从销售到 AI 算法工程师 | 转行人工智能大模型(含面经&裁员幸存指南)

自动化如何重塑就业:从任务替代到人机协作的底层逻辑 自动化并非简单取代岗位,而是对可标准化、低模糊性、高重复性任务的精准切割与重构。其核心原理在于‘任务颗粒度’的重新定义——当某类工作超过65%工时符合结构化输入与确定性输出特征时,即进入自动化射程。这一过程催生三大影响层级:直接替代(如AOI检测员)、协作重构(如AI定损专员)和生态位新生(如提示工程师)。技术价值不在于替代本身,而在于释放人类专注高阶判断、异常处理与跨场景迁移的能力。典型应用场景覆盖制造业质检、金融风控、医疗影像辅助诊断及政务RPA流程优化。本文基于真实产线日志、招聘JD变迁与职业培训数据 阅读详情

我叫王东,90后,和大家分享一下我的人工智能转型之路。

农学毕业,投身互联网做销售

机遇难求,养殖梦碎

我是土生土长的农村人,小时候经常和小鱼小虾打交道,上大学的时候就选择了农学专业,想着毕业之后回老家搞养殖种植。

大学期间,我看到了一些关于养殖龙虾、稻田套养的资料,就跟我父母商量,让他们承包一块稻田或者鱼塘,养殖龙虾。但当时我父母坚决不同意,就没有做成这个事情。

毕业之后,我想自己承包鱼塘搞养殖,但是没有资金,父母也不愿意支持我,所以最终还是没做成。

图片

到了去年过年的时候,我们家那边很多人都已经开始在自己的稻田里面套养龙虾了。看到很多人做这个,我父母开始后悔为什么早没听我的。

可惜世上没有后悔药,总之我的农业梦想是暂时告一段落了。

果断决定,放弃读研

大学毕业之后,本来想直接工作,但是我的专业很少对口的岗位。大部分同专业同学都是去卖农药卖饲料之类的。

于是我选择了保送本专业读研。不过读了一年多一点,我就自己退学了。

图片

在学校导师要求天天去实验室,但是去了实验室没有事情做。同学都是带着电脑去实验室,玩一天的手机电脑晚上回寝室。

我当时也不知道该学点什么,觉得这样读研很浪费时间,就退学了。

现在回头想想,当时对读研的事情认识得不太到位,不然的话现在的工资应该会高一点。

保险销售 & 银行客服

我研究生退学是在2016年的10月,出来之后先是在泰康人寿做了几个月的保险电话销售。

之所以选择一个和专业相差这么大的岗位,是因为我读过很多销售方面的书籍,也认识一些做销售的人,对销售工作很感兴趣,自己有心成为一个顶级的销售高手。

在泰康做了五个月,成绩不太理想。

图片

之后又到银行当客服,具体工作是:信用卡的报账单到了,提醒客户还款日;客户欠款了,催他们还款;等等。

这两份工作都是在合肥的时候做的。

好友相邀,奔赴上海

我的一个大学同学在2016年8月去了上海,做人工智能、大数据的培训的招生顾问/课程顾问,其实就是销售。

他是学生物的,生物专业的本科毕业生也不太好找工作,所以他也转行了。

图片

他在上海工作了一段时间之后,了解到我的工作状况不太好,就跟我说,可以考虑到上海这边做销售,比合肥容易赚钱一点。

在他的邀约下,我在2017年10月到了上海。

进阶互联网销售

到上海之后我做了两份销售的工作。

第一份工作是在宜信,通过电话方式推销贷款。这家公司办公区域二手烟很严重,而我对烟过敏,所以没做几个月就辞职了。

图片

第二份工作是在一家教育机构做专升本的课程顾问。这份工作做得还可以,比我以往的销售业绩来好不少,每个月都能开很多单。

而以前在泰康人寿做电销,和在银行客服让客户办分期信用卡分期的时候,成交的单数都不多,工资也少得可怜。

这样,我在专升本课程顾问这个职位上工资还好,自我感觉有点满意。

转型之旅,向人工智能挺进

在2018年初的时候,我同学跟我说他想辞职了。因为他发现自己招进来的学员,零基础进来学大数据或者人工智能,培训完成后找工作,工资比他高了很多。他也想去做大数据技术岗位的工作。

2018年2月,我同学自己在他原本任销售的培训机构报名成了学员。到了2018年8月,他就找好了新工作,月薪16K!

