降低资源开销：MultistageCodec 4. 统一数据平台的落地思路及案例 构建统一的云原生应用可观测性数据平台 看云网更清晰 Simplify the growing complexity. 统一的可观测性数据平台 telegraf 看云网更清晰 Simplify the growing complexity. 挑战：数据孤岛、资源开销 数据 孤岛 资源消耗 telegraf 降低资源开销：MultistageCodec 4. 统一数据平台的落地思路及案例 构建统一的云原生应用可观测性数据平台 看云网更清晰 Simplify the growing complexity. OpenTelemetry的方法 统一的上下文 以追踪为核心 看云网更清晰 Simplify the growing complexity. OpenTelemetry的方法 Tag, Exemplars Tag, TraceID, SpanID TraceID & Tag 看云网更清晰 Simplify the growing complexity. 数据打通并不简单 ① Trace与「非Request scope」的Metrics 例如：响应Request A的实例在一段时间内做了多少次GC？ ① 看云网更清晰 Simplify the growing complexity. 数据打通并不简单

限制模型自主优化空 间 需求导向 描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 掌握提示语设计：AIGC时代的必备技能 提示语设计的核心技能体系 表1-3-1提示语设计核心技能子项 核心技能 子项 问题重构能力 将复杂、模糊的人类需求转化为结构化的AI任务 识别问题的核心要素和约束条件 设计清晰、精确的提示语结构 创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 + 迭代指令元素 通过提供丰富的背景信息和适度的约束，激发AI的创造性思维，同时通过多轮 迭代促进创新 优化任务执行效率 任务指令元素 + 结构元素 + 格式 元素 长度元素 + 风格元素 通过清晰的任务指令和预定义的结构提高执行效率，同时确保输出符合特定的 格式和风格要求 提升输出一致性 风格元素 + 知识域元素 + 约束条 件元素 格式元素 + 质量控制元素 通过统一的风格和专业领域知

限制模型自主优化空 间 需求导向 描述问题背景与目标， 由模型规划解决路径 复杂问题、需模型自主 推理 “我需要优化用户登录流程， 请分析当前瓶颈并提出3种方 案。” ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 混合模式 结合需求描述与关键 约束条件 平衡灵活性与可控性 “设计一个杭州三日游计划， 要求包含西湖和灵隐寺，且 预算控制在2000元内。” ✅ 兼顾目标与细节 ❌ 需避免过度约束 掌握提示语设计：AIGC时代的必备技能 提示语设计的核心技能体系 表1-3-1提示语设计核心技能子项 核心技能 子项 问题重构能力 将复杂、模糊的人类需求转化为结构化的AI任务 识别问题的核心要素和约束条件 设计清晰、精确的提示语结构 创意引导能力 设计能激发AI创新思维的提示语 利用类比、反向思考等技巧拓展AI输出的可能性 巧妙结合不同领域概念，产生跨界创新 结果优化能力 分析AI输出，识别改进空间 + 迭代指令元素 通过提供丰富的背景信息和适度的约束，激发AI的创造性思维，同时通过多轮 迭代促进创新 优化任务执行效率 任务指令元素 + 结构元素 + 格式 元素 长度元素 + 风格元素 通过清晰的任务指令和预定义的结构提高执行效率，同时确保输出符合特定的 格式和风格要求 提升输出一致性 风格元素 + 知识域元素 + 约束条 件元素 格式元素 + 质量控制元素 通过统一的风格和专业领域知

