成为一个靠谱的人

大模型选型实战:为OpenClaw匹配最优“大脑”的全维度考量 大模型不是越贵越好,也不是参数越高越好,适合自己的使用场景才是最好的。按照我的方法,先明确自己的需求,再选对应的模型,配置多模型自动路由,既能保证体验,又能最大限度降低成本。我自己用这套配置用了半年多,不管是写文章、写代码还是处理复杂问题,都完全够用,成本也很低,大家可以参考一下。如果不知道选什么模型,可以在评论区说一下你的使用场景。 阅读详情
<1>两个故事
在描述靠谱这个事情之前,我们先来听2个故事:

故事一
有一个需求,需要2个部门的同事协作,分别是和某个部门的A同事以及另一个部门的B同事。
在和A同事描述完需求以后,A同事信誓旦旦地说,小事一桩,当场拍板说一周可以搞定。并说不会有风险。
而在和B同事描述完需求以后,B同事则反馈说:“张哥,你的这个需求我觉得很好,也正是我们后面发展的方向,我们肯定会大力支持”,
“不过我刚粗略评估了下,中间有几个技术难点,那些技术难点我再找技术团队再评估一下。预计明天评估完成后,我再给你反馈我们这边具体的计划和排期,您看这样可以吗?”,他接着说道。

第二天收到了B同事完整的评估和计划,预计需要一周完成,并且附有里程碑的时间点。
随着时间的推移,你会阶段性地收到B同事的进展知会。而A同事却迟迟没有动静。
三天过去了,你电话A同事,A同事说这个需求我又评估了下,7天根本就无法完成,我们需要10天的时间,然后给你说一堆的理由。而你完全不需要电话B同事了解进展,因为他每次都会主动的告诉你需求的进展情况,以及过程中遇到的难题。
7天到了,B的需求顺利测试通过。而A的需求中间反反复复地遇到问题,虽然你后天花更多的精力重点跟进,可是需要还是出现了延期。


故事二

邀请朋友聚会,当你电话你朋友的时候,有一类朋友会信誓旦旦的向你保证,到时候肯定会到,然后真正到了那一天,你却经常被放鸽子。
而有另一类朋友,他们不会当场就答应你,而只是说:“我先确认一下,晚点给你答复”。确认的结果可能是他们那边没办法过去,结果也可能是如果不出什么意外的话,他们会参加。而他们一旦说不出什么意外会过去,那基本就100%地不会放你鸽子。


<2>靠谱的由来

上面说的故事,也许我们大家都曾经历过。这个故事反映的是职场或者生活中,我们可能面对的两种人,一种人我们称之为靠谱的人;而另外一种人,我们称之为不靠谱的人,即离谱的人。
为什么称之为靠谱或者不靠谱呢?
我们知道,“谱”是音乐的符号,比如五线谱和曲谱,我们唱歌的时候,是按照歌谱来演唱。一个“谱”一旦形成,演唱者就必须循规蹈矩,依“谱”而歌。
而如果“离谱”而歌,就会“跑调”,让人听起来很不舒服。
所以,现代人,使用靠谱来说明值得相信和值得托付。
当你遇到一个靠谱的人以后,你就很信赖他,喜欢和这样的人合作,愿意给这样的人更多的机会,因为他值得。而对于不靠谱的人,我们在合作过一次以后,其实是被坑过一次之后,估计后面就再也不想和他合作了。
因此长久来看,靠谱的人的机会会越来越多,而不靠谱的人路会越走越窄。


<3>让自己靠谱

不知道大家是否有发现,真正靠谱的人,其实很少说“我保证”,甚至连“你放心“之类的话都很少说,但是他们做出的事情就是让人放心。而那些常常拍着胸脯,信誓旦旦地向你保证的人,却往往不让人省心。
那么,如何让自己靠谱呢?让自己靠谱,其实是2个维度都需要考虑,一个你自己要变得靠谱;另外一个是管理好和你合作的人和事,让他们也变得靠谱,至少让他们在和你合作的事情上变得靠谱,从而让他们的不靠谱不会影响你靠谱的形象。
其实,我们每个人都希望和自己合作的人是个靠谱的人,而别人也会这么希望我们是个靠谱的人。
如果我们经常能站在对方的立场上思考问题,那就很容易让自己变得靠谱。比如,我们在做一件事情的时候,会经常想,如果我是对方,会希望我如何去跟进,以及自己期望获得怎么的进度反馈?
当你按照你换位思考的角度去跟进,往往会比以往的情况靠谱很多。
而,我们要将和我们合作的人和事变得靠谱,我们则需要学习一些项目和人管理的技巧,通过对项目和人的管理,来规避最大程度上规避不靠谱的问题,让和你合作的人和事,变得靠谱。

