🚀 科技动态
最新的科技进展和市场动态，包括新闻、行业动态、趋势分析
Stripe 公司如何招聘工程师
https://review.firstround.com/how-stripe-built-one-of-silicon-valleys-best-engineering-teams/
Stripe通过精心设计的招聘策略建立了硅谷顶尖的工程团队。公司评估了各种招聘渠道的表现，并在最成功的渠道上加大投入，包括利用推荐信和主动招聘。 Stripe认为，除非公司需要大量新毕业生，否则应该跳过职业博览会。同时，公司也意识到了被动招聘的局限性，并尽量避免依赖临时招聘人员。 Stripe将招聘视为一种市场营销活动，通过建立公司品牌来吸引人才。这包括撰写吸引人的招聘邮件和处理拒绝通知，以保持公司形象。 Stripe在面试过程中注重对候选人的个人关注，以确保他们感到被重视，并在招聘过程中保持高度透明度。 Stripe避免仅凭候选人的背景来判断他们的能力，而是寻求与他们共事过的人的个人推荐。 Stripe使用合作黑客项目来评估候选人，确保他们不仅技术优秀，而且能够融入团队。 Stripe认为招聘新角色或部门的首位员工至关重要，因为这将定义该部门的未来方向。 Stripe倾向于招聘能够适应多种角色的人才，而不是仅仅为了填补特定的职位。最后，Stripe相信直觉在招聘过程中的重要性。
不想当大厂，依旧小红书
小红书通过一系列组织和管理上的调整，应对了大厂病的挑战，并保持了其独特的市场定位和社区文化。公司采取非共识战略，强调价值观和内容质量，同时在算法和内容策略上寻求平衡。面对业务发展和市场竞争的挑战，小红书不断创新，并通过耗散系统等管理哲学来激发组织活力。此外，公司还重视人才的选拔和培养，以及抵抗组织衰老的策略，以确保长期的可持续发展。
- 非共识战略：小红书通过坚持自己的价值观和战略，即使在面对行业巨头的竞争时，也能够保持增长和创新。
- 耗散系统：在组织管理中应用耗散系统的概念，以解决传统管理方法难以应对的复杂组织问题。
- 抵抗组织衰老：通过赋予员工更多的自主权和创新空间，小红书试图避免随着公司规模扩大而出现的文化稀释和组织僵化。
- Make it happen: 《奈飞文化手册里》曾写过一句话，非常准确定义互联网这类智力密集型的公司如何做好管理，避免老态：「时刻强调使命和价值观，这是有关在一家公司里每个人如何工作的一种战略。最高级的管理就是对「人心信念」的组织，所以毛泽东很喜欢写文章，任正非喜欢改文章，马云更像一个教导主任。纳德拉上任微软 CEO 的第一件事，就是花大量时间让高管交流人生哲学，他认为微软想再次腾飞，首先要思想对齐，尤其对公司价值观的理解和再解释。西方管理学的核心并不是「做事」，而是「让正确的事情发生（Make it happen）」。中国大部分管理者都有超强的业务能力，但少有人形成自己的管理哲学，让「正确的事情在体内持续发生。」，这是一种构建系统的能力。
经纬中国的创始管理合伙人张颖曾在朋友圈写过一段话，他认为这是当下最大的管理难题： 「不管是什么样的经济周期，什么行业和什么规模的公司，在管理上诸多通病中一个最明显且没有任何一家公司能完全解决的问题就是大多数员工只会站在自己的位置上思考问题和做事。不管位置大小，他们是不会把公司利益和公司发展放在首要位置，更多是把自己在那个职位上能守住多少利益和多少权利当成永恒的首选。这是人性，也是没有可能完全解决的痛点。」 华为解决这个管理难题是打造耗散系统。耗散系统是比利时人伊利亚提出的，他为此获得了诺贝尔化学奖。耗散系统有三个特点：1、开放；2、远离平衡态；3、正反馈。任正非曾解释过为什么华为一定要使用耗散系统，因为「现代社会用强控制的方法解决越来越复杂的组织问题基本是失效的。」
开发者接下来将不再需要编码
