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、...

真有点逗了这个公司，一面过来发现是hr来面我，我还吐槽说怎么来个hr一面，然后我简历很多都写了的内容她还要再问一遍，当时就觉得有点奇怪，后来面完了过了两天发现当时都没收我简历直接面的，然后今天半夜发挂了的通知，其实我很好奇的是这种kpi面意义在哪，我看他约了好多天面了，一个mini公司哪来这么高的kpi（面多了习惯了，不生气，只是有点好奇这种kpi是因为年底了要把一年的kpi刷够吗）

有人零实习也能进大厂，是因为他们手里有比实习更硬的底牌，高学历背景，985、211的毕业证本身就是一块金字招牌，或者丰富的科研经历，发表过高质量的论文，参与过前沿项目，这些都是能力的直接证明；亦或是那些高含金量的奖项，像ACM竞赛的金奖、Kaggle比赛的高排名，这些都能让招聘官一眼相中，当然，家庭背景硬也是一种隐性优势。总之，没有人能够无缘无故的进入大厂，当然家庭背景很硬也是一种能力

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）