市面上的AI使用情况及其评价

累计投入了约40个小时，随着项目复杂度的上升，不得不提前终止“完全基于AI开发”，尝试做成了插件，小程序，正在做APP，接下来还是要返璞归真，开始补习代码基础知识。在整个AI开发过程中有如下发现：1.小白使用cursor的时候，需要规避跟cursor产生过多纠缠，及时使用coze充当中介，能解决小白不懂代码/cursor只懂执行命令的尴尬；cursor用的好的人，是最会用prompt提问的人，最会提问的人，往往是产品经理，而不是程序员2.上下文看似制约，其实不是制约的本质，因为真正的项目其复杂度是远超2万甚至200万Token上线的。所以当我从windsurf和cursor切换到cline，并拉满上下文后，确实短期解决了项目的瓶颈，推进了一大步，但终究无法应对越来越膨胀的代码。真正的制约是你能否有效管理项目中的各类概念，并并并有条地向AI分配任务。但如果你能做到，你就不是小白呀?3.Alcoding不仅仅需要描述清楚需求，更需要清楚代码逻辑。所以小白一般在刚开始最快乐，在中间能稍微解决，在后期逐渐崩溃。因为小白真的对各类概念一无所知。看起来是一个“为什么文字底部不能加色块”的问题，会衍生类、CSS、HTML渲染、JS执行等等一系列陌生的概念，技术的学习还是绕不开4.AI很擅长后端逻辑，因为他是清晰，明确的，我花在后端上的实际差不多仅占1/10。但AI不擅长UI、样式，因为这是和人的审美相关的。偏偏审美又是模糊的，很容易陷入甲方的五彩斑斓黑陷阱。5.最后是一些普世的使用建议:-有进展了，千万用Git随手保存-尽可能各个能力封装模块化-有较大更新后让他写进Readme中，后面可以拿这个给他看-一开始可以说复杂需求，后续尽可能一次描述一个小需求-邀请他追问细节-认真阅读他的每一步操作，不求看懂代码，至少看懂逻辑-可以让他在敲代码前先给出分析和逻辑说明，也可以让他在有更新后写入Readme，这些都可以放到预置的Prompt-提前思考好你的项目逻辑（我指技术实现部分），在外部文档上敲下来，而不是在打开Alcoding的那一刻才开始思考以上。

面试这事儿： 面试官在 1-2 小时里做一件事——把你还原成一张“人才画像”，然后和岗位需要的画像做匹配。你看到的是：我问你项目、问你方案、问你观点、问你为什么。 我脑子里做的是：你的能力边界在哪、强项是什么、短板是什么、风险点在哪、成长性如何——你来了以后能不能交付、能不能扛事、是否值得信任。这篇文章想讲清两件事（站在面试官视角）：面试官到底在面什么：我们如何在 1-2 小时里，把你还原成一张“人才画像”（能力边界、擅长领域、风险点、成长性）。面试官怎么做判断：我们具体看哪些维度、怎么追问拿证据、最后怎么下“通过 / 不通过 / 人才库”的结论。一、你看不到但一定存在的东西：岗位画像很多候选...

感觉面的整体还不错，不知道是哪里出了问题...1.项目拷打为主2.主要badcase及如何改进3.GRPO怎么对模型的参数进行更新（loss是什么）？4.你的Agent用了什么框架？langchain聊不了解？5.你做的科研是否有业务相关的背景和支持6.消融实验使用了哪些模型？它们之间有什么区别7.你怎么验证做的东西的效果？8.MCP介绍一下，有没有相关的实践经验？9.手撕题，hot100原题，搜索插入位置，直接秒了

最近Open AI 一篇新的论文简单的解释了为何 AI 会产生幻觉。这篇论文大概总结就是：仅仅是因为 AI 被训练成可以回答所有问题，回答“我不知道”是最低评分。而很明显 AI 不可能无所不知，再加上 AI 又有编造的能力。所以，胡编乱造就成为 AI 自然的选择，于是幻觉就出现了。那么，解决办法就出乎意料的简单：告诉 AI 在足够自信（90%）的情况下提供回答，否则，回答我不知道。所以归根结底，还是用户需要 AI 无所不知的欲望，让 AI 开始瞎编（能力一直都有）。当然，这个论文也揭示了一个很可怕的事实：AI 能否撒谎早就不是问题了，AI 从诞生开始就善于撒谎。而更进一步的问题是，如果 AI 回答我不知道，用户可能反而更倾向于使用会编造回答的 AI 。最好的解法是在训练过程中让AI敢说不知道，而用户也能逐渐认清事实：AI解释不了一切。