亚马逊 AWS CEO Matt Garman 2 个多月前的一次内部对员工谈话，他当时给团队讲了一个预言，“再过 24 个月，或者再过一段时间（无法准确预测是什么时候），大多数开发人员都可能不再需要编码”。他后续给了解释："如果编码就像是我们与计算机对话的语言，它本身就并不一定是一种技能"。那么何谓技能呢？"技能本身就是，如何创新？怎样才能开发出让最终用户感兴趣的产品？，因此，"这意味着我们每个人都必须更加了解客户的需求，以及我们要尝试去构建的最终目标是什么，因为相对于坐下来实际编写代码，这将成为越来越多的工作内容。
我觉得这段话和 Andrej Karpathy 的名言，“未来最流行的编程语言是英语”有点像。既然编码用自然语言“提示工程”就可以完成，编码就不是软件的门槛了，产品思维，运营能力、商业变现才是。
其实程序还是人写，只是从语句粒度变到模块粒度了，但是模块大小和如何拆分学问就大了
陶哲轩在 2024 年第 65 届国际数学奥林匹克上的 AI 和数学的演讲
最近陶哲轩在 2024 年第 65 届国际数学奥林匹克上，陶哲轩做了一次 AI 和数学的演讲，非常精彩，从数学使用计算计算机的历史开始讲起，一直讲到大语言模型，干货相当多，尤其适合对数学有兴趣的同学。（对数学没那么感兴趣的同学只想看 AI 部分的建议直接跳到 41 分的位置开始观看）
先摘录几个冷知识：
我们使用机器做数学计算已经有数千年，最早的机器辅助计算可能是罗马人，然后是中国的算盘
二战时就有人肉“计算机”，计算弹道和其他任务，多位女孩子，因为男士们在打仗，所以那时候的计算基本单位不是 GPU，而是 kilogirl-hour——“千名女孩工作一小时的计算量”
现在，数学家们使用一种现代化的证明辅助编程语言，叫做 Lean。在 Lean 中有一个核心的数学库，通过众包的方式开发的，本科数学课程中看到的内容，比如微积分基础、群论基础或者拓扑学等等，这些都已经被形式化了，所以你不用从公理开始。
现在数学领域有一种团队协作证明复杂数学定理的工作流程，那就是先编写一个称为“蓝图”的详细证明计划，将整个证明分解为数百个小步骤。每个步骤可以单独形式化，然后再将它们整合在一起，这样你就可以将一个庞大的论证分解成许多小块。先编写这个蓝图，然后团队中的其他人可以对论据的不同步骤的不同部分进行形式化。
去年，陶哲轩和几位同事一起解决了一个组合数学问题。这是一个组合学的问题。大约 20 人在短短三周内完成了，使用了蓝图工具，参与的人中有概率论专家，甚至还有一些并非数学家的人，他们是程序员，但在解决这些小型拼图问题上非常擅长。每个人都挑选了一个觉得自己能做的小任务，并完成了它。
在数学领域，通常很难这么多人一起合作，一般最多可能五个人合作。因为在大项目上合作时，你必须相信每个人的数学都是正确的。但是，一旦超过一定规模，这就无法实现了。但现在借助 Lean 编译器，它能自动检查。团队成员无法上传任何编译不通过的内容，会被拒绝。因此，你可以与一些从未见过的人合作。
最后是讲大语言模型，首先陶哲轩就打脸了 GPT-4 的论文（我猜是微软那篇《GPT-4，通用人工智能的火花》），论文中号称 GPT-4 能解决国际数学奥林匹克问题，但实际上，这个问题不是 2022 年国际奥数竞赛的原始问题，而是一个简化版本，并且他们测试了几百道国际奥数竞赛问题，成功率只有 1%，论文里的这个是精心挑选的恰巧能做对的。
并且陶哲轩提到了基于大语言模型的一些改进的方案：
比如 CoT（Chain of Thought），也就是 LLM 做简单的算术运算都做不对，但是如果让它一步步解释，可能就对了。还可以教 AI 一些解题技巧，比如尝试简单的例子，反证法，尝试逐步证明等。
比如让模型和编程语言或者工具连接，将大语言的输出结果交给 Wolfram 这样的专业数学工具或者 Python 这样的编程语言验证，并且迭代的进行修正和验证，直到得到正确的结果，这可以提升大语言模型生成的效果。