我其实很喜欢做销售,梦想着有一天成为top sales,赚很多钱。但是,我也发现自己的销售工作做得并不好。

为此买了一些销售方面的书籍、课程学习,可是学完之后,并没有达到没有理想中的效果。应该是自己不适合做销售,于是,听到我同学的转行的事情后,我也决定转型了。

图片

我听我同学说,人工智能(AI)还有大数据(Big Data)前景非常好,待遇也高,人才的需求量也大。

这时我就想,人生一定要善于抓住机会,看到可行机会一定要好好抓住,一旦错过就很难再挽回了。前些年,我错过了养龙虾的机会。不能再错过AI和Big Data的机会了!

于是,在接下来的时间里,我就一边上班做销售工作,一边自学相关课程。

整理基础,着手学习AI技能

制定学习计划

我问我同学:做人工智能,需要学什么课程?

他说:数据库要会一点;python也要会;数学基础要好;而且工作中多少会涉及到爬虫;还有就是数据分析、机器学习、深度学习都要会一些。

图片

根据他的指导,我给自己制定了一个学习计划:

1. 数学基础:导数、微积分;简单的矩阵运算(比如说矩阵的转置,乘积等),矩阵的求导、矩阵转置的求导;概率统计知识,比如全概率,贝叶斯公式等。

2. Python编程:基础数据类型(字典、列表、集合之类);循环(while)、条件(if)结构;函数;os、datetime等常用模块;面向对象;会多线程、多进程能提高效率;会爬虫更好。

3. 数据分析:数据库;python做数据处理的pandas、numpy库;会matplotlib等绘图库更好。

4. 机器学习:线性回归、逻辑回归、KNN 、KMeans、决策树、GBDT、朴素贝叶斯,隐马尔可夫;以及深度学习。

原有基础

其实学任何知识,如果有一点相关的基础,学得就会较快一些。

图片

我之前在大学学过C语言,虽然不太深入,但多少了解过。算是有编程基础。

而且,我的数学比较好的。大学数学我都没有听过课,然而高数、线性代数,还有概率论,考试都是在95分以上。数学基础自我感觉还可以。

我的英语也还可以。阅读英文资料都没有问题。

我相信拥有这些基础是可以应付人工智能学习的。

决定自学

我没有上辅导班,全部都是自学的。

图片

为什么不报培训班呢?主要两个原因:

  1. 我没有那么多钱;
  2. 我听那个转行成功的同学讲了需要学习的内容,觉得自学可以搞定。

业余用功

因为白天还在上班做销售,所以学习都安排在晚上下班之后,和周六周日不加班的时候(一般周六要加班)。

图片

第一步,我学了数据库。

总共花了两周的时间,只学了MySQL的增删改查和建表。因为听我同学说,数据库大都差不多的,先学个基础,工作中遇到不懂的再问、再搜索就可以了。

这些内容不太难,而且很多网上平台都有视频或者免费课,收费课程也很便宜。

第二步是Python编程。

也是在网上平台,找的课程。分为几个部分来学习:

最开始学基础的东西:数据类型,控制结构,函数,和面向对象等。

当时没有学太深入的东西,很多模块(比如OS模块),我学习的时候都不知道。那些模块是在工作之后,需要用时才学的。

之后,学了一点点爬虫。只看了爬虫中发送http请求的方法:get和post。

我自己在网上找到爬虫的样例代码,把它抄下来,自己做了一个非常非常小的爬虫,爬了一首歌。

那时候自我感觉还可以,居然把音乐给扒下来了(_)。但是进入公司之后才发现,当时掌握的实在是太浅太浅。

第三步是数据分析。

主要学了的numpy和pandas。这两个模块非常非常重要,特别是pandas,数据清洗、特征工程都要用得到。

学习它们。我花一个多月的时间。一边看视频课程,一边敲代码,完完全全的就是课上怎么说,我就怎么写。

pandas还有可视化相关的内容,不过我并没有学习这一块。

克服迷茫,硬啃机器学习

迷茫疲惫独自扛

在学习过程中,我感到挺累挺迷茫的。

转型的过程中会遇到很多问题,懒惰,每个人多少都会有一点。

图片

独自摸索中,你不知道你选择的方向对不对;也不知道之前的工作要不要继续做下去,会不会取得很大的突破。这些都是未知的。

机器学习任务重

学习了Python和数据分析的基础之后,就开始机器学习的内容了。

图片

这一块儿我学得不太好,最初是从最普通的最简单的线性回归和逻辑回归开始的:

