做一个”合格“的程序员(二)——学习管理

本文探讨了个人如何通过自我管理提高效率的方法,强调了从管理时间、精力到形成良好习惯的重要性。文章将人的行为模式简化为心理、态度和行为三个阶段,并借鉴程序执行的逻辑顺序来说明高效做事的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一个会学习的人肯定是一个会管理的人,而作为管理的出发点,就是管理自己的时间开始,再是管理自己的精力,管理自己的心理、态度、行为,最后就是形成了自己的思考、行为习惯,最后得到了计划中的三观和人生。

一个机器人可以由程序控制,那么这个程序就是这个机器人的管理者,管理者可以设置机器人的任何操作行为和属性。人作为一个个体,更能管理自己,做管理最大的天敌就是不自律毅力差,这两者的来源就是自己对于自我管理的目的、绩效、结果不清楚。

为什么程序是最高效的工具,那是因为程序不会受到人的主观意志的影响,不会受到外界诱惑的吸引,这里的诱惑包括很多在人的欲望中存在的各种心理,一切行为都来源于心里,行为既是心理偏向的实践结果,而态度则是心理的偏好的代名词。

心理—>态度-->行为。顺序-->逻辑-->事件。

程序在乎逻辑和流程,逻辑和流程就是顺序,逻辑正确、算法最优,程序执行的时间就是最短的,程序就是一个高效的工具。做事的正确方法=高效的做事顺序,所以管理既是设定做事(事件)逻辑顺序。以最优化的顺序做事,从基础到高深,从复杂到分块,由量变到质变。

转载于:https://www.cnblogs.com/damonzjw/p/7155313.html

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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