最近和不少学弟学妹聊天，发现一个矛盾现象：一边是对AI的无限向往，一边是“不知道从哪里下手”的迷茫。作为在字节一线和AI产品打交道的人，我想说：拥抱AI不是选修课，而是这个时代的必修技能。你可以立刻去做以下几件事，一定会有所提升：创建你的“AI角色卡片”学习时：——让它追问你的逻辑漏洞创作时：——专提反常识的观点复盘时：——自动把你的碎碎念整理成SOP玩转“豆包”的隐藏模式别只用默认对话。试试：“请用苏格拉底式提问法，帮我拆解这个产品问题”“假设你是张一鸣，会怎么评价这个校园社交产品？”“用‘第一性原理’重新思考我的求职规划” 会议记录：会后5分钟，AI自动生成：结构化纪要（自动标记TODO、...

记录一下拿到offer的流程吧，感觉还是很开心，第一次面大厂，第一次直接拿到offer，12.23打电话约面，12.25一面，12.29二面，12.30三面，12.31给我发offer，说实话，等的过程真的很煎熬，从三面后，本来都做好重开的准备了，由于当时的项目我自己都答的觉得像一坨屎，一些八股也背不上来，而且感觉面到后面消极态度都有点太明显了，不知道是不是影响到面试官，反正当时就贼害怕，还好是节子流程快，第二天就发offer，不然肯定要接着焦虑，从此以后我是节孝子

欠下的债终究是得还的，早知道不实习了。。。

从 Yao 等人，2022 引入了一个框架，其中 LLMs 以交错的方式生成 推理轨迹 和 任务特定操作 。生成推理轨迹使模型能够诱导、跟踪和更新操作计划，甚至处理异常情况。操作步骤允许与外部源（如知识库或环境）进行交互并且收集信息。ReAct 框架允许 LLMs 与外部工具交互来获取额外信息，从而给出更可靠和实际的回应。结果表明，ReAct 可以在语言和决策任务上的表现要高于几个最先进水准要求的的基线。ReAct 还提高了 LLMs 的人类可解释性和可信度。总的来说，作者发现了将 ReAct 和链式思考 (CoT) 结合使用的最好方法是在推理过程同时使用内部知识和获取到的外部信息。它是如何运...