首先是线性回归:线性回归的核心是最小二乘法,原理和推导过程当中,会用到一些数学方面的知识,比如说微分、矩阵,和矩阵求导,并不是太复杂。

实际的应用中,我们只需要把数据简单处理一下(有时候甚至可以不处理),再调用别人写好的库,就能够得出结果。网上有案例,对照着来尝试几次的话,就能够掌握。

其次是逻辑回归:主要用的是sigmoid函数,还有概率方面的知识,也并不是太复杂。

接着是决策树:决策树又分为分类树和回归树,两者原理不一样。决策树我掌握得不够好。

之后学了KMeans和KNN,都比较简单,前者学得还不错。

然后是GBDT(梯度提升决策树),只是稍微学了一点。

至于朴素贝叶斯,隐马尔可夫等模型,最初并没有学。我感觉太复杂了,学不来。

在这个过程中,我发现,数学知识会用到,但用到的都比较简单,不是非得掌握到很深入的程度不可。

这样,我感觉自己可以去面试了。

建立自信,不为岗位描述所限

准备简历

我从网上下载了简历模板,还从我同学那边要了几个,参照之下自己写了份简历,在各大招聘网站上投了一下。总共大概投了五六份。

图片

我当时没有考虑到的一点是面试时间,因为我是在12月投简历的。12月是招聘的淡季,很多企业已经不招人了,面试机会非常的少。

不过简历投出去之后,我还是获得了几个面试机会,下面慢慢讲。

不必拘泥于“岗位要求”

大家看到很多招聘AI技术职位的“岗位要求”都会写:要有本科以上的学历,金融、数学或者计算机方面的专业,还有些要2-5年不等的相关工作经验等……

虽然他们写的是这些,其实不满足要求的,也能够进去。

图片

专业并不是很重要,经验也不是硬性规定。最关键的还是你会什么技能,有什么项目经验,能解决什么问题。

基本上只要在面试的时候,回答上来面试官的问题就可以了。别人邀请你去面试了,说明就有机会。

我本科是农学方面的大学,学校并不太好,安徽省内排名只能排在第五或者第六,不是985,也不是211。我也不是计算机、数学方面专业的。

我投了简历之后,在12月份招聘的淡季,还是有五家公司邀请我去面试。

这五家里,只有一家是我直接投的简历,有两家的HR直接联系我,还有两家是两个猎头联系我之后给安排的。

上阵临敌,多多面经分享给你

第一次面试

面试的第一家企业是在boss直聘上面投的简历,做垂直领域的电商平台。当时我是第一次过去面试,挺紧张的。

两个人一起面试我:一个是技术经理,另一个不太清楚是什么职位。这次只经历了一轮。

图片

在面试的过程中,他们先问:pandas读取数据的时候,如果数据量非常的大,比如说有好几亿条的数据,应该怎么处理?

因为之前没有遇到过,也没有考虑过这个问题,我当时回答的比较白痴,我说:直接read,然后想取某些行的话就df.iloc,第一个参数写你要的那个行数的范围,第二个参数就是所有的列。

他们听完对视笑了一下,继续问我第二个问题:要预测接下来的一个月的销量或者一个季度的销量,该用什么方法?

我当时想了几分钟,最终我没有给出一个好的解决的方法。

然后他们又问:你会不会修改别人写好的库?

然后我就硬着头皮说:应该会。因为原理都是差不多。

他们还问:你上一份的工作做了什么事情?用到了什么工具?实现了什么结果?

这个我回答得很不好,因为我并没有实战经验,简历上面写的项目只是我在网上找的几个小项目,自己对着代码敲了一遍。

问了这几个问题,就让我走人了。

这是我的第一次面试,很失败。

第二次面试

第二家公司是一个猎头推荐的,这家公司承接其他企业(比如银行)的项目来做。这次经历了两轮面试。

第一轮就简单问了几句。

第二轮是一个技术人员,可能是主管级别。

他首先让我介绍项目经验,并没有追问太多。然后开始问技术问题。

图片

他问:之前在训练模型的时候,用的数据集是多大的?

我跟他说:大约40兆。

他又问:你用的数据是多少维度?

因为我不知道,就随便说了一个,我说:十几维,12维左右。

他再问:12维的数据,有多少行?

我说:大概40万行。

他说:40万行,12维有40兆这么多吗?

我就说: 是清洗了之后,然后才有40兆的——因为40万行十几维的话,数据量应该就应该不止40兆。

这个问题当时回答得并不是太好。

再然后,他让我介绍逻辑回归线性回归的区别。

面试前我听转型成功的那个同学说,面试时,一般会要求推导线性回归和逻辑回归,所以我就做了准备,但是没让我推导。

他又问:GBDT的弱分类器是什么?

因为我好像在网上看到过说,GBDT的弱分类器可以是决策树、线性回归,或者朴素贝叶斯之类的。然后我就把这些回答他了。

他就笑了,跟我说:西瓜书你没有看?

我说:我买了,但是没怎么看。

他说让我回去好好看看那个书。

我问他:GBDT的它的弱分类器到底是什么?

