💼 Top大厂 AI赛道 HRBP 📰 分享AI/互联网/求职等独家焚决 🧑🎓 澳国立ANU 统计学Master 📖 就业指导(AI/产研/运营)
Hangzhou
Joined October 2026
- Tweets644
- Following738
- Followers1.6K
- Likes1.6K
Pinned Tweet
🚀 #X直聘 官宣！
-推友自己的招聘&求职 圈
-应届生×求职者 × 独立开发者 × 初创团队 × 大厂HR × VC × 猎头
-我将转化自己的社群作为 #X直聘 的先遣队
冷启动阶段，入群机会，先到先得！
Idea from @Jackywine
机会都在这里 #X ⬇️
xitter.gq/i/chat/group_join/g211…
This quoted post is unavailable.
AI产品经理 面试题拆解 手撕焚决二
问：如果 Agent 需要连续调用多个系统，执行到第 6 步才失败，你会怎么做错误定位、重试和状态恢复？
这道题考察的不是简单的异常处理，而是你是否具备复杂 Agent 工作流的工程化思维、故障排查能力，以及对业务连续性的理解。
1.包过模版
如果 Agent 需要连续调用多个系统，在执行到第 6 步时失败，我不会直接让 Agent 从头重新执行，而是会把整个任务看成一个有状态的工作流，重点解决三个问题：失败原因是什么、哪些操作已经成功、如何在不产生副作用的情况下恢复执行
我会从错误定位、重试策略和状态恢复三个方面处理。
第一，错误定位。 我会通过 Trace ID 查看 Agent 前 6 步的执行日志，包括输入输出、接口响应、耗时和异常信息，判断问题究竟出在 Agent 的推理决策、参数传递，还是外部系统的接口调用。
第二，制定重试策略。 我不会对所有错误都进行无差别重试。对于网络超时、服务端 5xx 等临时性问题，可以采用指数退避策略；对于参数错误、权限不足等问题，则需要先修正问题再执行。同时，通过幂等机制避免重复创建订单等副作用。
第三，进行状态恢复。 我会引入 Checkpoint 机制，在每个关键步骤完成后保存执行状态和结果。发生故障时，先读取最近一次成功的检查点，再判断第 6 步是否实际执行成功，避免从头执行或重复调用。
另外，如果涉及多个系统，还需要考虑业务一致性。例如订单创建成功但支付失败，可以通过 Saga 补偿机制取消订单或释放库存。
我认为，企业级 Agent 不仅要关注任务能否执行成功，更要关注出现异常后能否准确定位、可靠恢复，以及避免对业务造成重复操作或数据不一致。
2. Max的面试建议
面试的是 AI 产品经理，回答时需要体现三个层次，这非常关键：
技术理解力： 知道 Trace、Checkpoint、幂等、Saga 分别解决什么问题
产品抽象力： 能把复杂的多系统调用抽象成有状态、可恢复的工作流
业务意识： 知道重复扣款、重复下单、数据不一致比 Agent 单纯报错严重得多
AI产品经理 面试题拆解 手撕焚决一
问：如果一个 Agent 可以完成 80% 的任务，但剩下 20% 经常需要人工处理，你觉得这个产品算不算成功？怎么继续优化？
这道题是大厂 AI 产品经理校招面试中非常典型的一道题，考察的不是你会不会优化 Agent，而是你是否具备产品价值判断能力、数据分析能力、问题拆解能力，以及 AI 产品的落地思维。
不建议直接说成功或者不成功。更好的思路是：先定义成功标准，再拆解剩余 20% 的问题，最后制定分层优化策略。
1.包过版回答：
我认为，一个能够完成 80% 任务、但剩下 20% 仍然需要人工处理的 Agent，不能简单地定义为成功或者失败，而应该看它是否真正创造了业务价值。
我会从三个层面判断：
第一，是否创造了真实的业务价值。
我不会单纯关注 Agent 的任务完成率，而是关注它是否提升了整体业务效率。
