程序员的管理经验

莫比乌斯反演 本文从算法竞赛和数论角度出发,系统介绍了狄利克雷卷积与莫比乌斯反演的核心概念。首先定义了数论函数及其基本性质,重点阐述了狄利克雷卷积的代数结构(交换环)和关键恒等式(如μ*1=ε)。随后通过卷积视角简化了莫比乌斯反演的证明过程。最后将理论提升至抽象代数层面,揭示这些数论工具本质上是偏序集关联代数在整除关系下的特例,其中莫比乌斯函数对应Zeta函数的逆元。全文展现了数学概念从具体到抽象的升华过程,为理解这些工具提供了更深刻的代数视角。 阅读详情

来源:https://juejin.cn/post/6844903729246765069

  • 向下管理

  • 向上管理

  • 左右管理

  • 做一个技术 leader

  • 自我修养

  • 工程师成长

  • 高级工程师

  • 专家 (团队)

  • 大厂对各个级别能力的要求

从一个工程师成长为一个管理者,有很多需要转变的思想,如果你遇到了瓶颈,或许我的经验能帮到你,感谢。

向下管理

  1. 不去写重复的应用代码,去做新的或者更低层的代码研究。

  2. 去关注产品。

  3. 与其他部门,例如 pm 提出的需求,采用 yes,but 模式去回答。而不是以工程师思维来思考,遇到需求先考虑资源是否充足,技术难度等,习惯性的说 no。

  4. 一定要让那些让你满意的人满意,不让你满意的人可以选择性的放弃。

  5. 赋能你的 team staff,看到每个人的优缺点,扬长避短。

  6. 向上多表现,向下多关心,平级多帮助,把荣誉给下属。

  7. 如果能招到一个比你级别高的人,他还心甘情愿在你手下工作,这相当于变相提升了自己的级别。

  8. 在一家高速发展中的公司,做一个技术 leader 最重要的事是招聘,其次是人员管理和技术提升。

  9. 对下属要严格,认真帮助他分析自己的优缺点,并帮助他提升优点,规避缺点,让他做能够发挥他长处的事情。

  10. 管理 team 有一个非常重要的关键点,就是人员的架构。

  11. 关注 PM,QA,后端 RD 的感受,让他们爽,你就会爽,领导总是会从侧面了解你的团队。

  12. 两周做一次 staff 谈话,了解工作状态和诉求,让他多说,自己多听。

  13. 把对 staff 的反馈放在平时,不要积怨,不要将误会加深。

向上管理

  1. 与领导有冲突,事前要理智的分析。要反思。
  • 太快下判断,以为领导要搞你,其实他是为了帮助你。

  • 不要单向控制,向领导隐瞒你工作的过程。

  • 从自己的角度出发,看不全面,一定去跟领导沟通,但是之前要把自己站在老板的角度把细节想明白。

  1. 跟领导谈的时候要注意。
  • 利益要一致。

  • 澄清问题,我的意思是什么,而不是什么。

  • 尊重,尊重对方的情绪。就事论事,行为和人分开。

  • 信赖对方。

  1. 了解你的老板,知道他们在意什么,了解他们的性格和习惯,是阅读型还是倾听型的。

  2. 让老板知道你在做什么。(但不要太细节)

  3. 了解自己的不可替代性,在恰当的时候,跟老板提要求。

  4. 真诚的为公司和老板考虑。

左右管理

  1. 让跟你合作的人舒服,尊重他们。

  2. 做利益交换,达到共赢。

做一个技术 leader

  1. 跟我一起冲。

  2. 发展员工。

  3. 给予 team 成绩,让团队每个人成功。

  4. 沟通和协作,增加 staff 参与感。

  5. 赢得他人的信任,让别人乐于分享他的问题。

  6. 倾向性,给别人确定的答案。

  7. 把自己的 team 当做一家公司,你应该做什么能够让 team 自给自足,并能赚到更多的钱。

  8. 扩大团队影响力,有两个思路

  9. 找到自己团队工作中的痛点,解决它并把他推广到其他 team,甚至打造成一个产品,向社会交付。(比如性能监控平台)

  10. 找到跟你合作的人或者 team 的痛点,开发技术工具来解决,提供合作效率。(比如 UI 切图重命名工具,雪碧图生成器)

  11. 当你成为一个 20 人以上团队的 leader,技术会变得不重要,找到懂技术的人,做技术创新和业务创新,变得更重要。

自我修养

  1. 做的更多一点,做的比你的主管安排给你的任务更多一点。

  2. 熟悉更多业务和代码,不管是不是你写的。

  3. 熟悉端到端,各端的架构和业务。

  4. 自学更多基础和底层的原理性的知识。

  5. 做的更好一点,针对系统和业务里面的不合理的地方,提出并修改他。(向领导展现自己,同时增强自己对业务和代码的熟悉性。)

