在使用AI编程的过程中，我逐渐发现，高效的关键不是“让AI替我写代码”，而是“让我和AI一起写代码”。首先，我会把需求拆得足够清晰再提问。与其说“帮我写一个系统”，不如具体说明功能、语言、框架和预期效果。描述越清楚，AI给出的代码越准确，也能减少反复修改的时间。其次，我把AI当作编程助手，而不是一次性生成器。我常用它来生成函数、优化逻辑、排查报错或解释代码，而不是直接复制整段代码运行。通过逐段验证和理解，我既提高效率，也不会失去对项目的掌控。同时，我会持续迭代提问。如果第一次结果不理想，我会补充条件、指出问题、要求优化。把对话当作协作过程，而不是单次请求，效果往往更好。对我来说，高效使用AI ...

总的来说，这是一场收获很大的面试，感觉面试官不是以老员工的角度来拷打我，而是以一个引路人的视角带着我去思考一些场景问题，用一些真实场景来向我展示平时所学应该如何应用，然后问问题也都是笑着和我聊天那种问法，感觉是一个很有人格魅力的人，就是在他面前基本上说不了谎，而且感觉他更喜欢那种真诚地回答以及真实的思考，真的对我自己有很大的帮助，真的给字节点个大大的赞

27 届二本找实习😭😭 求指导 求建议

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）