- 博客(10)
- 收藏
- 关注
RSS订阅原创 OpenAI员工揭秘AI岗的“通关密码”：面试不是考试，是表演！
最近，看到一位新晋员工的分享，深受震撼。在经历数轮严苛面试后，他最终拿到研究岗的 offer，并写下了一篇“万字面试圣经”，总结了 AI 岗面试的底层逻辑。表演什么？表演你的技术、你的故事、你的领导力，甚至你的真诚。而能否拿到 offer，往往取决于你是否掌握了这场“表演”的技巧。下面，我整理了他的一些核心经验，分享给正在秋招/转岗的朋友。准备面试，可能是人生中回报率最高的事情。这些准备不仅能帮你拿到面试机会，更会反过来锻炼你真正的硬实力。面试官嘴上说“随便聊聊”，心里早已默默打分。
2025-09-16 10:11:16
742
原创 为什么AI简历优化这么流行？真的很好用？
【AI简历优化为何流行？】招聘流程已变，第一关是AI筛选系统（ATS）。传统简历因关键词不匹配常被淘汰，AI优化能精准匹配岗位要求，数据显示可使面试邀约率提升3.2倍。其核心价值在于：自动提取JD高频词、优化表达方式、快速适配不同公司。但需注意，AI仅助力简历通过率，面试仍需真实能力支撑。目前工具如injobAI可3分钟生成匹配简历，并提供模拟面试功能。本质上，AI优化是应对现代招聘规则的效率工具，求职者应善用技术优势，同时夯实自身实力。（149字）
2025-09-15 11:12:56
884
原创 AI求职黄金指南
【摘要】AI时代非技术岗突围指南：本文揭秘互联网大厂岗位红黑榜（推荐产品经理、运营等前台岗，慎选中后台岗），指出AI是确定性风口，重点布局垂类模型和应用层。为转行者提供三步策略：定细分赛道（如AI+金融）、做实战项目、精准投递匹配公司。特别解析AI产品经理核心能力（技术边界感+用户思维），建议通过体验AI工具、制作作品集积累经验。文末介绍创新产品"AI面试官VS求职者"模拟系统，帮助用户提升面试能力。（149字）
2025-09-14 14:45:34
1026
原创 AI对抗：「AI面试官」 VS「 AI 求职者」、探索面试最优解
摘要：文章提出用AI面试官与AI求职者对抗模拟真实面试场景，以解决面试中的信息不对称问题。AI面试官基于大厂考核标准，从五个维度评估求职者；AI求职者则模拟用户简历进行实战演练。这种"军事演习"式对抗能帮助求职者透视面试逻辑、优化回答策略、精准匹配岗位要求，在真实面试前获得上帝视角的学习机会。（148字）
2025-09-13 21:27:23
554
原创 Agent的核心其实还是一种提示词工程
摘要：大模型的核心运作依赖于提示词处理。Agent（智能代理）通过提示词实现规划、记忆、工具调用和行动四大功能：1）规划提示词指导任务拆解；2）记忆提示词串联会话上下文；3）工具提示词实现API调用；4）行动提示词规范输出格式。每次对话本质都是将Agent要素转化为特定提示词输入，通过模型的自回归计算生成响应。这种提示词驱动机制使模型具备任务处理、环境感知和持续学习的能力，形成完整的智能体工作闭环。（149字）
2025-09-11 18:43:51
696
原创 提示词工程：Prompt 基本结构介绍与使用
摘要： Prompt提示词工程是优化大语言模型输出的关键技术。一个有效prompt包含五大要素：明确指令、输入数据、背景信息、输出格式和角色设定。其常用结构为"指令+输入+背景+输出要求"，通过清晰指示（如"总结""解释"）、提供必要内容（如待分析的文本）、补充背景（如受众为小学生）和规范格式（如Markdown表格），可显著提升模型响应质量。例如，要求生成MySQL建表语句时需提供字段细节，解释科学概念时需指定受众认知水平。精准的prompt设计
2025-09-08 10:23:51
661
原创 小团队做 Agent 应用的阶段性反思：从平台到工具、再到为结果负责
《小团队AI产品复盘：从技术平台到价值交付的转型》摘要：本文复盘了小团队在2023年至今开发的3类AI产品经验。首款Mass平台虽技术领先，但遭遇用户使用门槛高、需求演变为定制开发的问题；第二款场景化AI说明书应用虽提升体验，但陷入工具价值质疑困境。最终团队转向InJobAI求职评估系统，通过对面试结果直接负责，构建了包含题库锚点、岗位画像和多Agent协同的核心能力。关键认知包括：技术可行性≠产品可行性，场景化体验≠价值变现，唯有对用户结果负责才能突破工具局限。目前产品聚焦高价值密度的人才测评赛道，通过标
2025-09-07 22:04:06
963
原创 大模型实践分享：在做rag时、如何处理文档中的表格
本文分享了RAG项目中处理表格数据的解决方案。针对表格数据检索后大模型理解困难、合并单元格导致数据混乱等问题，作者提出将表格转换为HTML格式的三步法：1)读取文档表格并识别，2)转换为保留原格式的HTML（含合并单元格处理），3)拼接成新文档进行向量化。该方法有效解决了表格信息提取准确性和大模型理解问题，并展示了实际问答效果。文末还介绍了团队开发的AI模拟面试产品，邀请读者参与内测。
2025-09-04 11:10:18
671
原创 Injob in产品实践：Agent 效果差？先别怪模型——可能是你的“上下文”被污染了
摘要： 构建高效Agent的关键在于优化上下文管理，而非单纯依赖模型能力。常见问题包括上下文污染、过载和工具混淆，导致信息混乱、决策失误。以InjobAI简历生成为例，提出四大策略：1）写入策略：动态加载关键信息，保存中间结果；2）选择策略：动态筛选高优先级内容；3）压缩策略：摘要化冗余信息；4）隔离策略：通过多Agent架构隔离任务，避免交叉污染。实施这些工程化方案可显著提升Agent的稳定性和可靠性。
2025-09-03 15:40:37
1250
原创 纯模型对话、单agent模式、（manus）三元协同agent模式有什么不同
本文探讨了AI写简历的三种模式演进：从纯模型对话的不稳定、易幻觉，到单Agent流程的初步结构化但仍存在角色混淆，最终发展为三元协同多Agent系统（对话-计划-执行）。这种分层架构通过分工协作实现了更稳定、专业的简历生成：对话Agent采集需求，计划Agent制定结构，执行Agents模块化写作。相比前两种模式，三元架构具有纠错成本低、岗位贴合度高、用户体验友好等优势，形成了一条专业化"简历流水线"，显著提升了生成质量和稳定性。
2025-08-27 08:30:00
993
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人