  6. 通过看书系统性的学习,通过看文章查找疑问点,找寻一些方法。

  7. 将所学的东西真正实践,自己模拟环境写 demo。

  8. 讲给别人听。

工程师成长

高级工程师

  1. 多做一点,尤其是测试。

  2. 交付一个完整产品。

  3. 别人可以继承你的代码,不要有坑。

  4. 提供一个可扩展的系统。

  5. P6 可以自己解决问题。

  6. p6 可以独立解决一件复杂问题。

专家 (团队)

  1. 规范制定

  2. 树榜样,你怎么做,他怎么做。(一级一级的学习,分治和递归)

  3. 拆分复杂问题成小问题的能力。

  4. P7 可以将自己的技术影响力拓展到整个 Team。

  5. P7 可以批量解决复杂问题。

大厂对各个级别能力的要求

Label Studio + SAM2分割半自动标注与yolo11训练 阅读详情

相关推荐

ONNC Open Neural Network Compiler 开源神经网络编译器 一个 开源、模块化、可重用编译器算法和工具链的库,专门针对深度学习加速器(DLA)部署导入ONNX模型

ONNC是一个集合了开源、模块化、可重用编译器算法和工具链的库,专门针对深度学习加速器(DLA)。ONNC从底层开始构建,旨在将ONNX中间表示(IR)翻译成专有DLA代码。其软件架构设计强调可移植性和可重用性,从而简化了开发新后端的工作。上图展示了ONNC软件栈的顶层框图。软件栈从导入ONNX计算图模型到输出相应的硬件二进制文件,展示了各个功能块。

万有文的博客 1998

程序员转管理的关键4步!

最近读到一篇文章,讲一个美国创业者总结的培养领导力的4个阶段。 我觉得这对于很多非管理序列的程序员来说都很有帮助,无论以后是不是走管理序列,这4点对于你学会向上管理和沟通都很有用! 当然,这对于那些需要补足领导力的技术leader也很有启发作用!很多leader是被时代的机遇推到了领导的位置,但他们并没有准备好当个领导,也不知道怎么更好更快速培养自己的领导力。 熟悉业务 熟悉业务才知道问题出自哪里,以及如何解决。 我见过的很多工作十几年的技术大佬,他们同时也...

公众号:程序员云课堂 666

ANSYS_APDL实战入门——从零开始掌握模态分析

本文为ANSYS APDL模态分析实战入门指南,通过一个悬臂梁案例,手把手教你从零开始掌握APDL命令流。内容涵盖从模型创建、材料定义、网格划分到边界条件设置、求解及后处理结果查看的全流程,帮助工程师快速上手结构动力学分析,避免共振风险。

egg99的博客 1132

如何培养程序员的领导力?

领导力不仅仅是管理层的专属能力,对于程序员来说也同样重要。在软件开发过程中,程序员往往需要协调资源、管理团队、解决问题并推动项目进展。因此,培养程序员的领导力对于提升团队效率、促进项目成功具有至关重要的作用。本文将从以下几个方面探讨如何培养程序员的领导力。

软件行业技术文化交流。 1241

sysrepo 开发者指南(一个基于libyang与支持rpc的数据库)

sysrepo 开发者指南(一个基于libyang与支持rpc的数据库) 日志记录 默认情况下,所有 Sysrepo 日志记录都处于关闭状态。如果启用,日志消息有 3 种输出。它们可以写入stderr、由 处理syslog或简单地传递给回调。 请务必注意,启用 Sysrepo 日志记录也会修改libyang日志记录设置。错误消息被视为标准 Sysrepo 错误,其他严重性较低的消息完全隐藏。要更改此行为,只需在启用 Sysrepo 日志记录后调整libyang日志记录设置。 此外,几乎每个 Sysrepo

weixin_43489394的博客 9233

AxMath行间公式转化为office公式求和符号以及编号显示问题

AxMath行间公式转化为office公式求和符号以及编号显示问题问题描述解决方法 问题描述 首先打出axmath公式,如下: 转换后的OfficeMath公式: 字体先不说,word公式字体默认cambria math且无法编辑。比较难受的一点是求和符号与后面的 ai+bi2a_i+b_i^2ai​+bi2​比例不匹配啊!正常的比例应该是: (虽然也不太正常,将就下) 解决方法 点击变换后的office公式右侧,选择更改为"显示" 可以看到,多了一些软回车符号(⬇),如果你想删除它,不要直接选中

weixin_43543177的博客 4670

程序员到三十岁之后需要转行或者转管理吗

现在,让我们回过头回答一下“青春饭”的问题。在“青春饭”小节中提到,“程序员到三十岁之后需要转行或者转管理吗?”   上文提到,工业化生产的四个领域,1,创意,2,生产线,3,高级技工,4,技术管理。Web前端技术也是如此,可以在这四个领域找到各自的归宿。   第一,“创意“   即和产品需求越走越近,拥有良好的产品感,对产品需求、设计交互把握准确,能够用适当的技术方

