帖子
文章
问答
帖子
文章
问答
主席顾问团
大家发现没，你如果原来在团队就喜欢带人的，往往AI工具就用的很好。用AI本质就是带AI这个徒弟，让AI更加懂你。但是现实情况是很多开发人员，用AI的时候尝试几次没法解决复杂问题，直接就give up了。固有思维就是AI不行，思维转变应该是如何让AI行。
加了一个星期的班，比起工作，更让我窒息的是即将到来的新年，它意味着又一个不敢回去过年的春节。
如果父母如果真像一些营销帖子里一样，愚昧蛮横不讲理、重男轻女、拿我换彩礼之类的，我反而更加能狠下心不管不想。但偏偏他们只是基于自己的认知，觉得我过得不好，为我一把年纪”没人要”真的伤心哭泣，催婚也不敢做得太过分，只是说不想过年孤单。那一刻我想我要是有兄弟姐妹就好了，我就能心安理得的逃避了。父母的认知无法改变，与原生家庭和解，似乎是一辈子的功课。
最让我矛盾的是，我内心其实向往婚姻。我也希望能遇到一个人，彼此依靠，分享生活。我常常剖析自己：性格还算温和，工作生活也能平衡，聊天兴趣也广泛，对物质条件也没什么硬性要求，可为什么就是碰不到对的人呢？我确实没有all in在这个事情上，醉心工作这几年，也可能错过了很多潜在的有好感的对象。但是回想我可笑的感情经历，短短三段集齐了冷暴力、出轨、脚踏两只船等各种因素。忍不住想：“我没那个命吧TA没道理爱上我”，可能我注定无法谈上一段正常的甜甜恋爱吧。。。
或许有些问题无法靠线性推导解决，只能交给时间和际遇去模糊匹配。新年将至，愿我们都能在理不清的代码与人生里，找到让自己平静运行的补丁。。。
是我太较真了？AI提效宣称的是不是有点自欺欺人了？
感觉团队里很多时候，工作似乎更侧重于“汇报”——比如这个月要推这个功能，下个月又要上新另一个能力，追求节奏和曝光。但对于功能本身的体验，比如交互的流畅性、细节的打磨、让用户用的更舒服，反而投入有限。
有时候会觉得，我们是不是少了一点“做精品”的耐心，而更倾向于追求比较宏大、但落地粗糙的功能？这种打法真的可持续吗？偶尔会自我怀疑，是我太较真了，还是互联网节奏本身就该这样？
有同感的兄弟们抠个1。想听听大家的看法，也有类似的感觉吗？
结合最近 DeepSeek 的一些动作，感觉春节前后发布新模型的概率很大啊。DeepSeek在GitHub更新代码，出现神秘“MODEL1”标识符，与现有V32架构存在技术差异，暗示全新模型可能在2月农历新年期间发布。该模型有望整合优化残差连接和AI记忆模块等最新研究成果。
就在刚刚，马斯克正式宣布开源 𝕏（原 Twitter）平台的推荐算法代码。与此同时，𝕏 工程团队（@XEng）确认，新版算法已完成底层重构，全面采用了与 xAI 的 Grok 模型相同的 Transformer 架构，这也标志着 𝕏 成为首个将核心流量分发逻辑完全透明化的主流社交平台。
马斯克在开源后表示：我们知道这个算法很笨，需要大幅改进，但至少你可以看到我们实时且透明地努力让它变得更好。没有其他社交媒体公司这样做。根据开源文档显示，新的推荐系统最核心的设计决策是「零人工特征工程」。具体来说，𝕏 摒弃了传统推荐系统中大量依赖人工编写规则和启发式算法的做法，完全依赖基于 Grok 的 Transformer 模型。系统不再主观定义什么是好内容，而是让模型通过学习用户的交互历史（点赞、回复、转发等）来自动判断相关性。
系统架构具体到用户的「For You」时间线生成流程，主要分为「召回」与「评分」两个关键阶段。在第一阶段的「召回」环节，内容首先来自两大源头：代号为「Thunder」的内部网络系统负责毫秒级检索用户关注账号的最新动态。而代号为「Phoenix Retrieval」的外部网络系统则利用机器学习在全球语料库中挖掘用户未关注但可能感兴趣的潜在内容。随后，这些通过海选、被成功「召回」的海量候选帖子，会被送入第二阶段的核心——Phoenix 评分器。
