思维链（CoT）方法依赖于一组固定的人工注释范例。问题在于，这些范例可能不是不同任务的最有效示例。为了解决这个问题，Diao 等人（2023）最近提出了一种新的提示方法，称为 Active-Prompt，以适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）。下面是该方法的说明。第一步是使用或不使用少量 CoT 示例查询 LLM。对一组训练问题生成 k 个可能的答案。基于 k 个答案计算不确定度度量（使用不一致性）。选择最不确定的问题由人类进行注释。然后使用新的注释范例来推断每个问题。图片来源：Diao等人（2023）

bg双非本科，方向是嵌入式。这次秋招一共拿到了 8 个 offer，最高年包 40w，中间也有一段在海康的实习经历，还有几次国家级竞赛。写这篇不是想证明什么，只是想把自己走过的这条路，尽量讲清楚一点，给同样背景的人一个参考。一、我一开始也很迷茫刚决定走嵌入式的时候，其实并没有一个特别清晰的规划。网上的信息很零散，有人说一定要懂底层，有人说项目更重要，也有人建议直接转方向。很多时候都是在怀疑：1.自己这种背景到底有没有机会2.现在学的东西到底有没有用3.是不是已经开始晚了这些问题，我当时一个都没答案。二、现在回头看，我主要做对了这几件事第一，方向尽早确定，但不把自己锁死。我比较早就确定了嵌入式这个大方向，但具体做哪一块，是在项目、竞赛和实习中慢慢调整的，而不是一开始就给自己下结论。第二，用项目和竞赛去“证明能力”，而不是堆技术名词。我不会刻意追求学得多全面，而是确保自己参与的每个项目，都能讲清楚：我负责了什么、遇到了什么问题、最后是怎么解决的。第三，尽早接触真实的工程环境。在海康实习的那段时间，对我触动挺大的。我开始意识到，企业更看重的是代码结构、逻辑清晰度，以及你能不能把事情说清楚，而不只是会不会某个知识点。第四，把秋招当成一个需要长期迭代的过程。简历不是一次写完的，面试表现也不是一次就到位的。我会在每次面试后复盘哪些问题没答好，再针对性补。三、我踩过的一些坑现在看也挺典型的：1.一开始在底层细节上纠结太久，投入产出比不高2.做过项目，但前期不会总结，导致面试表达吃亏3.早期有点害怕面试，准备不充分就去投这些弯路走过之后，才慢慢找到节奏。四、给和我背景相似的人一点建议如果你也是双非，准备走嵌入式，我觉得有几件事挺重要的：1.不用等“准备得差不多了”再投2.项目一定要能讲清楚，而不是做完就算3.不要只盯着技术，多关注表达和逻辑很多时候，差的不是能力，而是呈现方式。五、写在最后这篇总结不是标准答案，只是我个人的一次复盘。后面我会陆续把自己在嵌入式学习、竞赛、实习和秋招中的一些真实经验拆开来讲，希望能对后来的人有点帮助。如果你正好也在这条路上，希望你能少走一点弯路。

一整年就是飞飞飞，甚至一天飞两趟好不容易挣点钱全花机票上了明年秋招会善待我么

给LLM提示你可以通过简单的提示词（Prompts）获得大量结果，但结果的质量与你提供的信息数量和完善度有关。一个提示词可以包含你传递到模型的指令或问题等信息，也可以包含其他详细信息，如上下文、输入或示例等。你可以通过这些元素来更好地指导模型，并因此获得更好的结果。看下面一个简单的示例：提示词： The sky is 输出： blue. 如果你正在使用OpenAI Playground或其他任何LLM Playground，你可以按照以下屏幕截图中的方式提示模型：需要注意的是，当使用 OpenAI 的 gpt-4 或者 gpt-3.5-turbo 等聊天模型时，你可以使用三个不同的角色来构建 ...