不同的问题,不同的解决方法,问不同的人,不同的人回答

对优快云问题回答的分析总结 在优快云上回答问题将近1个半月,现在谈谈这段时间以来的总体感觉。 提问者 提问者以初学者和刚参加工作的人居多(常自称小白),另外包括几个负责时不时制造大量问题进行充数的常客(在此不必公布其具体信息,大家学会辨识),还有个别借回答问题打广告的(一旦被识破就会立马删除问题)。总之,绝大部分提问者是真的有问题需要解决,不过有些可能对平台的使用不太熟悉,比如提问题时不知道将代码放在代码块中、图片只给出一个链接、问题描述过于简单(不提供上下文,即没站在回答者的角度看待问题),有些人甚至为了博取同情而作践自己(为了满 阅读详情

标题有点绕,不过我想你应该能看懂我的意思。

每个人学习阶段不同,理解能力和努力程度不同,涉及某个领域的时间不同,所以问题肯定是不同的。有入门的简单配置和操作,有中级的提高与高级的深入内核和底层。

不同的问题,要采用不同的解决方法,比如刚开始使用某个东西,啥都不是很熟悉,那么你可能非常着急,非常想把某个问题解决掉。也许你会求助某个”大牛“,或者去论坛发高分贴,去多个QQ群大声的求助, 其实这几个我个人认为都不是最好的方法。在90%的情况下,你应该去搜索引擎,好好的找找这个技术的说明。比如 XX的安装和使用入门, XX初探, XX使用心得等。好好的看看他们,大部分问题你应该完全可以自己解决。

如果你英文还可以,我个人强烈建议先看看软件自带的文档,特别是那些入门的教程和例子。

如果这个问题你没有搜到,无论什么原因,反正你没有搜到,那么你应该根据自己的情况,去问不同的人。

在论坛里,如果你的问题相对比较容易,那么只要你不是太吝啬,我想会很快有人解答,除非你学习的技术是某个新的东西,大家都不熟悉或者根本不知道的技术。 我个人就经常看到好多新名词,当然都是一些新技术。 我想这是java的天生《唯物辩证法》的体现吧。

如果你有比较不错的懂这方面技术朋友,你可以发贴后,给他们发一个帖子链接,最好不要直接把问题完整发给他们,因为你无法预测他们何时有时间看你的如此长的问题。

当然,你的问题也许太初级,可能有些人不屑一顾,但是不代表其它人都这样,特别是在群里。你的问题,很可能被某个刚好最近遇到过的人给解决了,不要指望着群管理员,群主来回答你,他们也是人,不会精通所有事情,也不是任何时候都有时间的。大家互相帮助,才是更快提高的方法。

最后,千万不要啥问题都问某个人,更不要总是直接和某个你认为的能解决你问题的人私聊,除非你们关系非常好,因为你怎无法知道人家现在不忙呢?
我就因为正在忙某个事情,已经隐身了,可是好像被人探测到了在线,就没完没了的问,我只好送入黑名单了事。 此类人,缺少对别人的起码尊敬,当然也不要指望被尊敬。

如果真的要问某个人,提问时,建议发类似如下的东西给对方:
你好,我有一个关于XX的问题请教,方便的话请看这里:http://优快云  , 附上你的连接。

我的意见表达完了。所有的内容汇总一下就是:
学会自学,少打扰别人,有些人脉资源,你一生也许最多只能用一次。

 

原文地址:老紫竹


这五个问题一下就看出阿里通义千问和ChatGPT的差距了 阿里通义千问申请过了,为了看看达到了什么水平,于是我问题了5个ChatGPT回答过的问题[^1],这五个问题网上都是没有的,是我自己想出来的。 阅读详情

相关推荐

Xtract or Ucfyber的最条理的整理入门级教程

XTRACT可以对任意截面进行全过程截面分析。工程中常用来分析各种截面(如异形柱、组合截面等)的非线性特征点及承载力校核。 xtract主要思路也是根据各种材料本构关系,基于平截面假定,用fiber划分截面进行全过程非线性分析。......