即使借助这些手段，大语言模型还远远不能解决大多数数学问题，更不用说数学研究问题了！
当然陶哲轩也没太过打击大家对于 AI 的信心，表示我们在 AI 上还是在不断的取得进展，还提到了他日常是怎么用 AI 的，比如说把 AI 当成灵感之源。
我曾遇到过一个问题，我尝试了几种方法，但都无法解决。于是，我尝试询问 GPT，你建议我使用什么其他方法来解决这个问题？GPT 给我提供了 10 种可能的方法，其中有 5 种我已经尝试过，或者明显没有帮助。的确，有几种方法并不实用。但其中有一种我还没尝试过的方法，那就是针对这个问题使用生成函数。当 GPT 建议我使用这种方法时，我意识到这就是我漏掉的正确方法。所以，将 GPT 视为一个交流伙伴，它确实具有一定的用处。
还有使用 GitHub Copilot 帮他写代码，让它自动生成下一步的证明结果，Copilot 的智能提示有 20% 的概率能生成正确的下一步结果。
例如我使用的一个叫 GitHub Copilot 的工具，你只需要写下一半的证明，它就会尝试猜测接下来的内容。大概有 20% 的情况下，它能猜到接近正确的答案。然后你就可以说，我接受这个答案。好的，那么在这种情况下，我正在试图证明这个陈述。灰色的部分是 Copilot 给出的建议。结果发现第一行完全没用。不过第二行，尽管你可能看不清楚，却真的解决了这个问题。所以，你不能盲目接受它的输入，因为这些代码未必能顺利编译。但如果你对代码的运作方式已经有所了解，这将大大节省你的时间。这些工具正在变得越来越好。现在如果一个证明只需要一两行，它们就能自动完成。现在已经有了这样的实验，即通过迭代地让 AI 提供证明，然后让编译器进行反馈，如果编译出错，就把错误信息反馈给 AI。通过这种方法，我们开始能够验证四五步长的证明。当然，一个大型的证明可能需要数万行。所以，我们还没有达到能够立即得到一个正式证明的程度。但是，这已经是一个相当有用的工具。
对于大家关心的问题： AI 在数学领域现在到了哪一个阶段？是否未来几年利用 AI 能直接解决数学问题？
陶哲轩也给出了他的看法：
我认为我们还远远没有达到这个阶段。如果我们专注于非常特定的问题，你可以定制专门的 AI 来处理一小部分问题。即便如此，它们也不是完全可靠的，但还是有用的。不过至少在接下来的几年里，它们基本上将是非常有用的辅助工具，超越了我们已经熟悉的暴力计算辅助。
他还提到了一些可能的 AI 能在数学领域提供帮助的方向：
- AI 能够非常好地生成有价值的猜想
比如，我们已经看到了关于结理论的例子，它们已经可以推测出两个不同的统计量之间的关系。因此，我们希望能够创建大量的数据集，输入到 AI 中，它们就会自动找出各种不同的数学对象之间的有趣联系。虽然我们还不知道如何做到这一点，部分原因是我们没有这些庞大的数据集。但我认为这是未来可能实现的一个方向。
- 批量或者说规模化的证明大量数学定理
现在，因为证明定理是如此繁琐和艰难的过程，我们一次只能证明一个定理，如果你效率很高，可能一次能证明两三个。但是有了 AI，你可以设想一下未来的情况，我们不是试图解决一个问题，而是处理一类类似的 1000 个问题，然后告诉 AI，尝试用这个方法解决这 1000 个问题，然后报告结果，哦，我能用这种技术解决 35% 的问题。那么另一种技术呢？我能解决这个百分比的问题。或者如果结合这些方法，又能解决多少问题？你可以开始探索问题的空间，而不是一个接一个地解决问题。这是你现在根本无法做到的事情，或者是你需要几十年时间，通过数十篇论文慢慢搞清楚各种技术能做什么，不能做什么。但是有了这些工具，你真的可以开始做规模前所未有的数学研究。所以，未来将会非常令人兴奋。
演讲环节结束前的最后一句话说的特别好：
我们仍然会以传统方式证明定理。事实上，我们必须这样做，因为如果我们自己都不知道如何做这些事情，就无法引导这些 AI。但是我们将能够做很多现在无法做到的事情。
