❌ “准确率提升5%” → ✅ “在token预算不变的情况下实现SFT收益最大化”4. 个人优势： ❌ “学习能力强” → ✅ “具备将Paperinsight转化为产品MVP的抽象能力”5. 职业规划： ❌ “深耕AI领域” → ✅ “探索小模型场景化与大模型泛化能力的帕累托最优” ✅ 数据蒸馏 ✅ 思维链涌现 ✅ 人类偏好对齐 ✅ 端到端pipeline ✅ 推理成本约束 ✅ 价值观 #产品经理#  #牛客激励计划#  #聊聊我眼中的AI#  #你的简历改到第几版了#  #最后再改一次简历# #牛客AI配图神器#

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......#聊聊我眼中的AI#

已破防#聊聊我眼中的AI#

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#聊聊我眼中的AI#

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！#聊聊我眼中的AI# #牛客激励计划#

上来做自我介绍与项目介绍0八股，0手撕，0场景题，0智力题（老实说像kpi面）全程拷打项目（一个外卖项目，一个dp路由组件项目）1.项目背景（为什么要做这两个项目）2.项目架构是怎样的（客户端到服务端）3.负责实现的后端模块4.你项目中遇到的最大的困难是什么（这真想不到，答了个数据库中分表的方式在满足第三范式与实际业务效率之间不好权衡）5.追问：那你是如何权衡的，你又采用了什么具体方案？（答不了一点，答了个加冗余字段）6.那你项目中具体有哪些表？说一说7.那你刚才说的具体方案是如何具体实施在这些表上的？8.当用户下单之后，一直到下单成功，整个业务流程是怎么样的？9.那如果当业务中出现了问题，如何给用户退款？如何回滚业务？10.你这个项目既然是面相校内，那么体量应该很小，为什么要做这个dp路由组件？（从Sharding-JDBC、Apache ShardingSphere、Mycat等市面上已有的分库分表路由组件得来的灵感，想要提升自己）11.你这个路由组件具体是怎样实现的。（忘了）12.dp路由组件满足的业务需求（分库分表）13.你这个dp路由组件是如何储存数据源信息的？（数组，从HashMap得来的灵感）14.那具体是怎么哈希的。（Hash散列+）15.为什么采用hash散列而不是刚才你说的其他散列方法？（乘法散列，除法散列，斐波那契数列（没想到我连斐波那契这四个字都忘了））16.当遇到扩容需求时，你的具体扩容方案是什么？这里要保证数据一致性，那你怎么得到扩容后的每个库的hash值？（使用消息队列进行异步扩容，如果存储数组大小不够就按照与HashMap一样的模式扩容）17.那你具体是如何保证在扩容时旧库与新库的数据一致性（BinLog，RelayLog）18.你用过AI吗，你的项目中有使用AI吗？没使用的话，你能说出在你项目中如果使用AI可以实现怎样的功能吗？19.你了解LLM相关的大模型吗（答了个只知道名字）20.列举一下你知道的LLM相关的大模型框架（就说了个Agent，还不知道是不是）21.那你能说说你在平时写码时怎么使用的AI吗（列举了Cursor和Clause等写码能力强的AI模型，但是因为经济能力的原因只使用像DeepSeek这样的免费AI大模型进行模块化开发，因为AI对于复杂的业务处理能力不行，但只要能够将业务分成多个模块，那么AI对于一个个模块的代码的处理就十分的强大）还有几个问题我忘了.........反问：1.我是第一次面试，有什么可以提升的吗2.之后要是有第二次面试的话会如何通知我3.你们部门的业务是什么，最近怎么名厂都喜欢问两句AI（类似于腾讯云之类的这样的数据储存项目）（现在基本上大厂都会问，不论是什么岗，要是可以展现出对AI大模型的深入理解的很加分）4.我本来是投的JAVA后端研发的岗位，但不知道为什么转测开岗了，我测试开发的基础基本为0怎么办呢？    投的研发但是被测开捞了，想着有面就面了。但是最近一周由于忙之前的小厂实习以及学校方面的事又没怎么复习面经，算法之类的东西，结果全是项目拷打是没想到的。感觉这次团子的面真的想kpi面，感觉应该是没了......    明天还有高德的面试，话说笔试3道编程题0分都有的面吗？感觉又是个kpi面。#牛客在线求职答疑中心##牛客创作赏金赛##笔试##美团求职进展汇总##聊聊我眼中的AI##春招##数据人的面试交流地##牛客AI配图神器##实习必须要去大厂吗？##毕业季，你想好怎么跟生活对线了吗？#