→★佐佑思维★← 8402

协同过滤算法的问题及解决方案

1 协同过滤在应用中存在的问题     尽管协同过滤在电子商务推荐系统中的应用获得了较大的成功,但随着站点结构、内容复杂度和用户人数的不断增加,基于协同过滤的推荐系统的发展面临着两个主要挑战:     1) 提高协同过滤算法的可扩展性     协同过滤算法能够容易地为千万记用户提供量化的推荐,但是对于电子商务网站,往往需要给成千上万的用户提供推荐,这就一方面需要提高响应速度,能够为用户实时地

优快云 2万+

两轮差速移动机器人运动分析、建模和控制

两轮差速运动分析及建模运动学分析三种运动状态分析函数模型仿真验证直线验证曲线验证旋转验证运动控制 运动学分析 运动特性为两轮差速驱动,其底部后方两个同构驱动轮的转动为其提供动力,前方的随动轮起支撑作用并不推动其运动,如图1两轮差速驱动示意图所示。 定义其左右驱动轮的中心分别为Wl和Wr,且对应线速度为Vl和Vr,该值可以通过电机驱动接口输出的角转速ωl,ωr2和驱动轮半径r求得,即: Vl=r⋅...

启小新的博客 8万+

【解决问题方法论】与成功例子找不同

摘要: 一个Vue页面部署在Node Koa服务器上,在html里无法显示vue data的数据, 接下来我会演示从发现问题 > 排查问题 > 解决问题的过程。如果只想知道如何解决问题,直接看解决问题板块 关键字: Node Vue 无法显示数据 问题描述 一个Vue页面部署在Node Koa服务器上,在html里无法显示vue data的数据, 但是用浏览器直接打开是可以的 重现代码 npm init -y; npm koa nunjucks // 目录结构 app.js index.html

visitor009的博客 777

Super4PCS文章阅读笔记

Super4PCS阅读笔记 Super4PCS阅读笔记 前言 前言 今天给大家分享一下点云配准四点法4PCS0的变种——Super4PCS。此算法的原文在:Super4PCS: Fast Global Pointcloud Registration via Smart Indexing。稍微我也会写一篇关于如何使用这篇文章的里所提供的代码进行点云粗配准。关于四点法...

Vodake的博客 4540

(蓝桥杯)STM32G431RBT6(SysTick timer)

选用最基础的定时器。

2301_81764359的博客 1903

测试小故事9:问题与回复

面对问题,不同的人有不同的解决方式,也有着不同的提供解决方案的方法,不同的回复方式。 也许形式不重要,解决问题更重要,别忘了形式影响结果。

Rolei的博客 2110

组态王通过以太网与西门子S7-200 SMART PLC通讯案例详解

通过以上步骤,我们成功实现了组态王与西门子S7-200 SMART PLC的以太网通讯。这一技术不仅提高了工业自动化系统的灵活性和可靠性,还为初学者提供了一个实用的学习案例。希望本文能帮助您快速掌握组态王与西门子S7-200 SMART PLC的通讯技术。如有任何疑问,欢迎留言讨论!

2401_88785500的博客 2005

问问题的方式不同,得到的结果也有大不同

怎么问问题,也是一门学问 人都不是无所不知的,对于需要知道,但是自己又不清楚的东西,最直接的就是问别人。 个人认为:问是获取知识的一种途径,并且是最重要的一种。 工作一年半,我总结出“问”的三要素:一:我需要获得什么信息。 二:找谁问。 三:如何组织语言发问。 这三个要素环环相扣,哪一环弄不好都很可能得不到自己想要的结果 举自己亲身经历的三个例子 1,带小孩看病急诊:我女儿属于早产儿,需要每星...

sf_jiang的博客 511

Ubuntu 24.04 LTS与Windows 11远程桌面连接:从xrdp闪退到xfce4桌面环境的实战排障

本文详细解决了在Ubuntu 24.04 LTS上使用xrdp连接Windows 11远程桌面时遇到的登录后闪退问题。通过分析日志,定位到默认GNOME桌面环境与xrdp的兼容性冲突,并提供了将桌面环境更换为轻量且兼容性更佳的XFCE4的完整实战解决方案,包括安装、关键配置修改及服务重启步骤,确保远程连接稳定可靠。

mango的博客 807

RK3588 buildroot 制作的系统增加 docker 支持

RK3588 使用buildroot制作的系统添加 docker 和 docker-compose 的功能

荻夜的博客 1568

BAT程序员面试必问之:《项目中解决过哪些复杂的问题?》(标准回答模板来了)