这恰恰也是我们现在使用 AI 辅助编程的问题：如果我们自己都不知道如何构建软件，就很难引导好 AI 帮助我们生成高质量的代码。
尽管 AI 在数学和编程领域变得越来越有用，但人类的洞察力和创造力仍然是创作价值的关键。
另外后面提问环节也不错，第一个提问谈到了借助 AI 可以某种语言的形式化证明翻译成另一种语言。
第二个提问中陶哲轩谈到了他 13 岁上大学的事情，说明了他高中和大学都有优秀的导师指导，并且当时离家近还可以住家，否则不一定有很好的大学经历，也确实，13 岁孩子独自上大学，还是挺难的。
我有一些非常好的导师，无论是在高中还是本科阶段。我认为这并不是一场竞赛。也就是说，你应该在准备好上大学的时候再去。你不应该只是因为别人告诉你需要几年或者做些什么就去上大学。我觉得每个人的情况都不同。这对我来说非常重要。也就是说，我 13 岁就开始读本科了，而且是在离我家非常近的一所大学。所以我和我的父母住在一起，他们经常开车送我去大学上课。如果没有这些条件，我想我的大学经历不会那么好。所以这真的因人而异。也就是说，我在很年轻的时候就完成了大学学业，但并不是说每个人都应该这样做。这个问题没有唯一的答案。
第三个提问中谈到了如何选择研究课题的，一方面他有长期的课题，一方面他经常参加一些学术活动，在交流碰撞中自然能产生有趣的研究课题，如果不是和其他数学家的交流，两年前他从没想过自己会这么多地谈论 AI。
不闭门造车真的是很赞 👍
我的厄尔多什数字是 2，这个很简单。至于选择研究主题，早在我职业生涯的初期，我的导师会向我建议一些问题。如今，很多时候问题是偶然出现的。我认为数学是一个非常社交的活动。你参加很多活动，例如，接下来我要去爱丁堡参加一个数学会议，我将和很多人交谈，他们都在研究 PFR 猜想这个领域。可能会有一些有趣的数学对话，也许还会产生一些研究问题。我确实有一些长期项目想要解决，但越来越多的问题是通过与其他数学家交流自然产生的。比如，两年前我从没想过自己会这么多地谈论 AI。我认为，未来需要更大的灵活性。当然，仍然会有一些人专攻某一个课题，成为某个领域的世界专家，但我认为会有越来越多的人会随着时间的推移而改变研究领域。他们会每隔几年通过与他人交谈发现新的有趣的数学课题。
Details
注：厄尔多什数（Erdős number）是一个数学家之间的合作距离的概念，用来表示某位数学家与著名匈牙利数学家保罗·厄尔多什（Paul Erdős）之间在发表论文上的合作关系。具体来说，厄尔多什数是根据以下规则确定的：
- 保罗·厄尔多什本人具有厄尔多什数 0。
- 与厄尔多什直接合作过（即与他共同发表过论文）的数学家具有厄尔多什数 1。
- 与厄尔多什数为 1 的人合作过但没有直接与厄尔多什合作过的数学家具有厄尔多什数 2，以此类推。
简单来说，厄尔多什数衡量的是一个数学家与保罗·厄尔多什的学术合作距离。这个概念在数学界和计算机科学界非常流行，主要用于展示学术合作网络的广泛性。拥有较低厄尔多什数的人通常意味着他们在学术合作网络中处于较中心的位置。
💻 技术文章
各种技术的应用和实践方法，包括各种技术文章、教程、实践案例等内容
为什么没有更多的人使用 Linux？
https://world.hey.com/dhh/why-don-t-more-people-use-linux-33b75f53
几周前，我看到一条推文问道："如果 Linux 这么好，为什么没有更多的人使用它？"
这个问题听上去很有道理。你们都说 Linux 好，它甚至是免费的，那为什么没有大规模采用呢？
但是，如果你仔细想一想，就会发现生活中到处是这样的情况。
如果锻炼如此有益健康，为什么没有更多的人去做呢？
如果阅读如此有教育意义，为什么没有更多的人这样做呢？
如果垃圾食品对你如此有害，为什么还有那么多人吃它？
......