大模型幻觉（Hallucination）是指模型生成与事实不符、缺乏依据或逻辑混乱的内容，其产生根源可从多个维度分析：数据驱动缺陷训练数据的噪声与偏见：大模型依赖海量互联网文本训练，而网络数据本身包含错误信息、主观偏见、过时知识甚至虚构内容。模型无法辨别数据真伪，可能将错误模式内化为“知识”。长尾知识覆盖不足：即使训练数据规模庞大，某些冷门领域或细节知识仍可能缺失。当模型被迫生成此类内容时，可能通过“脑补”填补空白，导致虚构。数据时效性滞后：模型训练存在时间差（如GPT-4数据截止到2023年10月），无法获取最新事件或研究成果，可能生成过时信息。概率生成的本质：模型通过最大化token预测概率生成文本，目标是“流畅合理”而非“真实准确”。当高概率路径与事实冲突时，模型优先选择语言连贯性。缺乏现实世界感知：模型仅学习文本间的统计关联，缺乏对物理世界、因果关系或社会常识的深层理解。例如，可能生成“太阳从西边升起”的合理句式，但违背常识。自回归生成误差累积：生成过程逐步依赖前文，早期错误（如错误的前提假设）会导致后续内容偏离事实，形成“幻觉链”。训练目标与评估偏差损失函数局限性：训练时以预测下一个token的准确性为目标，未直接优化事实正确性。模型擅长模仿语言模式，但缺乏事实核查能力。缺乏显式知识验证机制：传统架构未内置实时知识检索或逻辑推理模块，无法在生成过程中交叉验证信息真实性。应用场景的复杂性模糊性指令的过度泛化：当用户需求模糊（如“写一篇关于量子物理的论文”）时，模型可能虚构术语、引用不存在的文献以完成响应。对抗性提示诱导：特定提问方式（如“请描述历史上不存在的某场战争”）可能触发模型的创造性生成模式，混淆虚构与事实边界。缓解幻觉的常见策略知识增强：引入检索增强生成（RAG），实时调用权威数据库辅助生成。强化对齐：通过RLHF（基于人类反馈的强化学习）优化模型对“真实性”的偏好。不确定性标注：让模型主动标记低置信度内容，如“据某些资料显示…”。 #牛客激励计划#  #AI产品经理#  #产品经理#  #聊聊我眼中的AI#  #聊聊我眼中的AI#  #如果可以选，你最想从事什么工作# #牛客AI配图神器#

实习第二周了，这周是猛猛开发的一周，给自己排的13pd的活，下周一再开发一天的话总共8pd就能结束，比我预想的要快的多的多。再次回来做需求感觉是不一样，当把之前忘记的东西捡起来之后，开发起来好像也能实现一些比较麻烦的联动，解决问题的过程还是让自己信心大增的。这周的周记就分享一下我这周的感悟吧。前端已死？别担心，还没那么快死 ”前端已死“。这句话从gpt3出来的时候就开始听了，在我读研的这几年一直有人说前端要死了，这给当时还没有找实习找工作的我很大的危机感，况且前几年疫情正值行情差的时候，互联网寒冬的加持让我觉得我选这条路是不是完了。这周我又一次听到了这句话，与当时不同的是我已经找...