wsnbjj的专栏 4372

DPO(Direct Preference Optimization)实战全流程指南

《DPO实战全流程指南》摘要 本文提供了端到端的DPO(直接偏好优化)实战方案,包含数据准备、模型训练、评估部署全流程。核心内容包括: 数据构建:推荐UltraFeedback等高质量数据集,提供数据预处理代码 训练配置:基于HuggingFace TRL库的DPO实现,详解beta值等关键参数调优 工业优化:显存节省技巧(LoRA、梯度检查点)、领域自适应方法和在线学习架构 效果评估:量化对比显示DPO可降低86%有害回复率,提升24%用户满意度 常见问题:针对灾难性遗忘、过度安全化等问题给出解决方案 附

技术引领业务创新 1468

程序员怎么做项目管理?

(小灰养了一只小小灰,希望为大家带来好运气)小灰身边不乏很多优秀的程序员,他们很擅长与机器和代码打交道。当他独立写代码、单打独斗的时候,一点不在话下。但是,当一个优秀的...

程序员小灰的博客 2817

【纯干货分享】常用高速接口眼图模板合集

文章汇集了常见的高速接口的信号眼图测试模板技术要求,比如,LPDDR5/4、PCIe 5.0/4.0、USB、MIPI等等,方便工程师快速进行查询和使用。

一只豌豆象的博客 3119

基于 Simulink 的**单相全桥 LLC 谐振双向 DC-DC 变换器(带软开关特性)**实战教程

原边(Primary):全桥逆变电路(4个 MOSFET/IGBT),将直流斩波为高频方波。变压器:提供电气隔离和电压变比。副边(Secondary):全波或全桥整流电路(同步整流或二极管)。

xiaoheshang_123的博客 55

大厂程序员成长路径

5. 首席科学家阶段(12-15年):在这个阶段,程序员已经成为公司乃至行业的技术权威人士,具备极高的声誉和影响力。此外,他们还需要培养新一代的技术人才,传承经验和知识。5. 技术总监阶段(12-15年):在这个阶段,程序员已经成为公司的技术领袖,具备丰富的经验和深厚的技术功底。3. 高级工程师阶段(5-8年):在这个阶段,程序员已经成为某一领域的专家,具备独立解决复杂问题的能力。需要注意的是,以上成长路径仅供参考,是比较理想的成长路径,具体的成长速度和发展方向还会受到个人兴趣、能力和公司需求的影响。

weixin_43576901的博客 2416

基于 ESP32 的智能药盒提醒装置设计与实现

本装置基于 ESP32 实现了智能药盒的核心功能,硬件选型兼顾成本与实用性,软件设计模块化、易拓展。后续可通过 ESP32 的 WiFi 模块接入物联网平台(如阿里云、OneNet),实现远程设置提醒、服药状态反馈等功能,进一步提升智能化水平。该装置能有效解决老人忘服药问题,具有较高的实用价值与推广潜力。

weixin_42300449的博客 1046

程序员的精力呵护指南!来自十年程序员的精力管理经验

有同学在星球询问了我精力管理相关的问题,问我白天要工作,晚上回家还要写文章,是怎么保持好一天的精力的。 我在这里分享下自己的一些经验。 程序员这个职业比较特殊,可以说是时间投入很大的一个职业,就算工作上没有那么忙,但回到家还是需要持续的学习,持续的充电,反正就是那种,恨不得把一天的24小时当48小时来用的职业。 我觉得程序员的精力管理也有其特殊之处。 先来分享下,一些比较容易消耗程序员精力...

勇往直前的专栏 376

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

某年轻程序员吐槽大龄程序员“太水”:技术水平低,经验都过时,看不起新人,不服从管理!...

一般而言,在一个行业里深耕的时间越长,经验越丰富,技术越纯熟,越会被人尊重,但许多人却觉得大龄程序员不受欢迎,这是为什么呢?一个程序员发帖吐槽组里的大龄程序员:1.技术水平相当于应届一两年...

架构师小秘圈 515

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

程序员笔记(知识)管理的一点经验

记笔记这件事,也许在很多人看来,再普通、简单不过了——从小老师就教育我们要这么做。不同的人有不同的方式,我们最终的目的,还是希望不要停留在只是记录这一层面上,而是将它们转变为我们的知识。作为一个程序员,今天我跟大家聊聊我的一些笔记管理的方法,希望对大家有用。如果大家还有更好的方式,也欢迎留言一起探讨。知识学习的路径首先聊聊知识学习的路径。讲得宏大一点,我们得先有方法论。知识学习的途径可以分为以下几...

weixin_33754913的博客 124

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")

大龄程序员经验那么丰富,为什么很多公司都不招?