比如，原来一个任务需要人工花费 10 分钟，现在 Agent 能够独立完成 80% 的任务，剩余 20% 只需要人工介入 2 分钟完成审核或补充。那么即使 Agent 没有实现 100% 自动化，也可能已经显著降低了人工成本、缩短了任务处理时间。
我认为 AI 产品的成功标准不是追求 100% 自动化，而是实现单位任务成本下降、整体效率提升和用户体验改善。
第二，分析剩下 20% 的任务究竟是什么。
我不会把这 20% 简单看成 Agent 能力不足，而是会进一步拆解。
这里我认为有一个非常重要的产品判断：不是所有需要人工介入的场景，都值得通过技术手段消灭。
如果人工介入能够有效控制风险，且成本可接受，那么保留 Human-in-the-loop 反而可能是更合理的产品设计。
第三，针对不同类型的问题制定差异化优化策略。
我不会一开始就追求把 80% 提升到 90% 或者 100%，而是会优先分析剩余 20% 中哪些问题出现频率最高、优化收益最大。
具体会采取三种策略：
对于高频、低风险、可标准化的问题，优先投入资源，通过优化模型、知识库和工作流，提高自动化率。
对于低频、高复杂度的问题，暂时保留人工兜底，同时通过人工反馈积累数据，逐步提升 Agent 能力。
对于高风险、高影响的问题，设计人工审核、权限控制和异常拦截机制，确保产品的可靠性。
同时，我会建立一个持续优化的闭环：
记录 Agent 执行轨迹 → 分析失败原因 → 对失败案例分类 → 优先级排序 → 针对性优化 → 离线评测 → 线上验证。
最终通过数据判断优化是否真正有效。
最后，我想强调一个观点：
我认为 Agent 产品的终极目标不是追求完全无人化，而是在保证可靠性和用户体验的前提下，让机器处理最适合机器的事情，让人处理最需要人判断的事情。
所以，如果当前 80% 的自动化率已经带来了明确的业务收益，我认为这个产品就已经具备了商业成功的基础。
下一阶段的优化重点，不应该是盲目追求自动化率，而应该是找到剩余 20% 中最值得自动化的部分，同时建立好人工兜底机制，让 Agent 的业务价值持续增长。
2.问题背后的逻辑
很多候选人一听到 Agent 只有 80% 的成功率，就会立刻想到：
换更强的模型；优化 Prompt；增加 RAG；增加 Agent 节点。
这些回答并没有错，但更像是在回答技术方案，而不是产品经理的决策问题。
大厂hr更希望听到的是：
你能不能判断哪些问题值得解决，哪些问题不值得解决，以及有限的研发资源应该投入在哪里。
3.隐藏焚决奖励给看完的同学
额外加分亮点：算一笔经济账
如果你想让回答再上一个层次，可以主动引入 ROI 思维。
假设：原来人工完成 100 个任务，需要 1000 分钟。Agent 可以独立完成 80 个任务。
剩余 20 个任务需要人工介入，每个任务平均需要 2 分钟。Agent 的任务执行和人工审核总耗时为 300 分钟。
虽然 Agent 的自动化率只有 80%，但整体处理效率已经提升了 70%。
反过来，如果为了将自动化率从 80% 提升到 95%，需要投入大量研发资源，且增加的模型调用成本远超节省的人工成本，那么这次优化可能就是不划算的。
这时候，产品经理就应该思考：技术上能不能实现，不等于商业上值不值得实现。
杭州 AI新城
在杭州做 AI 的朋友越来越多了。我整理了一份 base 杭州的 AI 从业者和博主名单，想认识杭州 AI 圈的朋友可以关注一下 👇
🏘️【社区和线下活动】
1. @tualatrix 图拉鼎：住在良渚的资深开发者，每周四在良渚办「疯狂星期四」Builder 聚会，是杭州 AI 线下圈子很好的入口。
2. @ArtistZhou：和光 AI 空间的发起人，在杭州办东站共居和 AI 夜校，长期组织线下交流。
3. @Jiayi_aijia 佳一：从深圳搬到杭州，是哥飞社群杭州活动的发起人，经常组织出海和 AI 产品人的聚会。
