聊聊我眼中的AI

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

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

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

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...

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...

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

当今，AI 发展势头迅猛，已逐渐渗透到我们生活与工作的方方面面。无论是微信公众号的推文、招聘市场的岗位，还是各类广告与短视频，都能看到 AI 的身影。比如《AI 生成古诗词动画的操作指南》这类教程推文，“AI 产品经理” 这类新兴岗位，腾讯元宝 “10 秒扒光视频号文案，同行已偷偷省下 500 小时” 的宣传语，以及 “年度好用 AI 大赏” 主题的短视频等等。除此之外，AI 大模型的种类也愈发丰富，我所了解的就有 DeepSeek、Kimi、豆包、腾讯元宝、文心一言、通义千问等。越来越多人开始青睐这些 AI 工具，不可否认，它们确实为我们的生活和工作带来了诸多便利。今天，我想浅谈一下自己所了...

#软件开发投递记录# #后端# #ai智能作图# #聊聊我眼中的AI#

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！

你是否想打造一个靠谱的知识客服，或是搭建能精准回答问题的知识库？这就绕不开一项核心技术——RAG（Retrieval Augmented Generation），中文译为“检索增强生成”。听起来高大上的技术，核心逻辑其实很简单：先从资料库里检索相关内容，再基于这些内容生成答案，即“先检索、再生成”，这也是其名称的由来。作为目前最常用的AI问答方案之一，RAG已广泛应用于企业知识助手、智能客服等场景。本文将从应用场景、核心原理、流程拆解、专业名词解析等方面，带你全面掌握RAG技术，搞懂高质量智能问答系统的构建逻辑。前言我认为AI的基础知识是现在求职和实际工作所必须掌握的，不管是算法还是后端前端岗...

前一段时间，买了gemini3，用着感觉还行，但是相比gpt5.2，总是少了一点感觉想了一下，我草！gemini3太机器人了，一点人情味没有 gemini3有点像冷酷傲娇的大小姐，说话惜字如金，但是会细细指导你。 dpsk就像是校内都市传说中的神秘少女，备受关注，时不时来个大的。 gpt5就像是活跃的体育系女子，有时像个笨蛋，有时候特别可靠。 gemini3还会画画，但是在网上戴了马甲。 sora2就像是无口忧郁无节操少女，想到什么画什么，也不说话。 豆包像奶龙。 大体的印象就是这样于是强迫gemini3，玩cosplay这样的回答就富有人情味了！怎么说呢，现在越来越依赖ai了，搜索引擎实在是...

▌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...

在过去的一年里,我参与了多个企业级 AI 项目的开发和部署。从模型选型、数据清洗、特征工程到上线迭代,我几乎见过所有典型流程。每个项目初期都令人振奋——模型准确率高达 95%+,算法采用最新的 Transformer 架构,测试结果近乎完美。可是三个月、半年后,这些项目中的大部分都停滞不前,甚至被用户弃用。这让我陷入深深的思考:问题到底出在哪里?一、习惯性的"模型思维陷阱"最初,我像很多技术人员一样,把问题归咎于模型和数据:模型是不是不够大?要不要换 GPT-4?训练数据是不是不够多?需要扩充到百万级吗?算法是不是不够先进?要不要上强化学习?可是当我冷静分析后发现,这些失败的 AI 项目:模型能力都不差(准确率、召回率指标优秀)算法也合理(经过多轮调优验证)数据量充足(覆盖主要业务场景)在实验环境中表现极佳真正的问题,不在模型,而在系统架构层面。二、被忽视的"记忆缺失"问题我发现这些项目几乎都停留在"对话工具"的阶段,具体表现为:1. 无状态交互 用户与 AI 的每次交互,都是一次全新的、孤立的体验。就像每次都在和一个失忆症患者对话。2. 无历史追溯 AI 无法记录用户的历史行为:上周提过的需求,这周要重新描述使用过的功能,下次访问毫无印象偏好设置需要反复调整3. 无学习优化 系统无法根据过去经验进行优化:不知道用户常用功能是什么无法预判用户下一步操作不能形成个性化用户画像简单来说,AI 没有"记住"的能力,更谈不上"学习"。这种情况下,模型再优秀,也无法真正融入企业业务流程,更无法为用户提供持续价值。三、解决方案:独立记忆引擎架构通过进一步研究和实践,我开始探索如何打破这个瓶颈。关键在于:把长期记忆与用户建模能力从系统中独立出来,形成可复用的记忆引擎。这不仅仅是一个数据存储层,而是包含:记忆存储模块结构化存储用户交互历史时间序列化记录行为轨迹分层存储(短期记忆/长期记忆)用户画像模块分析兴趣偏好(基于历史行为)识别使用模式(高频功能/时段)构建需求预测(下一步可能操作)智能检索模块跨会话调用历史信息上下文关联推荐相似场景匹配架构示意:用户交互 → AI 模型 ↔ 记忆引擎 → 用户画像↓           ↓实时响应    持续学习优化通过这个模块,AI 可以:记住用户行为(不再失忆)分析兴趣偏好(主动洞察)预测下一步需求(智能推荐)它不仅让 AI 系统对单次交互敏感,更能对长期行为趋势产生洞察。四、实战案例:从"对话工具"到"智能助手"我第一次看到 AI 真正"像系统的一部分"是在一个企业内部试点中。改造前(传统方案):用户每次访问都要重新描述需求AI 无法关联历史对话功能推荐随机且无针对性用户粘性低,三个月后使用率下降 60%改造后(记忆引擎方案):智能提醒:打开系统即提示"您上次的报表还未完成,是否继续?"个性化推荐:根据使用习惯推荐相关功能(如每周一自动生成周报)需求预测:主动询问"您通常这个时候会查看销售数据,需要我准备吗?"结果:用户满意度提升 40%任务完成效率提高 35%六个月后使用率不降反升 25%这一刻,我彻底明白了:模型优秀只是基础,系统架构才决定落地能力。五、给开发者的三点建议如果你正在企业内部负责 AI 项目,或者正在规划 AI 系统,不妨从以下角度检查:1. 检查系统记忆能力你的 AI 能记住用户上次交互内容吗?能否跨会话调用历史信息?有没有用户行为分析能力?2. 评估用户画像完整度系统是否了解用户常用功能?能否预测用户下一步操作?有没有个性化推荐机制?3. 关注长期价值而非短期指标不要只看模型准确率更要看用户留存率和使用频次关注系统是否能"越用越懂用户"结语AI 项目能否落地,关键不在模型,而在于系统能否"记住、学习、预测"。独立记忆引擎的出现,让 AI 不再只是单次对话的工具,而是企业业务的有机组成部分。与其纠结算法选择或数据量大小,不如先从系统记忆能力开始改造。

背景：本人是刚毕业不久的应届生，目前在职，主要技术栈是 Go 后端开发。日常工作内容以业务 CRUD 和 LLM API 调优为主。我算是一名大模型的深度用户（从 GPT-3 时代开始接触），目前在工作中，我现在的开发模式基本是“我描述，AI 写”。客观地说，现在的顶级模型写的代码确实比我严谨，效率也高。虽然这极大地提高了工作效率，但我深刻感觉到，相较于毕业前，我的原生编程能力（Coding）和算法基础出现了显著的退化。但是想和大家聊聊最近的一个严重焦虑：我觉得我的代码能力废了。我现在非常矛盾：一方面，公司业务节奏快，为了交付，我必须用 AI，根本没有时间让我慢慢手敲代码来“复健”，而且在“好...