面试官都爱问项目中解决过哪些问题?希望我这个回答能帮助到你。

u013174217的博客 3796

Spring AI Alibaba实战训练营-16 NL2SQL (自然语言转 SQL)应用开发指南

本文介绍了一个基于AI的智能BI应用开发项目,主要实现自然语言转SQL(NL2SQL)功能,包含对话模块、MCP模块、向量数据管理模块。项目采用Spring AI Alibaba框架,集成通义千问大模型,支持内存向量库和AnalyticDB向量数据库两种存储方案。重点展示了chat模块的三个控制器实现:AnalyticNl2SqlController用于生产环境,SimpleChatController适用于开发测试,Nl2sqlForGraphController支持基于图的复杂对话流程。系统通过将业务知

program哲学 1589

前端硬核面试指南:如何巧妙回答"你有什么问题要问我吗"

"你有什么问题要问我吗?"——这个看似简单的提问,往往是决定面试成败的关键分水岭。在一线互联网公司的技术面试中,这个问题出现的概率高达95%以上,它不仅是面试流程的标准收尾,更是考察候选人综合素质、思维深度和价值观匹配度的重要环节。 很多优秀的技术人才在前面的技术问答环节表现出色,却在这个"软实力"问题上栽了跟头。本文将为你深度解析这个问题的底层逻辑,提供系统化的应对策略,帮助你在面试的最后关头...

gitblog_00511的博客 592

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

面试官问“你有什么问题要问我”,如何完美回答?

面试的时候,最怕面试官的一个问题就是:“你有什么问题要问我的吗?”通常到这时候,我会不知所措。什么都不问,怕面试官觉得我敷衍;问多了,又怕说错话。本文整理了7个能够问面试官的很棒的问题。希望这些问题能激发你的灵感,让你在未来的面试中更有信心。 “面试结束时我应该问多少问题?” “我该问些什么问题?” 我坚信,你问的问题应该是你自己真正关心的问题,而不是你在互联网上剪切粘贴的问题。 在为面试做调查和准备的时候,你应该对面试的职位、公司以及同事保持好奇。不要等到最后一分钟才开始准备,在开始准备面试前就记

架构精进之路 2335

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

当 HR 问到你这些问题时,你该如何回答?

为什么要离职呢?  问题分析: 这显然是个几乎必问的问题, 因为没有任何面试官喜欢频繁跳槽的人。而且, 如果你不喜欢的上一份工作的特点刚好也是现在所求的这份工作的特点, ...

JackTian 2156

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

技术面试不知如何回答问题,没有思路 ,总结四种方法让你轻松应对(上)。

比如 ,我将所有面试问题总结为以下四类 ,分别是:基础问题类有明确答案的技术类技术实现|解决方案|问题排查类个人见解和看法类每一类问题都有鲜明特征 ,通过找到它们的共性特征和一些规律,然后在回答上做到针对性回答才是应对面试的更好途径 ,我让学员按照如下方式复习 ,在面试时都起到了很好的效果。以下是这四类问题的具体介绍。

雨滴测试博客 3015

面试问题回答技巧:如何打造令人印象深刻的完美答案

回答框架:过去(教育背景)→ 现在(工作经验)→ 未来(职业目标)技巧要点控制在1-2分钟内,避免冗长突出与职位相关的关键经历和能力展示个人特色,让面试官记住你自然引出为什么你适合这个职位示例开头“我是一名拥有X年经验的[职位],擅长[核心技能]。在我最近的工作中,我主要负责[主要职责],并成功[主要成就]。我特别擅长[与应聘职位相关的优势]…”面试问题回答是一门艺术,需要不断练习和完善。

2501_93137602的博客 3143

知乎18万赞回答:真正厉害的人,是怎么分析问题的?