触感 好瓜 1 青绿 蜷缩 浊响 清晰 凹陷 硬滑 是 2 乌黑 蜷缩 沉闷 清晰 凹陷 硬滑 是 3 乌黑 蜷缩 浊响 清晰 凹陷 硬滑 是 6 青绿 稍蜷 浊响 清晰 稍凹 软粘 是 7 乌黑 稍蜷 浊响 稍糊 稍凹 软粘 是 10 青绿 硬挺 清脆 清晰 平坦 软粘 否 14 浅白 稍蜷 沉闷 稍糊 凹陷 硬滑 否 15 乌黑 稍蜷 浊响 清晰 稍凹 软粘 否 16 浅白 蜷缩 蜷缩 浊响 模糊 平坦 硬滑 否 17 青绿 蜷缩 沉闷 稍糊 稍凹 硬滑 否 编号 色泽 根蒂 敲声 纹理 脐部 触感 好瓜 4 青绿 蜷缩 沉闷 清晰 凹陷 硬滑 是 5 浅白 蜷缩 浊响 清晰 凹陷 硬滑 是 8 乌黑 稍蜷 浊响 清晰 稍凹 硬滑 是 9 乌黑 稍蜷 沉闷 稍糊 稍凹 硬滑 否 11 浅白 硬挺 清脆 模糊 平坦 硬滑 否 12 浅白 蜷缩 浊响 模糊 平坦 软粘 预剪枝 基于表生成未剪枝的决策树 平坦 纹理 色泽 好瓜 坏瓜 根蒂 色泽 脐部 坏瓜 坏瓜 坏瓜 坏瓜 好瓜 好瓜 好瓜 好瓜 好瓜 乌黑 凹陷 硬挺 稍糊 清晰 蜷曲 稍蜷 模糊 青绿 稍凹 浅白 青绿 乌黑 浅白 ① ⑥ ⑤ ④ ③ ② 剪枝策略 在节点划分前来确定是否继续增长，及早 停止增长 主要方法有： • 节点内数据样本低于某一阈值；

o3mini 暂不支持附件上传，响应速度 快，能够快速读取粘贴数据， 输出结果格式工整、简洁。 DeepSeek R1 能够详细全面地提取文件中的 数据，并整理成可视化数据表 格，逻辑性强、指标清晰。 所上传的“2025春运数据（1月14-2月8日）.txt”包含了从2025年1月14日至2025年2月8日每天各种交通方式的春运客运 量信息，请从中读取每一天的信息，并整理成一张表格，要求包括以下几项信息：1 能够快速读取文件数据，并 整理成可视化数据表格，但 填入数据有所缺失。  DeepSeek R1与Claude 3.5 sonnet均能很好的完成文件数据读取任务，生成的表格逻辑性强、数据指标清晰，Claude 3.5 sonnet一 次性完成表格生成后支持直接复制和表格文件下载。  Open AI o3mini能够更加高效地完成数据提取任务，输出表格准确，但暂不支持附件上传，文件读取依靠粘贴稍显不便；Kimi DeepSeek R1与Open AI o3mini的数据分析能力相当，且领先其他两个模型，均能够精准抓取数据核心指标并做统计，找到各特征与核心 指标的关联，其中R1分析逻辑更加清晰严谨，而o3推理更加高效；  Kimi k1.5推理逻辑清晰但分析能力相对较弱， Claude 3.5 sonnet能够提供分析思路但没有明确结论。 结论 测试结果受到数据样本、测试环境、AI抽卡、提示词模板等因素影响，仅

”任务 • 深度思考（R1）：推理模型，复杂推理和深度分析任务，如数理逻辑推理和编程代码，“ ”任务 • 联网搜索：RAG（检索增强生成），知识库更新至 DeepSeek 两种模型对比 操作规范清晰 且对结果有明确要求 操作路径多元、开放， 且对结果没有明确要求 DeepSeek 两种模型对比（5R） 维度 V3模型 R1模型 Regulation （规范性） 强规范约束 （操作路径明确） （限定于文本生成任务） DeepSeek 两种模型对比 V3 R1 DeepSeek 两种模型对比 V3 R1 如何提问？两种模型的提示语差异 • 基础模型（V3）：“过程-结果”清晰（指令） • 深度思考（R1）：目标清晰，结果可以模糊（推理） RTGO提示语结构 Role（角色） 定义AI的角色： 经验丰富的数据分析师 具备十年销售经验的SaaS系统商务 …… Task（任务） 技能: 熟悉Mermaid的图表类型和语法，能高效将流程转化为代码。 理解流程分析、架构设计及结构化展示等领域知识。 约束: 代码必须符合Mermaid语法规范。 流程和结构表达需准确清晰。 流程图需要有二级、三级等多层级。 输出的代码格式应简洁且易于理解。 工作流程: 询问用户希望绘制哪种类型的图表。 收集详细的流程或架构描述。 根据描述分析并设计图表结构。 生成并输出符合Mermaid语法的代码。