他说:就是决策树,没有其他的。

他还问了决策树分叉的原理。

我回答他有基尼系数,信息增益、信息增益率之类的。

他又问:朴素贝叶斯分为哪几类,有什么区别?

这个问题我也没有回答上来。

这轮面试就这样结束了,他让我在面试的房间里等。半个多小时之后,人事过来告诉我说面试没有通过。

他们觉得我有一定的基础,但是很多原理就是并不是太懂,如果要进公司来工作的话,可能需要一段时间的上手。而他们希望招到的人能够最快时间投入工作。

第二次面试,就这样以失败告终。

第三次面试

经过两次失败的面试,到第三家公司面试,我就相对有经验一些了。

他们问的问题有我在训练营和前两次面试中遇到过的,这些基本上我都答对了。

图片

最后他们还问了一个问题:GBDT怎么看特征的重要性?

这个问题的答案我不知道。我直说不知道。

然后面试官告诉我:GBDT里面有参数,可以通过打印参数来看到各个特征的重要性。

他们问我会不会数据可视化。

我说:会一点,但并不是太熟。

他们又问了点别的问题,就让我回去了。第三次面试也以失败告终。

第四次面试,成功!

第四家公司的面试比之前简单得很多,问题量也是最少的,是我遇到的面试当中就是最轻松的一个。

面试官首先让我自我介绍,介绍完后就让我讲讲之前项目经验,然后问了几个非常简单的问题:

(1)线性回归和逻辑回归的区别?

(2)SVM的原理是什么?

(3)会不会爬虫?

(4)Python学了多久?

(5)Pandas的DataFrame有哪些方法?做数据处理、数据分析,常用到哪些方法?

我回答得自己比较满意。

图片

最后面试官又问我上一份薪资是多少?

我说,上一份工作薪资10K,其实很心虚。因为,在合肥工作的时候,工资也就两三千,到上海后有时三五千,有时能拿到八九千。不过九千多只拿过一次,大部分时间拿的工资还是比较少的。

他说声知道了,就让我走了。

当天下午我就收到了offer!

给的薪资虽然比之前工作的薪资都高了不少,不过感觉相比同学的16K还是有点低。所以我想再面试几家看一下。

第五次面试

第五家是一个汽车企业,他们要给一个博士生找一个做数据挖掘的助手。

图片

他们对学历和技能的要求都非常高,我没有通过。简单地问了几个问题,就直接走人了。

这样我就决定去第四家——拿到offer的那家公司上班了。

变身之后,如履薄冰新人期

新人上岗,惴惴不安

2019年初,我进入了现在的公司。

刚进公司非常忐忑,虽然自己会一点python,懂一点机器学习的原理,但是没有在公司真正实战过,到底不踏实。

图片

进公司的前两天,没人给安排任务。

开始我以为需要自己找事做,就去问了我们主管,有没有什么事情要做,或者有没有需求文档之类的给我看一下。他说这两天什么都不用干。

到了第三天,他开始给我分配任务。

任务到手,一团乱麻

我接到的第一个任务是和一个老员工一起做爬虫。

关于爬虫,我只会用最简单的方式发get/post请求,参数都不知道怎么加。他们用的是scrapy框架,我都没听说过。

图片

接到任务的第一天,我感觉自己啥都不会,非常非常非常地焦灼。

那个老员工给了我代码,我跑了一下,发现那个网站网页结构变化了,原来的脚本跑不成功。然后我就在那儿坐着纠结了一天。

我们经理就坐在我对面,我的表现他都看在眼中。他当着我的面打电话给人事,说:以后再招员工的时候,一定要仔细一点。

我就想他们会不会赶我走。

虚心求教,学会爬虫

当天晚上,我找那个老员工请教:爬虫到底怎么做?爬虫框架到底是怎么一回事?

老员工人很好,他跟我讲了50分钟。听他讲完我才发现,scrapy框架其实很简单,需要修改的基本上只有spider文件。我又马上从京东买了本书,第二天到。

第二天上午的时候,我试了一下头天晚上学的方法,一边就是回忆同事教我的知识,一边在网上查,捣鼓了一整天。

第三天我对着书,基本上能够搞定最简单的json类型的爬虫了。

json大家应该都知道, import json, json.loads( response.text ),就能把它解析为字典或者列表格式,它们是Python内置的数据类型,处理起来非常方便。

