workflower的博客

回想一下，在化学制品跟踪系统中有一个主要功能是允许称为请求者的操作员提出对化学制品的请求，这一请求可以由化学制品仓库中的存货清单来执行完成，也可以通过向外界供应商发出订单来执行完成。这样的系统是有限状态机的例子。实时系统的状态转换图除了包括一个空闲状态外，与图1 0 - 3所示的相类似，在这种系统中，当系统不再执行其它处理时就返回空闲状态。当“化学制品跟踪系统”的用户代表评审最初的化学制品请求的状态转换图时，他们发现有一个不必要的状态，另外有一个必不可少的状态但分析者却没有记录，还有两个不正确的转换。

做过图像识别科创或者毕设的，如果问车牌识别算法，回答都是调用现成的，要是问系统里如何处理数据或者只能问答的，回答都是调用的API。面试通过后，个个都是人才，选导师就像翻牌子，今天跟这个明天换另一个，或者给导师个试用期，不行半年就换导师，不让换就去天台直播。自述部分流畅，声情并茂，无论英文还是中文的，但用英文一提问，回答基本全都支支吾吾的，有的直接放弃了，听不懂问的什么；要是问对研究生阶段的规划，回答都是第一年上课，第二年做研究，第三年写论文，其实心里都想说第三年考公，只是不能说；那一套，或者小程序。

建议从最小可行性产品（MVP）开始测试，例如先用1周时间开发一个Chrome插件验证市场，比过度规划更易抓住AI红利窗口期。版权红线：训练数据需确认授权，避免使用DeepSeek生成侵权代码。技术兜底：AI生成代码必须人工审查安全漏洞（如SQL注入风险）：用DeepSeek生成代码示例，制作“AI+具体场景”教程。：用DeepSeek完成70%基础代码，专注高价值部分。：用DeepSeek生成代码框架，快速开发细分工具。本地生活：餐厅菜单AI设计器（自动排版+文案生成）

AI能快速生成模板代码、调试简单Bug、编写测试用例，初级程序员的基础编码需求可能减少。：需求分析、代码审查、AI生成结果的优化与适配、复杂系统设计等能力变得更重要。：AI工具降低开发成本后，更多中小型企业可能尝试数字化，反而创造更多项目需求，需要程序员（包括初级）参与落地。：企业可能更看重对AI工具的理解（如提示词工程、模型微调）、代码架构设计能力，而非单纯的手写代码速度。：AI难以替代对业务场景的理解（如金融、医疗行业的合规逻辑），初级程序员可结合领域知识提升竞争力。

**批改作业**：AI可快速评估客观题（如选择题），甚至通过NLP分析主观题的结构和关键词（如Turnitin检查抄袭），但对创新性、逻辑严密性、情感表达的判断仍不成熟。- **教师的角色转变**：教师可能从“知识传授者”转向“学习引导者”，需设计AI无法替代的互动活动（如辩论、项目实践），并关注学生的情感需求（如学习动机、抗挫能力）。**问题**：若全流程依赖AI，可能陷入“AI应付AI”的循环，学生可能通过“优化提示词”而非真正学习来通过考核。### **3. 可能的未来场景**

1998年的相纸里，老教授掉漆的搪瓷缸与我冒着热气的康师傅泡面依偎在一起，背后黑板上未擦去的荷马史诗选段，正被窗外施工中的"双一流学科大楼"探照灯打成碎片。昨天路过新建的"校友捐赠榜"电子屏，看见那个总在课堂打瞌睡的男孩，正将父亲捐赠的实验室大楼照片设置成微信头像，鎏金门牌折射出的光斑，恰好遮住了他永远空白的课堂笔记。我终于读懂了教室监控探头的隐喻——这个悬挂在讲台上方的机械瞳孔，记录的不再是柏拉图与亚里士多德式的精神漫步，而是随时可能引爆热搜的定时炸弹。

玻璃幕墙外，教学楼早已隐入黑暗，只有零星几个窗口亮着——那是熬夜改论文的同事，和我一样，正在用咖啡对抗最后一丝良知的啃噬。现在他们交来的课程论文，连查重系统都懒得标红的拼凑文字里，藏着某种心照不宣的默契：我们互相配合完成这场名为"高等教育"的过场动画。有人把大学教师比作骑自行车的人，左手扶着教学，右手握着科研，车筐里塞满行政事务，头顶还要顶着人才项目的金苹果。但没人告诉我们，当车轮碾过理想主义的碎石路时，最先破碎的究竟是车铃铛清脆的响声，还是后视镜里那个初登讲台时涨红脸的自己。

