- 我想知道怎么写简历会更好,有哪几项规则
简历的目标是拿到面试,所以先定具体岗位和公司,再围绕对方要什么删减内容,把最有穿透力的成果放前面,而不是把经历都堆上去或包装。
- 研究员加入一家还没验证收入的 AI 创业公司,同时工作签证也绑在这家公司上,这种风险该怎么评估?什么条件下仍然值得去?
这笔风险可以按“业务、老板、项目、钱”的顺序评估,但签证把风险集中到了公司这一层;值得去的条件,是公司业务有真实增长信号、你能对结果负责,并且现金和身份条款留出退路。
- 研究员在什么情况下应该放弃一份稳定的高薪工作,去加入一家刚完成大额融资、但收入和留存还没被验证的 AI 创业公司?如果把它当作一两年的跳板,应该用什么标准判断值不值得,入职前最该问清楚哪些问题?
关键不在创业公司有多热,而在你能否在入职前把“可验证的成长”和“可带走的成果”问清楚;若一两年后只剩公司名、没有独立结算过的能力,跳板就不成立。
- 什么是真正的ai-native?
真正的 AI-native 不是把 AI 用得多,而是当 AI 的成本和能力变了以后,把工作重新算一遍:把确定性交给程序,把模糊判断交给 AI,把验收标准和最终判断留给人。
- 我想问一下,我想快速入门Codex,Codex的费用每月50.20美金,有必要吗?
入门阶段不必先付每月50美元:先花一晚上真正用起来,把方法学会,工具选择可以后换。
- 如何测评agent的交付能力,从大模型基座和agent产品的harness两方面
把基座和 harness 分开测:基座看它在限定任务上稳不稳定,harness 看它能不能把失败接住、把过程露出来、把结果验到可交付。
- 有时候看不懂帖子,不知道他的一些专有名词
看不懂帖子里的专有名词,通常不是智力问题,而是名词本身有边界、能给人“学会了”的错觉;更值得学的是名词背后要解决什么问题、对应哪些动作。
- 交互式学历史
交互式学历史,重点不在让 AI 把史实讲得更生动,而在让 AI 生成一个能按你的问题重排证据、暴露矛盾的页面,你负责判断哪条解释站得住。
- 想请教大家:在一家与 AI 相关的公司工作,我应该重点积累哪些经历和能力?
我目前在一家做亚马逊广告工具的公司,从事客户成功相关工作。公司的产品方向与 AI 密切相关,其中一项核心功能是 AI 广告托管:客户设置投放目标后,AI 会在授权范围内持续执行广告优化。
我的工作主要有三个特点:
公司本身在做 AI 相关产品。我需要理解 AI 托管的能力、适用场景和边界,并帮助客户使用。
工作中能接触大量 AI 落地案例。我会结合客户的广告数据,观察 AI 托管的表现,分析客户遇到的问题,并协助他们调整目标和使用方式。
我自己也在尝试编排 AI 工作流和 Skill。例如让 AI 辅助完成广告复盘、问题排查和托管组检查,再把重复任务整理成可复用的流程。
这让我开始思考:我接触的不只是 AI 工具本身,还有 AI 如何进入客户的实际业务,以及人在其中如何判断和推动执行。
想请教大家:从长期发展来看,我目前的工作中哪些经历最有价值?在 AI 时代,我应该有意识地重点发展哪些能力?
最值钱的是把客户成功里积累的业务判断变成可复用的系统:懂 AI 托管的能力边界、能判断结果好坏并收口,再把重复工作沉淀成 Skill 和工作流。
- 在2026年末这个时候,最有效的准备面试的方法是什么?
最有效的准备不是背话术,而是先做出能讲清的真实项目,再把面试当成双向沟通来练。
- 作为SDE,你能回答什么关于这个行业的问题
我能依据立正公开材料回答的是:SDE 与数据岗在职位数量、薪资上的比较,换行业时 domain 经验怎么迁移,以及如何主动摸清业务全貌;具体公司招聘、薪资行情和最新技术栈不在材料范围内。
- 怎么在面试时清晰简洁快速的展示出你对用人公司有用的AI技能?