别成天拿着什么精力,什么学习说事。 先自己想想一个问题,一个1-3年,甚至3-5年的程序员拿着大把的精力加班在干什么? 学习老程序员已经学完的? 过老程序员已经过完的坑? 从0开发老程...

clhq71932的博客 192

写笔记插件_程序员笔记管理的一点经验。

记笔记这件事,也许在很多人看来,再普通、简单不过了——从小老师就教育我们要这么做。不同的人有不同的方式,我们最终的目的,还是希望不要停留在只是记录这一层面上,而是将它们转变为我们的知识。作为一个程序员,今天我跟大家聊聊我的一些笔记管理的方法,希望对大家有用。如果大家还有更好的方式,也欢迎留言一起探讨。知识学习的路径首先聊聊知识学习的路径。讲得宏大一点,我们得先有方法论。知识学习的途径可以分为以下几...

weixin_39953356的博客 152

一个老程序员的一些职场经验分享

有一些关于职场的经验,当然有一些是以前总结过的,现在归类总结一下,上半部分是通用职场,下半部分是程序员专用。 一、通用职场 1)很多人认为事情做得多,事情做得好就能晋升是个广泛的误区,事情做的多,做得好并不代表你可以晋升,只能代表你的熟练程度提高了。晋升的基本原则是你提前具备了下一个等级的能力,然后有遇到或者自己创造了一个机会,最后顺利晋升到下一级别岗位。 2)主动找上级沟通,不管上级风格如何,是严厉型、和蔼型、放羊型我们都要定期或者不定期找上级沟通工作任务的想法和意愿。认真倾听上级对自己的看法,设法

陈小房的自我修炼 6507

程序员的精益成长指南4:做技术管理的一些经验

这篇文章是极客时间APP专栏《朱赟的技术管理课》的学习笔记,这个专栏很不错,不过我是买的书,专栏集结初出版的《跃迁,从技术到管理的硅谷路径》,推荐大家看看。 1.从给答案到做引导 首先,什么时候适合直接给答案,什么时候适合给线索让对方自己找式 我觉得,如果是一个新人,当他刚进入全新的领域,或者所问问题的答案就是某些知识点时,不妨直接给出答案或知识点。因为这些问题,即便他全然没有线索,我们也不可能让...

前端全栈开发者 713

30岁程序员转行做管理:没经验焦虑不安怎么办?

小编是一个多年开发经验的程序员,前端、Java、Python我都懂,作为程序员,如果有一天厌倦了枯燥无味的代码,再加上年龄随着工作年限的增加而增加,不少人选择了转行做管理。近日,在脉脉上看到一位网友发帖,从某大厂离职后,做起了小leader,但由于没有经验,对于自己的职业生涯有点迷惑。从某大厂离职,30+,去某创业公司当了个小leader,手下15个人,之前没有管理经验,没当过主管,本人就面善,好欺负的那种,怕下面的对着干,很焦虑不安正常吗,你们都是怎么过来的啊,各位大佬。

2201_75571291的博客 548

十年带队经验,万字长文分享:如何管理好一个程序员团队?

全文1.6万字,断断续续写了一个月,把我从2011年开始带团队所积累的所有经验和思考都毫无保留的分享给大家,希望能够给大家一点点启发。

Leo的博客 2885

在北京三年java开发经验月薪16k,如何在四年经验时要到20k?

3年JAVA程序员的自评 半道出家的程序员,从不伪造简历,起点低,三年时才16k月薪*14在北京,认为混的比较差。 当然补充一句,不要拿应届生的所谓待遇来比,不是你比不起,而是这么比没意义,应届生接触了四年计算机相关领域,你到现在接触这个行业也不到四年,应届生还有应届优势,你没有,所以这种半道出家的和应届生比毫无意义。举一个例子吧,那个培训班30人,上到框架那里就剩10个了,剩下20个与编

yalin7076的博客 3万+

程序员的一点经验

展望未来,总结过去10年的程序员生涯,给程序员小弟弟小妹妹们的一些总结性忠告。 走过的路,回忆起来是那么曲折,把自己的一些心得体会分享给程序员兄弟姐妹们,虽然时代在变化,但是很可能你也会走我已经做过的10年的路程,有些心得体会你可以借鉴一下,觉得说得有道理的你就接纳,觉得说得没道理的,你就抛弃,以下是我发自内心的,给大家的忠告,特别是针对那些小弟弟妹妹们。 01

mmp591的博客 243
上一篇: H5 - 手机 APP 接入支付宝、微信、银联支付流程汇总
下一篇: 方案设计-实现地图导航
熊崽_张
博客等级 码龄16年 68粉丝 63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