图片

那些天,我每天早晨六点钟起床,看爬虫的视频课程。每天晚上自己加一两个小时的班,专门学习爬虫。

有一次爬虫需要用到正则表达式,当天下班之后,我就在网上找了相关的资料来学习,连续学习了三个晚上加三个早晨。

其实在应用的过程中,只要你能对照着网上的代码,自己敲代码,运行有结果了,就会感觉非常简单,容易掌握了。

这样,我用一个星期能完全搞定一个爬虫了。后来缩短到三天,再后来缩短到一天,再后来,简单的爬虫半天就行了。

职责更新,成为骨干

做了一个月爬虫之后,我开始做数据分析方面的工作。

图片

数据分析,我个人感觉学得还可以。我们小组其他的人不怎么会数据分析,而我之前自学到的,在工作中都用上了,给同事们帮了很大忙。

于是,组里同事有数据分析不懂的地方都来找我。

初遭裁员,忐忑成为幸存者

贵人指点,态度为先

我刚入职的时候,问了一下我同学:刚进公司,有哪些需要注意的事情?

然后把第一天主动问主管要任务和文档的事情和同学说了一下。

我同学让我没事别瞎问,否则会显得我很业余。IT公司基本上不会有人没事找事做,而且也并不是每天都那么忙。

图片

他还特地告诉我:**如果你技术不是很好,那就每天晚上晚点走。**这样即使事情做得不是太好,但主管、同事都会看在眼里,知道你努力了,至少比他们晚走很多。如果事情做得不好,下班还走得早,同事们就有话说了。

这两件事我都听了他的。从一开始,我就每天下班走得很晚,比我们主管、经理都晚,尽可能用多出来的时间熟悉业务,学需要用到的知识。

亲睹裁员,职场无情

很不巧,我进公司得第二个月(刚开始做数据分析不久),公司就开始大规模裁员了。

有一天下午,有个人——应该是别的部门的经理——跑到我对面找我们经理,拿了一个名单跟我们经理说:这些人都要裁掉。你看他们,都下班就走,跟实习生一样,直接裁掉不要了。

图片

我当时很忐忑,以为上面会有我的名字。但是后来我才知道,被负责人找谈话得才会被裁,我没有被找谈话,最终留了下来。

我们小组的一个同事,比我早来一个月,被裁了。还有一些工作了一年多,两年的同事,也被裁了。整栋楼里,很多人都被裁了。

结果驱动,贡献为准

我们公司很大,各个部门都有裁员。被裁掉的,绝大部分都是下班走得比较早,或者平时工作中,效率比较低的那种。

效率低其实不一定不是技术不好,很多是技术能力很厉害的,但是不愿意干活。

图片

我们小组被裁的那个同事就很厉害,Python编程、数据库、图像处理都会,尤其爬虫很精通。

同样的爬虫任务,基本上他半天或者一天就能搞定了,我要做两三天才行。

但是,那位同事即使半天就能做完的任务,他也要做一周。非要等到最后一天才跟主管说他做好了。

他是怕主管给他分配新的任务,他不想多做,一周就做一个任务,实际用时半天或一天,空余的时间用来学习别的东西。

他的技术比我好的太多,想法也很好,但是最终他被裁了,而我没有。

确保产出,成为优选

很幸运,我在历时一个多月的裁员中幸存了下来。究其原因:

  • 一方面是因为自己主动加班,表现出了良好的态度;
  • 另一方面是因为相对做事情的效率不错。

图片

虽然我做事情的效率其实不高,但是我做完就会向主管汇报。无论是否再给我安排新任务,都让他知道我的进度。

所以我给他们的印象应该是刚入职是个菜鸟,但是经过两个月,进步不少,不完美,但是至少总能交付结果。

相反,被裁的同组同事即使做好了也不及时的跟主管说,他在主管看来,效率就不高了。而且他还踩点就走,不愿意加班。

独立求解,互帮互助

在工作中,遇到棘手的问题,我会先自己查,实在自己找不到答案,再问我们的那个老员工。

图片

刚开始基本上都是我问他,但是后来他遇到不会的也会来找我讨论。组里其他同事遇到数据分析的问题也会来找我。

我觉得,后续即使再裁员,应该也不会裁掉我。即使真的裁了我,我现在的技能也足以找到新工作了。

规划未来,学无止境需磨砺

虽然我是以机器学习算法工程师的身份进入公司的,但是具体工作还没有涉及到机器学习。

现在,我会在比较空闲的时候,自己跑几个机器学习模型,练习一下。比如前几天刚跑了一个逻辑回归。

图片

之前的机器学习理论都是自学的,不够深入,现在已经学的差不多了。

我个人是比较喜欢自然语言处理,把这个也学了。

数据库也要再深入学习。数据库非常重要,只会简单操作是不够的。

需要学的还有很多,学无止境。

心得体验:机遇需要自己去抓住

图片

有两句话送给大家,是我根据自己的经历总结出来的:

  • 第一,要善于抓住机会。

    我以前想搞养殖的,却没成功,错过了非常好的机会。现在第二次的机会,决不能再错过了,所以我选择了转行人工智能大模型。

  • 第二,一定要找到适合自己的领域!