4. @0xClareYang：Midnight 杭州 Builder Lab 的组织者，在杭州做 OPC 一人公司，连接 AI 和 Web3 的 builder。
5. @SkyBitShy：同样参与组织 Midnight Hangzhou，关注 AI 和 Web3 方向。
6. @KOSX_ai：在杭州持续办 AI Meetup 和 Workshop 的创作者社区，适合想上手实操的朋友。
7. @GodlyAlphaM：Omarchy 杭州 Meetup 的组织者，聚集喜欢折腾开发环境和工具的技术人。
8. @useless_liu：和杭州松果 OPC 开源空间关系密切，关注一人公司和开源社区。
9. @sweeetmonkee 沈老板：在良渚生活了 17 年，现在是一家 AI 孵化器的合伙人，往返杭州和大阪。
10. 即刻 王按捺 Ana：做 OPC 一人公司孵化，经常在杭州办 Demo 沙龙。
11. 即刻 自由良渚 AI 实验室：在良渚办「AI 造浪者」等线下活动。
👨💻【创业者和实战派】
12. @chunxiangai 赵纯想：laper .ai 等产品的创始人，团队在拱墅 loft49，分享 AI 产品和创业的一线经验。
13. @bozhou_ai 泊舟：长期做 AI Coding 和 Agent 实战教程，也帮老板们搭 AI 工具和工作流，干货很多。
14. @xmmxovo 西门聪明蛋：做产品和自媒体，专注软件出海，分享从做产品到获客的实战经验。
15. @stark_nico99 Nicolechan：YouMind 社区增长负责人，分享 AI 产品的增长和社区运营方法。
16. @Aoyi21 奥一：杭州本地的创业者，实践用 AI 撑起一家公司，记录一路上的方法和思考。
17. @czzzzzzJ_ 麦当：前大厂测试，现在是 AI 一人公司主理人，在杭州注册了一人公司，分享独立创业的全过程。
18. @hezhiqianye 江辰：NeonBit（杭州映构智能）的创始人，做 AI 产品创业。
19. @cnzhihao 智昊：带团队做 FDE，帮企业把 AI 接进真实的业务流程，关心 AI 落地的朋友值得关注。
20. @zengge1984 浙大曾哥：前阿里 AI，现在做企业 AI 培训、获客和 FDE，聊 AI 怎么在商业上真正用起来。
21. @LyuVincent Vincent：医疗 AI 评测平台 PangolinLab 的创始人，关注 AI 在医疗场景的落地。
22. @elysejingqi elyse：杭州时空智汇的创始人，账号刚起步。
23. @banwenpeace 李半文：在杭州和深圳两地跑，做 AI 营销和出海。
🧑🔬【工程、产品和设计】
24. @Mantou_Studio_ 馒头：自称不是程序员，却靠 AI 一个人做出了剪辑软件，是 AI 编程能力的真实案例。
25. @sunnyygao Sunny Gao：开源 builder，做 MindFly Lab，参与 Apache Answer 社区，关注开源和 AI 工具。
26. @maoxunxing 毛毛星：在网易和阿里做过十多年前端，现在接 FDE 和 AI 咨询，技术功底扎实。
27. @JiangK82705 蒋云何：芯片软件公司的 AI 负责人，分享 AI 在企业里落地的真实需求和经验。
28. @jiusanzhou 周筱鲁：做 LLM 推理和 GPU 方向的 AI Infra 工程师，技术硬核。
29. @BruceDu521 Bruce Du：全栈和平台工程背景，专注 AI Agent 基础设施。
30. @spikezhangx edward：既做设计又写代码的独立开发者，作品完成度很高。
31. @suyuchen520463：产品经理兼独立开发，记录用 AI 做产品的过程。
32. @Tensor1992 Tensor：大模型方向的研究者，关注 Agent 开发。