年轻同事谈论着K8s和区块链时，我总想起1999年那个暴雨夜，和隔壁工位的姑娘挤在CRT显示器前，颤抖着按下F5键时，千年虫警报骤然响彻整栋大楼。记得为优化三行汇编代码熬到晨光熹微，机房空调的嗡鸣里，年轻的眼睛亮得能烧穿夜幕。最残酷的不是技术迭代，而是某天忽然发现，我们曾引以为傲的代码，在Git历史里沉默得像个遗迹。但当我看见凌晨三点的编译进度条，恍惚又触摸到那个对着Turbo C热泪盈眶的少年——原来程序员的浪漫，从来不是改变世界，而是在永恒流动的比特河中，固执地打捞着初见的星光。

有的程序，看思路，就知道这人精神不正常。

航天人，看着能人辈出，虽然自己早已跟不上步伐，但看着新技术不断进步，事业不断发展，也倍感欣慰；化工材料人，想想不久以前还从事的天坑专业，现在也是蓬勃发展，总有领先的材料产生，虽然自己老了，但自己钟爱的事业没有没落，心中也是自豪；教育者，教了一届又一届，考试题越出越简单，人才越来越少，临近退休，看着自己钟爱的事业最后这么收场，心中会欣慰还是会自豪？

如果反过来先学简单的语言，如python，当需要C/C++这类语言时，还要花费更多精力。还有个原因就是，类似python这类容易上手的语言，大家都容易上手；最后一个原因，每种语言擅长的方面不一样，python擅长算法，擅长处理集合数据，它的诞生就是为了这个，C++比较底层，但不擅长数值计算，各自擅长的方面不一样。编程已成为当代大学生的必备技能，但面对众多编程语言和学习资源，新生们常常感到迷茫。如何制定有效的学习计划？让我们一起探讨大学新生入门编程的最佳路径，为你的大学生活和未来职业发展打下坚实基础。

很多时候他自己不知道自己不懂，但仍然习惯性地认为自己是懂的。搞不定的事去问别人，别人讲了，但他习惯性地先否定，同时去按自己的套路在陌生的领域寻找答案。为什么老师最容易被骗子盯上，而且还屡屡得手，就是因为他觉得自己很懂，骗子给的逻辑说得通，没有理由不相信，甚至还为骗子说好话，悲哀。你知道的越多，就越是喜欢独立思考，也就习惯于怀疑一切，走到另一个极端，那就是听不进去别人说的。世界上最远的距离还不是用米度量那种，是思维的距离最远。如果是老师，一个学科建设的申报书能让他活活地写成怪胎；

要说的不是指教育投资、课堂内容开发、技术引入、商业赞助品牌赞助、学费和贷款、跨国教育这些，说的也不是教育资源商品化，说的是学一门课程，也只是在上课那90分钟学一会，然后就没了。即便是和珅，他发财靠的也不是他那张帅脸，靠的也是动脑筋。

随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。：随着AI处理某些重复性和基础性的编程任务，程序员的工作内容正在向更高层次的任务转移。：随着AI技术的普及，对于具备AI技能的程序员的需求日益增加。这导致了在某些领域（如机器学习、数据科学）的程序员需求增加，而在其他可能被AI工具替代的传统岗位上，需求可能减少。在快速发展的技术环境中，保持学习的积极性，跟踪最新的技术趋势和研究进展。

如何看待IBM中国研发部裁员？近日，IBM中国宣布撤出在华两大研发中心，引发了IT行业对于跨国公司在华研发战略的广泛讨论。这一决定不仅影响了众多IT从业者的职业发展，也让人思考全球化背景下中国IT产业的竞争力和未来发展方向。面对这一突如其来的变化，我们应该如何看待跨国公司的决策？中国IT人才该如何应对？中国IT产业又将何去何从？

如果教育者没了良心，那也远没到人渣的地步，被教育者永远是受害者。考场上，学生左顾右盼的被老师看到了，学生脸一红，规矩了很多，这就是信任在起作用，因为双方都默认了这一行为；学生准备的小纸条被老师看到了，学生说不是自己的，是风吹到他桌子上的，这就是没信任，而且要老师拿出证据证明这个纸条是这个学生的，否则就告这个老师骚扰，这已经是道德沦丧了。学生质疑老师给的分数，要求查试卷，这就是没信任，查了试卷，指着错的说那是对的，还有的说那字不是自己写上去的，这种指鹿为马的行为不是没发生过，已经超出诚信范畴了。

小吴从985的计算机专业博士毕业，新入职某双非大学，虽然没办法入职更好的高校，还签了一大堆科研任务的合同，但每每想起自己念了那么多年的书，终于能换个位置让别人听自己上课了，看着那一双双求知的眼神看着自己，脑海中充满了教书育人的使命感，一种莫名的、美美的优越感也跟着出来了。但第二年，领导又找小吴谈了谈，说希望继续提高及格率，这次是教务处要求的，他也没办法。第六年开始，小吴已经看不出教学上还能做些什么有价值的事，课上的也少了，课堂上，小吴面对一双双空洞的眼神，也回以不失尴尬的微笑，只是这微笑从此以后都是假的。