这是一个基于 Grok-1 修改版的大模型，它不依赖预设标签，而是通过「注意力机制」直接预测用户对某条帖子做出特定动作的概率，既包括点赞、回复、点击等正面行为，也涵盖拉黑、不感兴趣等负面反馈。当模型计算出概率后，最终决定帖子能否出现在用户屏幕上的，是一套严密的加权计算公式。系统会将模型预测出的各种动作概率乘以相应的权重——例如点赞和转发带来正收益，而拉黑和举报则导致负分——最后加总得出最终得分，高分者优先展示。
个人观点：
测试应该是现场和研发之间的关键环节，软件报错、硬件故障等应该先找测试而不是弹出报错的软件，为什么？
因为测试同时熟悉软硬件的报错情况，他应该可以快速给报错分类，明确操作步骤，版本、日志信息等，然后再联系具体的研发
共 1 张
图片加载中
AI编程正在改变传统的团队协作模式。产品经理、前端和后端开发的界限逐渐模糊，由“后端全栈工程师+AI工具”的组合主导。开发者不仅要编码，更需具备清晰描述需求、撰写结构化Markdown文档的能力，将软件工程的核心工作“前移”至需求与设计阶段。团队协同转向基于IDE管理的条目化需求文件，测试角色则被DevOps流程中的自动化完全替代。
共 1 张
图片加载中
我最近在思考一个重要的内容，就是在谈SDD的时候强调规约驱动，但是更加重要的是对象模型驱动。因此完全可以参考MDA思路构构建一个对象模型的markdown文件来驱动后续代码输出。这个对象模型即是驱动后续所有代码生成，需求处理的核心对象模型。我一直在强调，如果要让Skills技能库来承担完整的应用功能的时候，这个对象模型相当重要。这个对象模型核心就是数据+行为+规则。而最终的业务流程或场景，仅仅是这些能力的一种灵活组装和编排。
注意在AI处理我的需求请求的时候大家发现没有一个关键点，即基础原子服务能力必须具备，但是基于不同的需求场景，AI会自动产生动态代码片段并执行，然后产生输出。即我们形成的这种技能库是一种动态的有元模型+基础能力+代码片段组成的动态技能库。大家可以参考我公众号最新文章的简单POC验证逻辑。
共 3 张
图片加载中
首个在国产芯片上全程训练的SOTA多模态模型GLM-Image，开源不到24小时即登顶全球知名AI开源社区Hugging Face Trending榜第一。模型SOTA性能、创新架构和训练过程引发海外科技圈热议。
这也是首次完全依托国产芯片训练的国产模型在国际舞台上取得榜首身位，标志国产AI模型的端到端自主研发能力在国际竞争中取得突破。
GLM-Image项目的最终目标就是全流程创新，是GLM团队面向以Nano Banana Pro为代表的新一代「认知型生成」技术范式的一次重要探索。
从架构上看，不同于开源常用的LDM方案，GLM-Image采用了创新的「自回归+扩散解码器」混合架构，并在基本对齐主流方案的基础上验证了新架构在知识密集型场景下生成的优越性。
从训练基础上看，GLM-Image实现了基于昇腾Atlas 800T A2设备和昇思MindSpore AI框架的全流程训练及推理适配，实际训练性能足以达到相应计算设备的汇报性能上限，验证了在国产算力上训练出SOTA模型的可行性。
从性能表现上看，GLM-Image在CVTG-2K（复杂视觉文本生成）和LongText-Bench（长文本渲染）榜单获得开源第一，能够读懂指令，写对文字，尤其擅长汉字生成任务，可广泛应用于海报、PPT、科普图等知识密集型场景。
共 1 张
图片加载中
今天学到一个obsidian的小技巧，这个笔记软件自带canvas插件，可以进行简单的白板绘制，他的底层是json格式保存。既然是规整的格式，那么AI必然能帮助我们生成。
我对Gemini说：帮我生成一个Agentic AI的必备技能说明，并以Obsidian canvas格式输出
然后把这段代码复制粘贴，就得到以下效果
共 1 张
图片加载中
技术同盟成员
更多 >活动日历
线上直播
线下沙龙
线下沙龙
线上直播
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号
提问已提交，平台将在审核通过后自动邀请对方回答
您可前往问题详情页查看问题进展 查看详情>