最近和不少学弟学妹聊天，发现一个矛盾现象：一边是对AI的无限向往，一边是“不知道从哪里下手”的迷茫。作为在字节一线和AI产品打交道的人，我想说：拥抱AI不是选修课，而是这个时代的必修技能。你可以立刻去做以下几件事，一定会有所提升：创建你的“AI角色卡片”学习时：——让它追问你的逻辑漏洞创作时：——专提反常识的观点复盘时：——自动把你的碎碎念整理成SOP玩转“豆包”的隐藏模式别只用默认对话。试试：“请用苏格拉底式提问法，帮我拆解这个产品问题”“假设你是张一鸣，会怎么评价这个校园社交产品？”“用‘第一性原理’重新思考我的求职规划” 会议记录：会后5分钟，AI自动生成：结构化纪要（自动标记TODO、...

如果某天你突然发现，自己的下属，认知很高但之前完全没发现且平时非常低调，那么正常来说，认知高只是他最小的一个优点……而如果这个人认知很高是别人发现告诉你的，那就更不用担心，他对你完全没有恶意，且很珍视现在的气氛和关系。职场

leader让我用sql把数据更新一下，我正拿到账号密码登进数据库时，leader让我别操作了，估计是对实习生不放心，不过他让我看他操作，leader手速也是够快的，我看着他点了一下红色的按钮（清空表数据），正要说快回滚，leader就点到了commit上，就这么提交了，领导才反应过来，说了一声啊（数据没备份）

从 Yao 等人，2022 引入了一个框架，其中 LLMs 以交错的方式生成 推理轨迹 和 任务特定操作 。生成推理轨迹使模型能够诱导、跟踪和更新操作计划，甚至处理异常情况。操作步骤允许与外部源（如知识库或环境）进行交互并且收集信息。ReAct 框架允许 LLMs 与外部工具交互来获取额外信息，从而给出更可靠和实际的回应。结果表明，ReAct 可以在语言和决策任务上的表现要高于几个最先进水准要求的的基线。ReAct 还提高了 LLMs 的人类可解释性和可信度。总的来说，作者发现了将 ReAct 和链式思考 (CoT) 结合使用的最好方法是在推理过程同时使用内部知识和获取到的外部信息。它是如何运...