所以，先建立逻辑最重要，而且还必须是正确的逻辑，因为不同的人有不同的世界观，对于容易陷入极端的人来说，他们有他们的一套逻辑，还挺完整的，但从编程、与人交往就能发现问题，这种逻辑比没逻辑更恐怖。这部分其实是遥远的未来软件设计的启蒙和基础，面向对象不是学习类、继承和多态语法怎么写，是针对现实需求如何划分类，这个最重要，也很难学，因为这属于理解性很强的知识，不确定性非常大，并无标准答案，有点类似英语考试中的阅读理解，只有学会和答案理解的相同才能答对。当然上课老师也会讲，慕课就不用看了，教材自己就能看懂。

这些方面，希望对大家有用。

又跑偏了，学生自己有进展、能积极和老师讨论问题，尤其是触发了老师的新想法，虽然学生自己还是稀里糊涂的，但老师会认为和这个学生讨论问题有价值，这就是高兴的含义。老师希望的是：带一个能认可自己的学生，带几年，包括做点科研，做点项目，只要认真做，有贡献最好，实在没贡献太笨的，多数老师尤其年龄偏大的不太在意，只要学生人品让人放心他就能帮忙。所以，教育这事，真不是单向的。尊重是相互的，不尊重也是相互的，双方配合好就能良性循环，有一方不配合大环境就恶化，而且是不可逆的那种，需要几代人努力才可能恢复，代价太大。

20世纪前10年，软件业开发繁荣，其他编程语言也逐渐多了起来，比如PowerBuilder等等，学生在大学里实践的机会也增多，只要想参与，很少有掉队的。近10年，参与软件项目实践的机会更多，参与的学生也不少，但目的开始多样化，能坚持到最后小有成就的，变得风毛菱角。我们的软件业，都是对标国际最先进的产业的，市场竞争越来越大。还有句新词“00后整顿职场”，其实，还是。“当下，经济环境不好，学计算机的找工作困难”，这句常说的话差不多成了普遍共识，这句话里，“经济环境不好”在前，似乎是原因，导致了没工作这个结果。

如果你有价值了，导师自然不会用“多年的感情”挽留你，会用“万恶的人民币”挽留你，留不下你这个有价值的大佬他项目怎么办。跟项目负责人学习如何做需求、如何与用户打交道、如何调研、调研都关注哪些问题、最终这些需求如何变成设计方案的，等等，以后在工作岗位上，这些技能都不太可能轻易被分享，一个小白要多花几年才能逐渐体会到这些工程上的方法和捷径。最后发现，读别人代码等于被迫理解别人的思路，思路好也罢就当学习了，别人的思路很差时，不但自己白花精力，最后的结果还是自己重写代码。如果这个项目是从需求开始的，那是最理想的。

如果这个学生，关心的是一会要提问，记平时成绩，那他上课不敢睡觉，会留意老师说的每句话，但知识并未过脑子，那他的格局就是这一节课而已；如果这个学生，听到未经初始化的指针，能联想到未经初始化的变量，如果未赋初值直接使用造成的后能做个对比，那他的格局就是自己的专业；如果这个学生，听到这部分知识时，不但能考虑内存使用风险，而且还能考虑如何在工程项目上避免，那他的格局就是未来的职业生涯；听课也有格局，举个例子，比如学指针，指针要初始化，未经初始化的指针，直接对其操作会造成严重的后果。

AI辅助教学浪潮真是风起云涌，不会写代码的人和会写代码的人中间有一道鸿沟，跨过去的人都懂，学编程就是学逻辑，学编程思维、计算思维，AI怎么启发你学，训练这些难道不是要亲自学吗？学会后，才能考虑借助AI辅助处理更复杂的问题。所以说，这一波泡沫，能骗得了小白，骗不了程序猿。

因为初学阶段学生不懂一个项目、一个复杂实验如何分解，也不知道科学验证的一个个环节，自然就不会动自己的任务在项目中的作用，必须等到入门后才能理解项目、实验的整体，再回头审视自己所做的工作有没有意义。绩点派主要研究各科考试，天天跟学长讨教经验如何考第一，而且还不够，还研究如何甩第二的几条街，刷题是日常生活，基本不参与科研，偶尔会参与一点那种抄个上百页就能获奖的水赛。此外，最纠结的还是那些学生活动的各种证书，都知道没用，但能加分，所以不得不花时间去应付，但所有这类经历获得的证书都将成为面试的减分项。