<4>一些靠谱的技巧

要变得靠谱,其实是有一些立等可用的技巧的。这些技巧是个人职场多年做的一些总结,希望对大家有用,同时如果大家有更好的技巧也请反馈给我,我们一起学习,共同进步。这些技巧我概括为两个层面,分别是自我层面以及对方层面。


一、自我层面的靠谱技巧

1、少用“我保证”、“你放心”、“肯定没问题”,减少对方的心里预期
2、答复对方之前做好充分的评估和内部确认,不要轻易许诺
3、在计划或者排期的时候,将异常因素考虑进去,预留一些时间用来处理异常因素
4、和对方透明项目进展,阶段性进展知会很重要
5、出现异常情况,及时将情况告知对方,并告诉对方可能会对项目产生的影响,实现信息透明
6、经常换位思考,你会发现不一样的世界

二、对方层面的靠谱技巧

1、自己先变得靠谱
2、拆分项目或者需求,设置检查点
3、及时跟进,出现问题及时协调
4、给自己留点余量
5、做好最坏的打算,计划好PLAN B,给自己留退路
6、充分的沟通很重要

<5>后记

参加工作以来,收到了很多正面的评价,在众多正面评价中,如果让我选择一条对我来说最为重要的评价。我会选择这条“你是我合作过的最为靠谱的人”。
前一阵子,因为一些原因要换个工作岗位的时候,多个之前合作过的领导对我伸出橄榄枝。而他们给的理由除了专业上的能力之外,更重要的是他们认为我是一个靠谱的、可信赖的人。
对于靠谱的人,他们从来不缺机会,因为所有人都知道,珍惜靠谱之人,远离离谱之人。
希望我们所有的人都能成为靠谱的人,和大家共勉。
如何使用Agent框架来模拟群体智能? Agent 框架作为人工智能领域的重要工具,可以模拟复杂的群体智能行为,广泛应用于社会科学、经济学和行为学等领域。 阅读详情

相关推荐

Windows10 使用Apple Studio Display显示器的设置

AppleStudioDisplay显示器购买花了近1.5wRMB,由于为windows台式机,显卡为NVIDAGTX-1660,而AppleStudioDisplay只有雷电接口,尝试了很多种转接方式,均以失败告终,最终使用贝尔金VR线成功,,附图如下这边也测试过NVIDARTX-2060Super、NVIDAGTX-1650显卡,都是能点亮的,NVIDA1650存在关机重启后黑屏,不稳定现象,2060也存在关机重启后不亮现象,后面发现1660s很稳定。...

爱意随风起,人生不可弃。 1万+

R语言 数据清洗(缺失值处理、异常值处理)

关注微信公共号:小程在线 关注优快云博客:程志伟的博客 详细内容为 《R语言游戏数据分析与挖掘》第五章学习笔记之数据清洗 setwd('H:\\程志伟\\R语言游戏数据分析与挖掘\\Game_DataMining_With_R-master\\data\\第5章\\') > ##### 5.2 数据清洗 #### > # 5.2.1 缺失值处理 > # 导入玩家的玩...

程志伟的博客 1万+

uniapp实战:mui-player插件如何完美适配m3u8/flv直播流(附完整代码)

本文详细介绍了如何在Uniapp中使用mui-player插件完美适配m3u8和flv直播流,提供从基础配置到高级优化的全流程解决方案。通过动态加载策略、响应式布局和内存管理,实现跨平台稳定播放,适用于企业级直播应用开发。

weixin_29001655的博客 236

TowardsDataScience 博客中文翻译 2022(一百六十七)

根据我的经验,处理没有潜在“级别”的实时时间序列数据有点不寻常。例如,考虑可能通过杂货店的交易产生的数据。可以在单个产品级别、购物者级别或商店级别描述交易。所购买的产品也可能被归类到特定类型的产品中,而这些类别又可能落入更广泛的类别中。对于企业主来说,这种复杂的层级结构可能会使对其业务做出准确和公正的预测变得复杂。一个数据驱动的人最有可能对每个不同的水平做出预测,但它们并不总是相加。这就是和解变得必要的地方。

