想成为鱼皮

做Agent开发，大家最先问的基本都是：智能体到底是什么、能用来解决什么实际场景，具体该怎么落地使用。然后就会关心怎么对接各类接口、怎么让它自主执行任务，再往后就是要掌握哪些技术栈，比如大模型调用、工具集成、流程编排这些，把概念和实操串起来，对付面试嘎嘎有效

链接 本题考查的就是拓扑排序,由于本题的数据量很少,我们可以直接用邻接矩阵来查重 这题要求输出唯一解,也就是说多解还需要继续输入 我们可以使用bfs,设一个队列q 如果在任何时刻q.size()>1,就意味着存在多解 又或者输出结果(也就是字符串长度)小于n,就意味着出现了环(入度不存在0的情况) 代码如下: #include<iostream> #include<vector> #include<queue> #include<string> using namespace std; int n, m; vector<vector&...

我觉得，真正值得做的 AI 项目，不一定是听起来最炫的，而是能解决真实问题、能落地、能被人反复使用的。现在 AI 项目太多了，很多一上来就想做“大模型”“智能体”“全自动替代人工”，听起来很厉害，但真正做起来会发现：如果没有具体场景，没有真实用户，没有稳定需求，最后很容易变成一个 Demo。所以我会更看重这几类项目。第一类，是能提高效率的项目。比如简历优化、文档总结、会议纪要、知识库问答、代码辅助、数据分析助手。它们不一定性感，但需求很真实。只要能帮用户少花时间、少踩坑，就有价值。第二类，是和具体行业结合的项目。比如 AI + 教育、AI + 法律、AI + 医疗、AI + 电商、AI + 客服、AI + 招聘。单纯做一个通用聊天机器人很难卷过大厂，但如果能在某个细分场景里做深，反而更容易做出差异。第三类，是能帮普通人赚钱、省钱或者做决策的项目。比如求职助手、选品分析、营销文案生成、短视频脚本、财务报表分析、竞品监控。这类项目的价值很直接，用户也更容易感知到。第四类，是适合自己长期积累的项目。很多人做 AI 项目，是因为看见风口才冲进去，但如果自己对这个领域没兴趣、没资源、没数据，可能很快就做不下去。值得做的项目，最好是你愿意长期打磨，也能在过程中积累行业经验和作品集的。但我觉得最重要的一点是：不要为了 AI 而 AI。一个项目值不值得做，不是看它用了多新的模型，而是看它有没有解决一个具体的人、在具体场景下的具体痛点。如果只是把 ChatGPT 套个壳，用户用一次觉得新鲜，第二次就不来了，那就很难持续。真正值得做的 AI 项目，应该是这样一种感觉：没有它也能做，但有了它之后，明显更快、更准、更省心。所以如果是我，我会优先做那些“小而具体”的 AI 项目。先解决一个明确问题，先服务一群明确用户，先把一个流程做到真的好用。风口会变，模型会更新，工具也会越来越多。最后能留下来的，往往不是最会蹭热点的项目，而是最懂用户、最能落地的项目。

1. 自我介绍2. Python 里的 __new__ 和 __init__ 的本质区别是什么，哪些场景必须重写 __new____new__ 负责创建对象，返回实例本身；__init__ 负责在实例创建完成后做初始化。真正必须重写 __new__ 的场景并不多，常见的是不可变类型子类化、单例控制、缓存复用、元编程对象创建路径劫持。因为像 str、tuple、int 这类不可变对象，很多状态在对象创建时就固定了，等到 __init__ 再改已经来不及了。 class MyInt(int): def __new__(cls, value): return super().__new__(cls,...