把AI技能讲成一条从旧业务到新方法再回到业务的线:你原来在什么场景工作,用哪个AI项目改变了做事方式,回到原场景会怎么做得更好。
- 我在职场上因为结构性问题无法升职加薪所以想要专攻自媒体创业,很纠结,想听听立正的想法
立正不会直接劝你辞职做自媒体。他更可能让你先分清:你是想逃离升职加薪这套评价,还是已经找到一件值得用内容放大的事;前者先别急着换赛道,后者才谈怎么放大。
- 写了篇文章,你看看课代表会是赞同么,还是有哪些地方观点不一致甚至我理解不对:这篇内容是我前两周做个人网站的过程中,将过去很多没想明白的问题通过实践,逐渐成型的一些思考。文章也调整了几轮:一开始是想写成一篇严谨的论证或总结文章的,可后来发现掺进了太多我自己主观的东西、个人的经历。掺得多了,现在也就不那么想严格地去做区分了,所以这篇就姑且当成一篇杂谈随想吧。
有些想法,希望能对大家有点帮助;里面个人经历的部分,大家感兴趣就看看,不感兴趣,就权当听个乐。
AI 出来之后,各种设计也好、网页也好、视频也好,确实多了很多。我相信大家绝大部分也都试过用 AI 建站了,整体效果也都不错。可是只要做过几版的人,都会感觉到有 AI 感,也说不出来为什么。
上次我在 里也提到过这么一句:我不相信大家真的看不出来 AI 味很重。这里就接着聊聊,这个 AI 感到底是怎么来的,能不能说出个道理。
这一两周我也一直在想这个问题。上周末刷到不少 AI 视频,而在评论区里看到大家聊到恐怖谷这个名词后,我突然意识到 AI 与这个概念的关联性:
1 · 一种「特化」了的恐怖谷
简单说我的结论是:AI 感,其实本质上就是一种「特化」了的恐怖谷。
把 AI 跟恐怖谷放在一起说,其实不算新鲜。这个想法是我自己琢磨出来的,但讲 AI 画的脸、AI 做的界面,我不会是第一个。我这篇想做的,是把这个思考和类比拆开讲清楚:为什么说它是一种「特化」了的恐怖谷。
恐怖谷这个词,现在大部分人应该都听过。以防有些朋友不知道,简单说一下:这是日本的机器人学者森政弘 1970 年提出的,机器人越像人,人对它越有好感;可像到只差一点的时候,好感会一下子掉下去,让人发毛;等跟真人几乎一样了,好感才又回来。
值得一提的是,他原文里谷底附近的例子是「假手」:看着跟真手一样,一握,软的、凉的、没有骨头;谷底最深处是「尸体」,正好跟峰顶「健康的人」相对。我们现在一说恐怖谷就会想到的、那种目中无神的人脸,并非原始案例,而是后来大家自己的感受总结。
所有图和动图也都做了中文版,放在文末,想看中文的朋友可以对照着看。
其实 AI 做的视觉产品也是这样:它似乎很像最好的,但始终不够像。你可能肉眼看不出,但你的直觉已经发现了。
我从来不反对 AI,或者应该说,我是一个科技或者说工具派,任何可以提升效率和产出的新技术,哪怕是在创意领域,我都不会觉得它是抢夺了创作者的话语权。
可现实问题也很明显,大部分人看 AI 做的东西,隐隐其实都有感觉,觉得哪里不对劲,可又说不出具体是什么原因。
而我觉得这个核心原因与 AI 无关,而是一个类似于文学评论或作品赏析的底层问题:你需要知道一个好作品为什么好。
类似的还有,课代表教大家的 这四条特征识别同事中的大腿 时说的,你找不到大腿,是因为你不知道好的该什么样,和差的的核心区别在哪里。如果只能一味照猫画虎,很有可能最终画出来是一只病猫,从而产生了瘆人的作品,也就有了恐怖谷。
那人到底为什么会对机器有恐怖谷?说远些到心理生理的话,可能是对危险的天然恐惧等等。不过我们这里不讨论那些,只从最表现也最直接的原因来说,还是因为前面说的,它「不够像」。
因为最初人们设计的机器人是纯对表面的模仿。一开始的机器人,人们对它的制作和理解,就是看到什么模仿什么。它是一种「无机质」的模仿。我这里说的无机,不是无机物、有机物的那个无机,而是说它不是一个有机的整体,里面没有内部联系。
2 · 美人在骨不在皮
既然说到恐怖谷,审美还有人脸,就先多两句嘴聊聊面容。
我们说一个人长得美,会区分说这个人是皮相还是骨相:皮相,就是皮肤、五官这些表面上看得见的;另一种骨相,就是底下的骨架、比例和结构。
说「美人在骨不在皮」,虽说并不绝对,但是骨相好的,更利于现代环境,更具体地说,更适合化妆和摄影出片,也更容易抗住年龄增长。相对而言,传统中式甚至亚洲妆容都是重皮相的。
还可以拿画画来举个例子。一开始大家学画,大家都只能依葫芦画瓢,学点皮毛,我觉得可以称之为「看皮画皮」。学到一定程度之后,老师就会要求你了解人体基本构造,尤其是画人体的时候,先了解人基础的腔体,和四肢的相对关系;再多一点,比如画胸像,你必须了解最常见的外显肌肉和骨骼之间的关系。这个阶段可以算是「看骨画骨」。
到这个时候,有些人会误入歧途,开始去练医用美术。其实没必要,因为作为最终不是治病而是为了展示成果的作画者,你并不需要「看皮画骨」。练到一定程度,知道大概怎么表现了,就还是要回到「看皮画皮」,不需要「看皮画骨」或是「看骨画皮」。
只不过,有了这层画骨的底子,那种其实很明显、但普通人因为没受过训练,说不出哪里摆错了的违和感,就不会出现。比如你知道胸锁乳突肌和肩胛骨的走向,你的肩颈、锁骨的位置就永远不会画错
大方向会赞同:AI 感来自“只模仿表面、没有内部结构”,好作品要先知道好在哪。分歧可能在把 AI 感一律归为恐怖谷,以及把“骨相”当成唯一正路。
- 我在安全团队做AI应用, 现在有个协作的问题:大家发现问题就在群里At我改,结果群里全是细节信息,而且容易抓不住问题重点,全是讨论。 很少有人能先讲清楚要达到什么结果,由谁来验收,我自己排在前面的事反而一直被打断。
群里被@打断,往往是因为任务发起时只说了“哪里不对”,没说“做到什么算对、谁来验收”。把结果和验收标准前置,细节讨论才有收敛点,你的优先级也才有依据被保护。