龙哥盟 1722

MIPS-5级流水线CPU

一、流水线CPU 流水线CPU就是指将一条分解为多步,在同一周期内进行多条指令的同时执行。MIPS五级流水线就是将指令分为:取指(IF),译码(ID),执行(EX),访存(MEM),写回(WB)五个阶段。举个例子: 比如第二条指令lui $t2,0x2100 在流水线CPU中执行的就是 可以看到在200-300ns的周期里,IF阶段取到0x00400004处的指令,300-400ns,这条指令到了ID阶段,而IF阶段执行下一条指令。400-500ns,执行这条指令,ALU的结果为0x2100

weixin_43877853的博客 2万+

STM32控制气泵和电磁阀实现

2、mos管的选型:mos管选择主要注意两个参数即可,一是导通的电流,二是耐压值,并且常用NMOS管,根据要求,气泵和电磁阀供电电压为12V,所以选择的mos管耐压值要大于12V,这里选用耐压值为30V的MOS管,并且导通电流为5.8A,如下图。1、气泵和电磁阀的开和关均为开关量,实现控制方法有多种,比如继电器,但是继电器动作有噪声且体积较大,更好的方法为使用mos管。使用STM32控制气泵和电磁阀的开和关,气泵和电磁阀的供电电压为12V。最终实现单片机控制气泵和电磁阀的开和关。

jacklood的博客 1万+

java stream流递归实现树形结构

sql 测试数据: DROP TABLE IF EXISTS `pms_category`; CREATE TABLE `pms_category` ( `cat_id` bigint(20) NOT NULL AUTO_INCREMENT COMMENT '分类id', `name` char(50) DEFAULT NULL COMMENT '分类名称', `parent_cid` bigint(20) DEFAULT NULL COMMENT '父分类id', `cat_leve

weixin_38982591的博客 1312

C语言 100道经典编程题适用于专升本,专接本【详细分析版】_c语言专升本题目

/法2//left指向起始 right指向数组末尾= 0){left++;//如果*left是奇数就循环接着向后指,直到指向偶数就退出//(left

2401_84978503的博客 695

靠谱的人都有什么特质,你是一个靠谱的人吗?

自从我们走出了高中的校门,我们就不再是单个的个体,而常常要与人一起合作。 合作得多了,自然就会发现有些人你想要与她们合作,合作了一次还会希望有第二次。而有些人可能只是合作了一次你会后悔莫及,觉得自己踩了深坑。这样的经历哪怕是在学校里,相信也能体会得到。 不知道大家最喜欢和什么样的人合作?其实这是一个挺大的问题,我回忆了一下我欣赏的合作对象,他们性格与能力或许各不相同,但是都有一个共同的特质就是靠谱。 世界这么大靠谱最重要 那么究竟什么样的人算是靠谱的人,靠谱的人又有什么样的特质呢?

august5291的博客 457

PLS-PM with R 偏最小二乘路径建模 (R语言)

1. 引入 1.1. 安装plspm包 plspm 是一个用于执行偏最小二乘路径建模分析的 r 程序包。 在 CRAN 上可以免费下载: Http://cran.r-project.org/web/packages/plspm/index.html. 此后,通过以下代码在r中安装并加载该程序包即可。 install.packages("plspm") library("plspm") 2. 一些简单概念 2.1. 潜变量和观测变量 不少变量如满意度、成功指数是无法通过观测得到

Wowlittlemoon的博客 1万+

AutoSAR MemMap模块详解及使用注意事项

在本文中,我们将深入探讨MemMap模块的实例解析,并介绍在使用该模块时需要注意的一些事项。在上述代码中,我们使用了MEMMAP_START_SEC_VAR_32BIT和MEMMAP_START_SEC_CODE来定义MemMap区域的起始位置,使用MEMMAP_STOP_SEC_VAR_32BIT和MEMMAP_STOP_SEC_CODE来定义MemMap区域的结束位置。1.合理划分MemMap区域:根据实际需求,合理划分MemMap区域,将不同类型的变量放置在不同的区域中,以便于管理和访问。

weixin_50547796的博客 2533

你有没有靠谱的基因?一个人靠不靠谱,其实就看这三点:“凡事有交代,件件有着落,事事有回音。”...