世界上充满了值得尝试的事情和事物，但大多数时候却被大多数人忽视。现实世界的真实情况是，变得肥胖和无知要比保持健康和学习更容易。
大多数人总是选择最容易、最不需要努力的事情。
Linux 就不容易，比微软和苹果的商业产品对使用者的要求更高。为了用好它，你需要学习一些东西，还要自己尝试解决问题。
我完全理解为什么大多数计算机用户对 Linux 不感兴趣，因为他们只想浏览网页或使用应用程序，并不希望成为计算机的高级用户。
但是，程序员不一样，对于他们，深入了解计算机是工作必需。这就是为什么程序员往往使用 Linux，也应该使用 Linux 的原因。
Linux 就跟生活中很多其他事情一样，选择它不是因为容易，而是因为它值得。
Study finds 268% higher failure rates for Agile software projects
敏捷宣言提出四大原则，其中之一是"正常工作的软件胜过详尽的文档"。 这条原则造成的结果，就是敏捷开发的项目，文档普遍很简陋。一项研究发现，敏捷开发的项目比不采用敏捷开发的项目，失败可能性高出 268%。
ThinNav
作者在 ChatGPT 的帮助下，完成的一个极简的网址导航站，自带后台管理系统，可以用作学习参考。
Tacit Knowledge is Dangerous 隐性知识是危险的
https://er4hn.info/blog/2023.08.26-tacit-knowledge-dangerous/
隐性知识又称为"部落知识"，指的是有些知识没有文档，只掌握在团队成员的头脑里面。 如果你想掌握这些知识，只有去询问团队成员。 隐形知识的优点是，省去了文档成本，而且询问相关成员比自己阅读文档更快，当然前提是那位成员能够快速响应。 隐形知识的缺点是，一旦团队扩大规模，它就会失败。对于掌握知识的团队成员来说，回答问题所占用的时间是一个拖累，影响了生产力，也拖慢了团队的开发速度。 另一方面，随着团队规模的扩大和知识变得更加分散，你自己阅读文档和观看视频讲座，会比向他人寻求帮助更快速和方便。 所以，团队越是大，就越要避免"隐形知识"，所有知识尽量文档化，让团队成员能够方便地查阅。
关于很多计算机历史的博客
一个关于很多计算机历史的博客，比如 windows、linux 的老版本是怎么开发出来的，C、Basic 的起源，各种老计算机的故事等等
给青年程序员的几个建议
第一，选择的开发工具和代码上游要有支持，而且应该是还不错的软件工程结果，代码质量有口碑；不要在野鸡代码基础上工作，不会长进什么，就像跟臭棋篓子下棋越下越臭。
第二，在确定自己遇到了一个问题时，要仔细重复步骤和检查确保每个细节都和文档保持一致，或者，至少是把自己对文档里某些含糊的、没完全厘清的表述的理解，用更清楚和详细的语言写下来，把这些一起写清楚，发到社区里寻求帮助；
第三，如果得到了帮助，或者没得到帮助也解决了问题，如果这个问题是他人也可能遇到的，尽最大可能把它变成一个 patch 提交到社区里。
虽然你可能没有去到一坨大公司，没有经验丰富人又 nice 的前辈提携，但是没关系你仍然可以吃百家饭长大，虽然不同的软件社区有不同的风格和理念，但是能产出高质量代码和长期高质量输出，那肯定是有很多关于设计质量，编码质量，测试质量和管理质量的仙气在那里，这是毋庸置疑的，一定要去近距离感受仙气，去大胆又细致又礼貌的沟通，你会发现有钱的程序员是很 nice 又愿意帮助人的，比公司里那些 grumpy 的又不学无术的老登们好多了。
这是我们为什么热爱 open source。跟值得的人在一起，让自己的时间也值得。
对于一个 IT 新人，如果往 5 年后看，现在值得学的技能有哪些
IT 技术其实变得很快的，很难预测未来主流的 IT 技术是什么，就像 5 年前你预测不到现在我们要用 AI 辅助编程，要学 Prompt。但有些技能 5 年 10 年都不会变的，比如沟通、写作、软件工程等等。
人的精力有限，不可能什么都学。所以你需要关注两方面技能：对未来职业目标有帮助的专业技能 + 选什么职业都几乎需要的基础技能
作为一个 IT 新人，学习技能之前先想想：5 年后你的职业目标是什么？资深开发工程师？某个领域技术专家？什么都懂一点的全栈工程师？技术管理？