    虽然每个人都可以通过学习进入自己不太擅长的领域,但是那样会很吃力。还是在自己擅长的领域发力,才能事半功倍。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

如何实现SOLIDWORKS阵列的“智能变更”? 有时,我们在设计一个零件时,零件上有一排阵列孔,同时零件有不同的长度,我们又希望可以做到零件长度改变时,这排孔可以按长度等距增减孔阵列的个数;或是零件长度加长或缩短时,这排孔保持个数不变,按零件长度增减孔距。 那具体要怎么做呢?接下来,我们一起来看看怎么用SOLIDWORKS中简单的操作来实现这两种智能的变更: 零件长度加长或缩短时,这排孔要按长度等距增减孔阵列的个数。 零件长度加长或缩短时,这排孔保持个数不变,按零件长度增减孔距。 那接下来,我们一起来看看怎么用简单的操作来实现这两种智能的 阅读详情

相关推荐

【OpenClaw 故障排查完全指南】

OpenClaw 故障排查指南摘要 本指南针对OpenClaw 2026.2.26版本常见问题提供解决方案,适用于Windows/Linux/macOS平台。 核心问题及修复方案: 飞书插件连接失败:删除冲突插件或重装OpenClaw Ollama认证错误:设置环境变量OLLAMA_API_KEY="ollama-local" 配置警告:可安全忽略的安全扫描提示 端口占用:查找并终止占用18789端口的进程 插件重复加载:清理重复插件目录 快速修复: 提供一键修复PowerShell脚本

weixin_37572294的博客 1万+

从销售到 AI 算法工程师___转行人工智能大模型 (含面经&裁员幸存指南)

现如今大模型岗位需求越来越大,但是相关岗位人才难求,薪资持续走高,AI运营薪资平均值约18457元,AI工程师薪资平均值约37336元,大模型算法薪资平均值约39607元。大学期间,我看到了一些关于养殖龙虾、稻田套养的资料,就跟我父母商量,让他们承包一块稻田或者鱼塘,养殖龙虾。之所以选择一个和专业相差这么大的岗位,是因为我读过很多销售方面的书籍,也认识一些做销售的人,对销售工作很感兴趣,自己有心成为一个顶级的销售高手。因为听我同学说,数据库大都差不多的,先学个基础,工作中遇到不懂的再问、再搜索就可以了。

jennycisp的博客 1070

GBASE南大通用GBase 8s数据库-从零开始的手动安装与实例配置指南

本文详细介绍了GBASE南大通用GBase 8s数据库的手动安装与实例配置全过程,包括环境准备、用户创建、安装包准备、实例创建、环境变量配置等关键步骤。通过实战经验分享和常见问题解决方案,帮助用户快速掌握GBase 8s数据库的安装与配置技巧,确保数据库稳定运行。

weixin_29209825的博客 455

裁员潮下的生存焦虑,普通人如何用AI逆风翻盘

一名42岁腾讯前员工投出200份简历,仅获3次面试,HR直言:“担心你跟不上节奏”。年初宣布全球裁员5000人,补偿标准从“N+7”缩水至“N+3”,被裁员工直言“算法替代了30%的代码审核工作”。2024年累计裁员2.5万人,第四季度日均裁员40人,有员工上午改需求、下午被HR约谈,工牌当场注销;她直言:“公司靠我生存”。也因业绩未达标单日裁员10%,员工在脉脉吐槽:“融资时有多风光,裁员时就有多狼狈”。被传裁员20%以“优化上市进程”,内部人士却称“优化比例严重失实”,真相扑朔迷离。

程序员笔记 1406

18.EC实战 新建项目工程并配置各个引脚的工作方式(持续更新)

本博文介绍了从零开始新建EC工程及对各个引脚进行了工作模式的初始化配置

qq_30135687的博客 1733

基于STM32开发板的USB MIDI键盘实现

在本文中,我们介绍了如何使用STM32开发板和相应的软件工具来实现USB MIDI键盘。通过配置STM32CubeMX和编写相应的源代码,我们能够将STM32开发板转换为一个功能齐全的USB MIDI设备。我们将使用STM32开发板和相应的软件工具来实现这一功能,并提供相应的源代码供参考。此时,您应该可以使用STM32开发板作为USB MIDI键盘,并在按键按下时听到相应的音符。在STM32CubeMX中,选择适当的STM32型号,并启动一个新的项目。然后,将生成的可执行文件烧录到STM32开发板中。