你有没有靠谱的基因?一个人靠不靠谱,其实就看这三点:“凡事有交代,件件有着落,事事有回音。”    故事一、做了就忘了? 一天上班后,我让小王给上级部门送一个材料。 一个小时过去了,没有回复。两个小时过去了,还没有回复,直到中午我在楼道里看见了他。 我问他材料送到了吗,他说送到了,我问他怎么送的,他说我要他找的那个人不在,他就委托办公室的人转交了。 我一听,脑海里马上浮出了三个字:靠不...

weixin_34119545的博客 290

yolov26改进 | 融合改进篇 | 轻量级移动端网络ShuffleNetV2融合CCFM参数量仅百万(附代码+修改教程)

本文介绍ShuffleNetV2与跨尺度特征融合模块CCFM融合改进的YOLOv26。ShuffleNetV2以硬件效率为导向,通过通道分割、轻量卷积和Channel Shuffle减少冗余计算与内存访问,在降低参数量和GFLOPs的同时保持高效特征提取;CCFM进一步加强不同尺度特征交互,弥补轻量主干语义表达不足的问题。本人在轻量模型上测试后,参数量和计算量明显下降,检测精度有一定提升,适合移动端、边缘设备及实时检测任务。文中提供完整代码、配置文件、模块注册及Codex修改思路,方便复现、对比和二次创新。

Snu77的博客 199

如何成为一个靠谱的人

摘要:本文从心理与行动两个维度探讨高效成长的核心要素。心理层面强调自我认知、目标导向、信息筛选及迭代思维;行动层面注重实践优先、专注执行、快速学习及系统思考。二者结合形成"认知-实践"闭环:通过结构化思维把握本质,在实践中验证并优化认知,最终实现从具体操作到抽象原理的提炼。关键能力包括:聚焦核心矛盾的判断力、持续自我更新的学习力、将知识转化为系统的整合力,以及从现象中提炼规律的抽象力。(149字)

各安天涯丶 30

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

工作中,掌握这三个技巧,让你成为一个靠谱的人

  对于每一个人来说,既然选择一份工作,就像把它做好,不管在奋斗的过程中,遇到多大的困难,都会义无反顾的勇往直前。因为只有这样做,才能够让我们变得越来越坚强。所以在我们的日常办公中多写一点知识对我们今后的发展是很重要的,下面是分享的几个小技巧,一起看看吧!  1.不管做什么事情,都会留心眼  在现如今社会中,光看一个人的表面,并不能够判断出这个人究竟是好是坏。所以当我们进入工作中的时候,无论做什么...

weixin_33991727的博客 274

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

如何做到在职场中清楚有效的沟通,成为一个靠谱的职场人?

第一:要学会先讲结论。议论抒情,最直接的说出要求或者结论。简洁明了的讲清楚问题,将必要的信息传达给对方。 第二:直奔主题。通过回答“为什么”,可以明确目前的现状,逐渐找到潜在问题的本质,才能更有效的找到解决问题的方案。发现问题有时也要明确指出,即使对方是上司或客户。真诚直接的提出意见才能最终赢得他人的信任和尊重。 第三:用数据和事实说话。越是新人就越应该抓事实,因为主观意见上可以不同,但是客观事实却不得不正视。自己发现问题时,首先要收集实际的数据,并且要详细、具体的收集,而不是笼统的搜集些现成的资料。 第四

地推 401

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

努力成为靠谱的员工

做一个靠谱的人 不要耍小聪明,不要老想走捷径 很多人的聪明,其实都是小聪明 而靠谱的,是能让你走的更远的品质 因为聪明的人太多,靠谱的人太少 职场就是一个坑接一个坑, 填不上,你可能就过不去。 你能把每一件事都做到能力边界内的最好,甚至超出预期; 你能让人放心把一件事完全交给你,凡事都有反馈; 你能给人确定性,合作界面友好,而不是处处给人挖坑。 你可能不是部门中最有经验的那个人,但你可以成为最靠谱的人。 ...

weixin_39349045的博客 131

一个人是否靠谱,闭环很重要

一个人是否靠谱,闭环很重要(有深度) 2018年07月12日 00:24:18 阅读数:4516 来源:培训每日谈 (peixunmeiritan) 作 者:张立志,专注学习设计和课程开发   看了一篇文章,说《一个人靠不靠谱,就看这三件小事》,文中提到:   我所理解的靠谱就是你把这事交给他之后完全不用操心后续,因为你知道他肯定能落实,就算没办好,也能及时给你一个回馈,这就...

hzp666的博客 571

一个人靠不靠谱,在于能力是否配得上承诺

作者 | 奇点不奇 来源 | zenglin776 如果让你用一个词来高度评价一个人,你会用哪个词? 放在过去,你可能会用“善良”、“聪明”、“能力强”这样的词。 但是现在,越来越多的人,高度评价一个人时,都选择了“靠谱”这个词。 什么叫靠谱? 最近看到一篇文章,里面提到: 我所理解的靠谱就是你把这事交给TA之后完全不用操心后续,因为你知道TA肯定能落实,就算没...