但最重要的有两点：一个是听课，如果只为了成绩，他讲什么就考什么，如果为了学知识，他讲的内容还是那个内容，但大概率已经不是那个思想了，比如程序设计，讲的内容是循环，实际上老师用循环这个规则通过一个例子在讲计算逻辑、思维逻辑，而这个学生恰恰逻辑性差、或者具有极强的逻辑性但都是跑偏的逻辑，恰恰他觉得老师就是在念ppt，啥也不是的老师。从入学那天起，一个大学生每天接收到的主要信息之一，就是上课，各科老师教知识、分享学业和前途，之二就是来自辅导员的各类政工相关的活动，之三就是周围同学的状态。

土木、生化环材这些专业，都得靠模糊宣传、兜售、挂yt等等方法才能招到学生，如今轮到985了。试想，这些专业之前花好几十万搞的工程认证，聘请、邀请各种专家来校又是指导工作又是讲座，耗费了老师们日常大量精力做的一流专业，现如今，长期招生不足就只能面临裁撤。当老师现如今不火了，那是因为商业化的教育要求的太多，臣妾已经做不到了。2024的高考志愿，警校都600多分，体制太香了。体制的香不是规定的，也没有政策引导，是老百姓看出来的，老百姓看懂了。今年的高考，再次印证了那个事实：商业化的教育里，商业优先。

初学py的人，都有过C语言的启蒙了，为什么不给出py擅长解决的问题做例子？为什么那么多教材都用这样的例子？

如果你在学习机器学习，深度学习的过程中遭遇挫折，多半是由于数学知识的阻碍。试想我们在大学里学的高等数上下册、线性代数、概率与数理统计，每一门课程都要学习1个学期，所以短时间是无法快速提高的。数学是有严谨的逻辑和推理关系，比如极限是微积分的基础，微积分是概率的基础，概率又是机器学习算法的基础。直接学习最后的算法当然容易蒙圈，上来就看周志华老师的《机器学习》西瓜书能学懂的都是顶级高手，正确的路径是从基础学起结合高级算法彼此促进理解。AI 扒开来看就是算法，也就是数学、概率论、统计学、各种数学理论的体现。

偶然间看到了自己多年前写的代码。调试过多线程的都会懂！

代码查重软件

匠艺整洁之道：程序员的职业修养

每年都有刷三观的事发生，期待2024，再刷三观。

对于深度学习领域的毕业论文绝大多数都是胡编乱造的。这几年见过的上百篇，这个样本数据量够大了吧，最多1-2篇，算有一些改进，其他的离谱到家了。什么随机森林、决策树、注意力机制...各种方法组合堆砌一下，就是创新，造出一批数据，效果不行就改数据的标签，或者直接篡改结果，对比一下就说效果优秀。更离谱的，有个去噪声的论文，因为原始数据里没噪声，自己仿真一点噪声加进去再去掉，但加噪声和去噪声用的方法相同，就像自己藏的东西自己找，肯定比别人找的准确率高。

这里其实主要强调的是他的学习过程。但逐渐地，他开始能够和老师讨论方案，直到成长为能看出老师算法逻辑的错误。其实看他的成长经历，也没特别之处，他就是赢在了学会之前无条件信任老师。在不懂之前，老师给的任务，或者给的实现方案，即使还不明白，甚至怀疑它的用处，都照做不误。其实他是那种无条件选择相信老师的学生，个人能力逐渐显露几次后，老师开始交给他更重要的任务，不知不觉过了1年半。项目研发过程，积累了软著、专利、论文等很多成果，水到渠成，最后保研去了一个不错的学校，所有的努力都没浪费，完美的一个培养过程。

生活中，每天面对的事情，除了负面的，也有正面的。努力吧。

生意

2024年，计算机相关专业还值得选择吗？竞争太大，无非是因为自己没学到知识，竞争不过多会那么一丢丢的同行而已，又赶上了这两年特殊的国际环境和经济环境，这一尴尬现状带来的影响又给放大了无数倍；不是计算机相关专业还能不能选的问题，是能不能学会的问题！

借助于ChatGPT噱头，当下国内又刮起了一股AI赋能教学的怪风，各路教育大碗纷纷跳出来指点教育届的江山，仿佛又一个风口在呼唤着吃瓜群众。

实际上，开发游戏是软件开发专业，比打游戏难多了，汽车专业，除了机械设计还要懂机电一体化等等，人工智能专业需要先学好数学，和小爱没任何关系。如果你对特定专业有浓厚的兴趣，并且希望将来从事相关领域的工作，那么选择好专业可能更为重要。好专业和好学校不能兼得的前提下，先排除掉自己绝对不读的那些专业，对自己能接受的那些专业，考察其考研难度以及读研后的就业前景再做一次筛选吧。然而，选择一所好的学校也有其优势，因为一流的学校通常拥有更好的师资力量、教学资源和校友网络，这些都可以为你的学习和职业发展提供更多的支持和机会。