2301_79326616的博客 1591

AI裁员后悔潮:人机协同落地要避开的五大陷阱

AI技术正加速渗透进企业的生产与管理环节,大模型工具在文本、代码、设计等领域的惊艳表现,让不少决策者产生了“即插即用”的错觉,进而仓促启动以裁员为导向的AI化改造。然而,AI能力的释放高度依赖数据质量、流程标准化与人才储备这三项前置条件,一旦条件不成熟,表面的降本很快会被返工成本、知识断层和业务停滞等隐性损失反噬。真正的AI落地价值不在于替代人,而在于重构任务分工:让AI承担可标准化、低不确定性的重复工作,让人聚焦业务判断、关系维护与最终责任。人机协同的组织模式,才是技术从Demo走向生产力系统的可靠路径。

weixin_34248705的博客 407

Qlib:微软开源的AI量化投资平台 极简入门快速上手教程:使用 Qlib 进行中芯国际股价回测和预测

Qlib是由微软开源的面向AI量化投资的工具包。它提供了构建量化投资模型所需的基础设施,旨在帮助研究者和从业人员更高效地进行量化研究和策略开发。

AI天才研究院 5425

第一批被AI取代的工作出现了,看看有你吗,我们该如何应对?

技术从未消灭价值,它只淘汰不愿进化的人。如经济学家Tyler Cowen所言:“未来属于那些把AI当杠杆的人,而非视其为威胁的鸵鸟。” 

致力于探索人工智能和编码的奇妙世界,为读者提供有关AI技术、编程和科技创新的精彩内容。 1923

YOLOv12改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进

1️⃣ 什么!不知道如何改进模型⁉️ 本专栏所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程,所有改进100%可直接运行,性价比极高。2️⃣ 找不到合适的模块⁉️ 所有改进点均为近三年顶会,顶刊提出的先进算法,将其融入到中,并进行二次创新,新颖度高,创新度高,能够适应不同的任务场景。3️⃣ 不确定自己改进的步骤、结果是否正确⁉️ 订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊,从入门到论文的各种答疑内容,非常适合新手。4️⃣ 团队内发表数篇SCI论

Limiiiing的博客 2万+

Hyperledger Fabric 网络搭建详解

写在前面:博主也是因为一些原因刚刚入坑区块链,我认为在我们入门新技术的时候,入门总是最困难的部分,只要入门了,后面学习起来就会越来越轻松,在网上找了很多文章,我觉得大多条理不是很清楚。本文章会详细介绍fabric(v1.0)环境部署,以及在搭建过程我遇到一些问题及解决方案,希望可以帮助到你们。 博主环境机器:VMware15 Ubuntu16.04 fabric(v1.0)环境部署一、必备软件安装1.ubuntu环境安装2.Go语言3.Docker安装4. Docker-Compose 安装二、Fa.

林中有神君 1万+

企业组织变革与裁员背后的战略逻辑与职场应对策略

组织变革是企业为适应市场环境、提升运营效率而进行的系统性调整,其底层逻辑涉及战略转型、流程优化与资源配置。在数字化转型浪潮下,企业通过结构重组、流程再造和自动化技术应用,旨在构建更敏捷、高效的组织形态。这种变革的核心价值在于提升企业竞争力,应对技术迭代和宏观经济波动。典型的应用场景包括传统行业向新兴领域转型、中后台职能优化以及管理扁平化。本文以近期行业动态为例,剖析了组织变革中常见的驱动因素,如战略重心转移和运营效率优化,并探讨了其对汽车等行业人才结构重塑的深远影响,为职场个体如何构建可持续的职业生涯提供了

weixin_30376083的博客 487

将Keil中的变量数组导出

首先,写好导出数据的函数。

小柚子的博客 1953

AI职场生存指南:72小时完成个人能力图谱AI适配诊断

在AI深度重构岗位能力的当下,‘AI协同能力’已从加分项变为职场准入门槛。其本质并非掌握工具本身,而是理解AI能做什么、不能做什么,并将人类独有的问题定义、异常判断与价值权衡能力,精准嵌入人机协作链路。技术原理上,RAG知识库、结构化提示词与业务语义对齐构成三大基础支撑;工程价值在于以极低成本实现工作流提效与决策支持升级;典型场景覆盖周报生成、客户洞察、合规审查、跨部门流程协调等高频任务。本文聚焦可立即启动的‘72小时AI适配性诊断’方法论,帮助一线从业者识别自身能力图谱中的AI可替代区、协同增强区与人类不