金叫兽:厉害的人是怎么分析问题的?今天给大家分享一篇深度好文,作者谢春霖在知乎上回答了这个问题,已经获得18万赞,是知乎史上点赞量,收藏量最高的文章之一。原标题:《一秒钟...

lovenankai的专栏 1090

软件测试面试中,面试官问你一些比较“刁难”的问题你会怎么回答

企业最喜欢听到的是:我很爱我的家庭,我的家庭一向很和睦,虽然我的父亲和母亲都是普通人,但是从小,我就看到我父亲起早贪黑,每天工作特别勤劳,他的行动无形中培养了我认真负责的态度和勤劳的精神。每个人的价值观不同,自然评断的标准也会不同,但是,在回答面试官这个问题时可不能太直接就把自己心理的话说出来,尤其是薪资方面的问题,不过一些无伤大雅的回答是不错的考虑,如交通方便,工作性质及内容颇能符合自己的兴趣等等都是不错的答案,不过如果这时自己能仔细思考出这份工作的与众不同之处,相信在面试上会大大加分。

2401_83387413的博客 705

10 个最难回答的 Java 问题

1.为什么等待和通知是在 Object 类而不是 Thread 中声明的? 一个棘手的 Java 问题,如果 Java编程语言不是你设计的,你怎么能回答这个问题呢。Java编程的常识和深入了解有助于回答这种棘手的 Java 核心方面的面试问题。 为什么 wait,notify 和 notifyAll 是在 Object 类中定义的而不是在 Thread 类中定义 这是有名的 Ja...

aaa13268的博客 6万+

面试官问你的亮点在哪里?你要如何回答!

最近很多群里的朋友来问我,面试官经常会问到你在参与项目中的亮点或者技术上的亮点,很多人不知道该怎么回答,然后就被刷下来了。我们要回答这个问题,首先得知道什么算是亮点?在百度百科上解释的亮点是:比喻有光彩而引人注目的人或者事务。比如说一个旧书拍卖会上,带有作者亲笔签名的书籍是本次拍卖会上的亮点。所以简单来说,亮点和闪光点是一个概念。面试官为什么会关注这个点呢?在手机或汽车的发布会上,开发者会着重去介...

yingjian2215的博客 2766

HR面试都会问什么问题?(下)

31.就你申请的这个职位,你认为你还欠缺什么? 回答提示: 企业喜欢问求职者弱点,但精明的求职者一般不直接回答。他们希望看到这样的求职者:继续重复自己的优势,然后说:“对于这个职位和我的能力来说,我相信自己是可以胜任的,只是缺乏经验,这个问题我想我可以进入公司以后以最短的时间来解决,我的学习能力很强,我相信可以很快融入公司的企业文化,进入工作状态。”企业喜欢能够巧妙地躲过难题的求职者。 32.你...

Kason_iWiki 972

面试中,怎么回答或者问关于职业目标的问题

How to Not Ask or Answer Questions About Career Goals Share on LinkedIn Share on Facebook Share on Google Plus Share on Twitter The worst question about career goals is some

zeyu1021的专栏 1708

如何优雅的回答自己不会的技术问题?

在Java面试中,面对自己不熟悉的问题是很常见的情况。处理这种情况的关键是保持冷静、诚实,并展现出你解决问题的能力和学习意愿。直接告诉面试官你对这个问题不熟悉或没有经验。例如:“我对这个问题不是特别熟悉,但我很乐意尝试根据我的理解来回答,或者我们可以讨论一下我熟悉的相关领域。即使你不熟悉具体答案,也可以展示你的逻辑思维和问题解决能力。尝试从基本概念出发,分析问题的关键点,并提出可能的解决方案或思路。告诉面试官你愿意学习新知识和技能。

zhishidi的博客 1167
上一篇: 路透社采访拉里埃里森收购Sun公司的全文:第一部分
下一篇: 西藏在谷歌地图里变成了美国的亚拉巴马州
老紫竹
博客等级 码龄19年 1万+粉丝 1252原创
评论 3
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