有了职业目标，你就可以分析它需要的技能是什么，比如想成为领域专家，那么这个领域所有相关技能都要有深入理论基础和丰富的实践经验；比如想成为资深工程师，那么不仅是要有相关的编程领域方面的技能，还需要有系统设计、简单的项目管理或人员管理能力（具体可以参考我以前写过的一条微博：微博正文 ）
基于职业目标把所需要的技能里出来，但是真列出来可能会吓你一条，因为对于新手来说，要学的太多了！这时候就需要去筛选一下，重点学习和积累那些最基础的最重要的技能，其他的技能当然也不是说不学，而是保持积累，在有冲突的时候学习积累那些重要的技能。
那么哪些是重要的技能呢？
- 专业技能，和你的职业的专业相关的，比如编程、算法、数据库等，当然你选择的方向不一样会有些差别，如果你是前端可以不用重点学习后端的编程语言，但最好了解一点，并且不要自己给自己设限，这部分技术发展很快，需要常学常新
- 职场技能，这部分和职位无关，属于职场通用技能，也有人叫软技能。比如沟通能力，写作表达能力
- 基础技能，属于从事专业技术工作所需要的基础技能，和你做具体某个工种关系没那么大，比如项目管理，软件工程，现在还有 Prompt Engineering
很多人担心说 IT 发展太快，要学的太多，或者 AI 来了保不住岗位，但是如果你一细分，发现要成为一位专业人士，所需要的技能是很多样的，其中 AI 能替代的很有限，需要你持续学习更新的也主要集中在某些编程语言框架上，绝大部分基础技能都属于学好了以后可以一直用的。当然像 AI 这种新的基础技能也是要及时跟进学习的。
比较容易犯的错误就是盲目追逐新的编程、框架技术，忽略了职场技能和基础技能的学习；或者没有职业规划，不知道该学什么或者什么都学。
对于 IT 初学的前 5 年，专注是最好的，在某个领域专精下去，把专业技能、职场技能和基础技能都打好基础，以后就算换领域，绝大部分技能都是可以重用的。
探讨如何为开源项目提交 issue
https://ryanc.cc/archives/open-source-repo-issue?continueFlag=27d8898907ae17a147d0192cb73ef10b
GitHub Issue 是 GitHub 上用于跟踪项目相关想法、反馈、任务和缺陷的工具。它是一个异步沟通系统，允许用户提交与项目相关的问题或建议。为了有效地提交 Issue，用户需要做足准备工作，包括理解问题、查阅文档、搜索相似 Issue 等。一个好的 Issue 应该包含清晰的标题、详细的描述、环境信息、复现步骤、相关日志和已尝试的解决方式。提交后，用户应耐心等待回复并保持友好的交流。项目管理员或维护者应该提供指导文档和模板，以帮助用户提交高质量的 Issue，并及时跟踪和回复。
🔧 工具资源
如何使用这些工具提高工作效率，包括各种技术工具、软件、插件等方面的内容，各种技术资源、免费课程、学习资料
Xnapper
截图美化的在线工具，可以为截图加各种边框。
cvbee.ai
免费生成或修改简历
AI 代码编辑器 Cursor 上手指南
AI 编码工具: Cursor Cursor 是最近走红的 AI 代码编辑器，底层模型是 Claude 3.5 Sonnet，代码生成要比 GPT-4 更出色。作者介绍怎么使用这个编辑器。
Gemini：谷歌 AI 模型的革新之路
通过 Chrome 控制台，用户可以快速体验到 Gemini AI 的能力，而开发者可以通过 Gemini API 将这些能力集成到自己的应用程序中。多模态交互的实现为用户提供了更加丰富和直观的体验。Chrome Dev Tools 中的 AI Assist 功能则帮助开发者更高效地调试和修复问题。在与 ChatGPT 的对比中，Gemini 展现了其在多模态处理和推理任务上的优势，而 ChatGPT 则以其语言生成能力和社区支持著称。未来，这两种模型都有望在 AI 领域继续发展和创新。
Bash 编程导论
https://github.com/bobbyiliev/introduction-to-bash-scripting
一本开源的英文电子书，介绍 Bash 脚本开发。
现实世界提示工程课程