diaohong5075的博客 417

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

企业转型中的结构性裁员与组织效能提升策略分析

在数字化转型与市场竞争加剧的背景下,企业组织效能提升成为关键议题。其核心原理在于通过结构性调整优化资源配置,以适应技术迭代与市场需求变化。这不仅能直接降低运营成本,更能重塑业务流程,为技术创新和战略转型释放资源。从技术价值看,流程自动化(如RPA)与数字化工具的应用,是实现降本增效的重要杠杆。在高端制造、航空等资本与技术密集型行业,这种调整尤为常见,通常伴随着核心业务聚焦与非核心职能外包。以近期某知名企业的裁员计划为例,这并非简单的周期性收缩,而是其面向可持续航空燃料、电气化等未来技术方向进行‘腾笼换鸟’的

weixin_30699955的博客 379

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

头部博主批量卖AI课:是内容变现还是焦虑税?

从内容生态与知识付费的底层概念出发,理解创作者通过流量信任进行商业化变现的原理,是AI时代内容行业的重要课题。技术创作者的价值不仅在于传播知识,更在于提供可验证的工程实践方法。当大量博主以分销形式推广同质化AI课程时,用户更需要借助数据化工具识别营销话术、评估课程质量。本文从创作者变现逻辑、课程分销链路、用户决策框架等技术科普视角切入,结合文本分析等实操手段,帮助用户在AI学习热潮中建立理性判断,并探讨长期主义下博主与用户应如何平衡内容价值与商业利益。

axfcjwkbi259888707的博客 415

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

穿背心儿的程序猿,强势上上上上线了!

(点击收听)— “穿背心儿的程序猿”了解一下? —别人一提起程序猿这个群体,都会有一种刻板印象。“格子衫,眼镜框,邋遢,不修边幅”“很宅,性格木纳没有情趣,多数...

mobilehub 491

微软Xbox组织架构调整:技术视角下的管理扁平化与效率优化

在科技行业,组织架构设计是影响技术团队效率与创新能力的关键因素。其核心原理在于通过合理的层级设置与职责划分,减少信息损耗与决策延迟,从而提升整体产出。从技术价值看,扁平化管理能够加速产品迭代、促进跨团队协作,并优化资源分配。这一理念在游戏开发、云服务及大型平台运维等场景中尤为重要,直接关系到技术栈的演进与团队协作模式。近期微软Xbox部门的架构调整,正是对管理层级冗余问题的深度回应,通过裁员与重组来应对业务复杂性与市场挑战,体现了技术驱动型组织在效率优化与战略聚焦上的实践。

weixin_34248705的博客 365

人形机器人创业生存率:四道硬核关卡与现金流生死线

人形机器人并非单纯的人工智能或仿生学应用,而是强物理约束下的机电系统工程。其核心在于关节扭矩密度、热管理冗余、供应链纵深与现金跑道长度四大刚性指标。技术实现需跨越电机温升控制、单关节MTBF验证、功耗密度优化等底层工程门槛;商业落地则依赖不可分割场景的穿透力、零改造部署能力及可持续的硬件毛利+软件订阅+运维服务三重现金流模型。本文基于32台样机调试、17款关节拆解与11家客户实地验证经验,揭示从EVT样机到量产交付全过程中的真实生存逻辑,尤其聚焦国产谐波减速器替代、伺服系统热管理、现场鲁棒性验证等高频痛点。

weixin_30292745的博客 388

《TRY N1》语法总结

本手册聚焦N1高阶语法,精析129个核心文型,涵盖新闻、学术、文学与商务四大语境。通过“语感剖析”“避坑指南”等模块,深入解析「がてら」「かたがた」「かたわら」等高频难点,强调书面语与口语的分流使用,助力学习者精准掌握敬语、逻辑转折与情感表达,在考场上从容应对复杂语境,实现语言能力的质变飞跃。

倔强禅师的博客 260

AI 写的测试测的是它自己:断言锁死输出,功能改错它也测不出来

AI 生成的测试跑得勤、全绿、上线前不报错,但三个月后维护时发现它已经"测的是自己"——断言用实现逻辑生成期望值,功能改错了测试还是绿的。这篇用一组沙箱演练量"可测性":同一个实现、同一批订单、两版测试(AI 风格·字面量锁死 vs 人写规范·业务谓词),走三组对照。结论反直觉:需求不变时两版测试都绿;需求一演进,A 版测试先误报(锁死输入结构,代码没 bug 却红),"修"完就变成测自己,之后功能改错它照样绿;B 版测试不误报、改错就红。跑得绿不等于测得住。

四六的六专栏 272

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 362
上一篇: docker-compose本地部署FastGPT与简单使用
下一篇: LoRA、完全微调到底有何不同?MIT 21页论文讲明白了
少喝冰美式
博客等级 码龄3年 6854粉丝 517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