CDA数据分析师 325

程序人生路(五)做一个靠谱的人

https://blog.youkuaiyun.com/wo541075754/article/details/89810374 https://blog.youkuaiyun.com/qun784783012/article/details/89480551

I am HadesZ,我是金瀚海 370

周末分享-我见过最高级的聪明是靠谱

01靠谱的员工越来越难找知乎上曾有一个热门问题:为什么靠谱的员工,越来越难找?有一个高赞回答这样说:靠谱而便宜的员工,是不存在的。靠谱这个词,本身就是身价的代表。深以为然...

微信搜:import_bigdata,大数据领域硬核原创作者 429

一个人是否靠谱,闭环很重要(有深度)

一个人是否靠谱,闭环很重要     看了一篇文章,说《一个人靠不靠谱,就看这三件小事》,文中提到:   我所理解的靠谱就是你把这事交给他之后完全不用操心后续,因为你知道他肯定能落实,就算没办好,也能及时给你一个回馈,这就叫靠谱。   而文章认为,一个人靠不靠谱,其实就看这三点:“凡事有交代,件件有着落,事事有回音。”     约定时间内给到反馈   闭环思维强调的是如果...

zhangbijun1230的专栏 1127

如何做一个靠谱的职场人

不知从什么时候起,“靠谱青年”这个词红遍网络,靠谱成为对一个人最好的评价,那么什么是靠谱呢?对于这个问题,不同的人会给出不同的答案。有的人认为信守承诺就是靠谱,有的人认为勇于担当就是靠谱,还有的人认为行事稳重就是靠谱,每个人对于靠谱的理解都不尽相同。 在职场中,无论是公司领导还是普通同事,都喜欢靠谱的人,而且如果一个人想要在事业上有所成就,得到大家的认可,同样离不开“靠谱”两个字。那么身在职场,如何做一个靠谱的职场人呢? 1反馈意识 作为一个靠谱的职场人,首先要有反馈意识,用网络上的一句话表达就是“凡

数通畅联 529

TCP 如何成为一个“靠谱的人”,从重传、确认、流量控制到拥塞控制,全是“做人做事”的智慧。

小王是公司里的程序员,每天要接产品经理(PM)的需求。产品经理就像 TCP 发送端, 小王就像 TCP 接收端, 他们之间的沟通,就是 TCP 可靠传输。什么叫靠谱? 就是:这正是 TCP 想成为的样子。PM 给小王说:“做个登录页面,下周一交。” 然后—— 没了。 一周过去了,PM 问:“做完了没?” 小王:“啊?你说啥?我忘了……”💥 这就是 UDP 风格:发完就不管,爱收到不收到。PM 说:“做个登录页,下周一交。” 小王立刻回复:“收到,已记到任务本,预计下周一完成。”👉 这就是 ACK(确认)

m0_46450595的博客 648

你靠谱吗?看看“价值观”究竟有多重要

在参加完JimWang王军老师的两天培训后,回到家忍不住写了这篇文章,再一次剖析Scrum团队中的五大价值观,这不仅是敏捷团队的合作基础,更是人与人之间合作的基础,不禁想起了一个流行词“靠谱”! 不知从什么时候开始,“不靠谱”成了一个流行词。这个略带调侃,又充满贬义的词汇,究竟意味着什么?而什么样的人又是“靠谱”的人? 这是曾经发生在我身边的一个真实案例。很多年前,我们曾在天津梅江地区做一

ScrumDavid的博客 563

职场里,什么样的员工最靠谱?

今天小编就来给大家盘点一下,一个靠谱的职场精英,一般有哪些特质:

人生不怕起点低,就怕没追求 641
上一篇: 函数指针
下一篇: 函数的返回值是指针
KnowBug
博客等级 码龄9年 8粉丝 59原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值