onlyUsedInFramework() { ... } public func onlyUsedInFile() { ... } API 设计 命名，是否清晰易懂完整 API 设计 命名，是否清晰易懂完整 清晰明确的命名 // Do this public mutating func removeAt(position: Index) -> Element public func displayName() -> String // <- none or verb? API 设计 命名，是否清晰易懂完整 尝试为你的方法写注释文档 一句话无法表述清楚这个方法具体做了什么 -> 请考虑重构 理想状态：代码不需要文档就能被看懂 API 设计 命名，是否清晰易懂完整 SWIFT API DESIGN GUIDELINES HTTPS://SWIFT.ORG/DOCU

场景2：新员工快速熟悉公司情况和行业情况 场景：小李刚刚加入一家制造电子元器件的公司，作为一个新员工，他需要在短时间内熟悉公司的产品线、组织 结构、内部系统以及行业情况。然而，公司的产品手册复杂，部门间的职责不清晰，内部系统操作繁琐，行业信 息量庞大，这些都让小李感到不知所措。他担心自己无法在短时间内快速上手，影响工作效率和表现。 以往的解决方式： • 依赖同事的口头介绍，容易遗漏重要信 息。 • 手动查阅厚重的产品手册和内部文档， 线支持（附排班表）。回来后我申请周末加班补进度。 场景4：项目中急需请假 如何开口 最终行动建议： • 快速评估优先级：家庭紧急事件（如生命健康）永远高于工作，无需愧疚。 • 用AI生成沟通模板：确保信息清晰、理性、有解决方案。 • 当面沟通+书面留痕：先口头说明（体现尊重），再邮件/消息发送书面请假（附交接文 档）。 • 保持灵活应对：即使领导有情绪，坚持“解决问题”而非“对抗”态度，如：“您看这样 在 项目讨论中，你的意见虽然有创意，但在执行上缺乏足够的沟通和协调。 你：感谢您的反馈。我理解您说的团队合作和沟通的问题，但我也觉得在 项目执行中，我提出了很多实际的解决方案，虽然可能在表达上不够清晰。 您觉得我可以在哪些方面做得更好呢？ 领导：是的，你的方案确实有价值，但在团队中，沟通和协调同样重要。 也许你可以多关注团队成员的需求，提前与大家沟通你的想法，这样大家 会更容易理解和支持你的方案。

⽉之暗⾯
Moonshot
AI
是⼀家神秘且特别的⼤模型创业公司。
公司⽬前只发布了⼀款产品，基于千亿⼤模型的
chatbot
产品
Kimi
智能助⼿。发布之初，就打出了 「⻓⽂本」、「⾃研闭源」、「toC」等清晰的标签。
创始⼈杨植麟饱受期待，他毕业于
CMU，师从苹果
AI
负责⼈
Ruslan
Salakhutdinov，曾在
Meta
和
Google
Brain
任职，是
Transform 有超过1750 亿个参数的模型，在当时成为⼈类历史上最⼤的神经⽹络模型。斯坦福⼤学的研究认为它已经拥有⼤ 约7岁⼉童的⼼智⽔平。
⽽这更重要的意义在于，GPT3的出现，让AI的第⼀性原理逐渐清晰⸺“⾜够多的证据证明，只要下 ⼀个token预测越来越准确，就会有更多的智能产⽣。”
“第⼀性原理”源⾃古希腊哲学家亚⾥⼠多德的观点，指的是⽤来回归事物基本条件，将其拆分成各 要素解构分析，最终得出实现⽬标的最优路径。 机器之⼼：所以你们的Vision是什么？
杨植麟：我认为每项技术基本都会历经原理探索期、技术创新期以及纯产品应⽤阶段三个阶段。 第⼀阶段意味着公众对于技术的第⼀性原理还不清晰，⼀切刚刚开始萌芽；第⼆阶段则指的是第⼀性 原理已经清晰，但是仍然存在技术创新的空间，领先的公司会有显著的技术优势；最后⼀个阶段，当 技术已经⾜够成熟了，可获得性很⾼了，就是纯产品的机会，⽹络效应建⽴。 两三年前，NLP、