https://github.com/anthropics/courses/blob/master/real_world_prompting/README.md
本课程专为已有提示工程经验的开发者设计，在五节课程中，你将学习如何将关键的提示技术融入复杂的现实世界提示中。 在课程目录里你也可以找到他们发布的其他教程。
- 提示工程回顾
- 医疗提示演练
- 提示工程过程
- 通话总结提示演练
- 客户支持机器人提示演练
Chrome 浏览器插件 visual-try-on
https://github.com/shyjal/visual-try-on
在线体验：https://huggingface.co/spaces/Kwai-Kolors/Kolors-Virtual-Try-On
推荐 GitHub 上一款一键 AI 换衣的 Chrome 浏览器插件
基于快手 Kolors 图像模型开发，可在任何电商网站上，上传一张自己照片，即可一键让自己试穿喜欢的衣服。
如果不想安装此插件，可以直接在 Huggingface 上在线体验。
Melty
推荐 GitHub 上一款专为 10x 工程师打造的开源 AI 代码编辑器：Melty。
它能够与开发者的整个开发流程集成，理解你从终端到 GitHub 的操作，协助你更高效地编写和重构代码，同时能对多个文件进行大规模更改。
其主要的目标是：
- 帮助开发者更好地理解代码和维护代码；
- 能够像结对程序员一样观察你所做的每一个改动；
- 能够学习并适应你的代码库；
- 与编译器、终端、调试器以及 Linear 和 GitHub 等工具集成。
😛 我在看
一位县委书记眼中的官场
文章通过一位县委书记的视角，深入探讨了中国基层官场的复杂性。县委书记的工作状态极为繁忙且压力巨大，他们不仅要处理日常的政务工作，还要应对来自上级和百姓的期望。在权力运用上，县委书记虽然职级不高，却掌握着实际的人事和财政大权，这使得他们在县级政权中扮演着核心角色。在招商引资和经济发展方面，县委书记需要灵活变通，采取各种策略以吸引投资，即使这些策略可能与国家规定相悖。政绩考核是县委书记工作的重要驱动力，它促使他们进行面子工程以提升政绩，尽管这可能带来长期的问题。官场中的关系和人情对于县委书记来说至关重要，他们需要通过建立和维护关系网络来推动工作。最后，县委书记在执行职责时经常面临道德和实际的抉择，他们需要在对上负责和对下负责之间找到平衡，这种平衡很难把握，任何选择都可能带来牺牲。
- 县委书记虽然职级不高，但实际权力很大，可以影响人事任命和财政资金的分配。
- 招商引资中的灵活变通和妥协，尽管可能违背国家规定，却是地方经济发展的现实需要。
- 政绩考核的压力导致县委书记可能会进行面子工程，这些工程虽然短期内提升政绩，但可能带来长期的负面影响。
- 官场关系和人情在县委书记的工作中扮演着至关重要的角色，有时甚至比工作能力更重要。
- 县委书记在执行职责时面临的道德和实际的抉择，他们需要在满足上级要求和保护公共利益之间找到平衡。
为什么你怎么努力都无法改变现状？
本文探讨了 20 多岁的人生价值，强调了人生的每个阶段都是连续的，并且每个阶段的努力都会对未来产生影响。文章通过一个思维实验和数学模型，解释了人们为何难以逃脱习惯的生活状态，即所谓的“无法逃脱的宿命”。这种状态可以通过马尔可夫过程来理解，它描述了人们的行为模式和决策往往受到当前状态的影响。最后，文章提出了跳出马尔可夫过程的方法，即通过改变日常生活态度和做事方法，以及进行知识迁移和精力管理，人们可以实现职业和生活的转变。
20 多岁的年轻人不应仅仅为 30 多岁的事业做准备，而应追求独立的价值。 人生的每个阶段都是连续的，早期的努力对未来有深远的影响。 人们往往难以逃脱习惯的生活状态，这种现象可以通过马尔可夫过程来解释。 尽管马尔可夫过程描述了一种难以改变的状态，但通过改变日常生活态度和做事方法，人们仍然可以跳出这种过程。
Awesome_GPT_Super_Prompting
https://github.com/CyberAlbSecOP/Awesome_GPT_Super_Prompting
收集了包括 ChatGPT 越狱提示词、GPT 智能体提示词、提示词注入及保护、各种 GPTs 提示词以及 Prompt Engineering 学习资料等相关资源。