33. @MaxMa_27 Max Ma：大厂 AI 赛道的 HRBP，想了解 AI 岗位和人才行情可以关注。
💮【内容、营销和设计】
34. @Astronaut_1216 阿杭：连续创业者，做 AI 工具测评和社群，内容更新很勤。
35. @bbkirstry 小晚不在：做品牌营销和 AI 自媒体，分享 AI 时代的内容和营销玩法。
36. @Nutllwhy 栗噔噔：前腾讯产品经理，RATATA 的创始人，做 AI 产品和内容。
37. @hellosky567 四丐：前阿里设计师，现在做 AI 设计和个人事业，分享设计师怎么用好 AI。
38. @tanglele0318 木渡川：独立设计师，经常分享 Agent 工作流和 AI 设计实践。
39. @helin021798 河林：在萧山，前 MCN 项目负责人，做电商场景的 AI 落地和培训。
40. @binbinpm 彬彬：前 AI 产品经理，现在做一人公司和 AI 自媒体。
41. @momentafloat：关注医药和 AI 结合的新账号。
42. 唐卡 Tangka（tangka .online）：AI 独立开发者，也在做公众号内容。
💻【大厂和模型圈】
43. @JustinLin610 Junyang Lin：通义千问团队的核心成员，关注开源大模型一定要关注。
44. @huybery Binyuan Hui：参与 Qwen 系列模型研发，聊代码模型和大模型进展。
45. @ModelScope2022：阿里魔搭社区的官方账号，第一时间发布开源模型和社区动态。
名单会持续更新，漏了谁欢迎补充。也在杭州的朋友，欢迎找我线下喝咖啡聊聊 ☕
校招求职 networking 焚决 ——校招宣讲会
宣讲会核心目标：获取信息+刷存在感+拿到简历绿色通道/初面机会，不是单纯听讲座
【会前准备→现场怎么做→提问环节→投递&私聊HR→会后跟进→避坑清单】
1️⃣会前准备（最容易被忽略）
1. 筛选宣讲会
优先：目标行业/意向岗位、线下本校宣讲 > 外校线下 > 线上宣讲
重点看：是否有现场笔试、现场初面、简历免筛选、直通面试卡，这类一定要去
避开：纯广告宣讲、不现场收简历、只引流网申的
2. 提前调研公司
业务、主营产品、近期新闻、校招岗位、岗位职责、薪资范围、工作地点
想好：你为什么想来这家、匹配岗位的2-3个优势，不要现场一问三不知
3. 物料准备
纸质简历：打印3–5份，彩打没必要，简洁黑白即可；简历按岗位微调
本子+笔，记录关键信息（HR微信、截止时间、岗位坑点、福利）
手机：提前填好网申账号，存好简历PDF，方便现场补投
4. 时间规划
提前10–15分钟到场，坐前排/中间区域，更容易被HR注意到；别卡点、别迟到。
2️⃣现场听讲环节
1. 认真听这4块信息（比宣传片重要）
◦ 校招流程：网申截止、笔试时间、面试轮次、offer发放时间
◦ 岗位细节：轮岗吗？加班情况、定岗地点、导师制度、转正比例
◦ 薪资福利：基本工资、补贴、年终奖、五险一金基数、落户/住宿
◦ 培养体系：新人培训、晋升路径
2. 识别宣讲会上的“话术陷阱”
◦ “薪资极具竞争力”：大概率不写具体数字，会后可以礼貌问区间
◦ “弹性工作制”：很多是变相加班
◦ “快速成长”：通常代表任务多、节奏快
3️⃣投递简历 + 私聊HR/学长学姐（宣讲会黄金机会）
宣讲会最大红利：和HR、在职学长1v1沟通，网申是机器筛选，线下是人审。
1. 递简历话术（简短30秒自我介绍）
“您好，我是XX学校XX专业，今天投递XX岗位，之前有XX相关实习/项目经历，对咱们XX业务很感兴趣，麻烦您帮忙看下简历，谢谢！”
2. 私聊适合问的问题（当众不方便问的）
• 这个岗位今年招多少人，竞争大概情况
• 简历筛选重点看什么（实习？成绩？项目？）
• 网申什么时候投递通过率更高
• 是否有现场直通面试机会
• 岗位真实工作节奏、是否需要经常出差
3. 加HR/内部学长微信：
“感谢您的解答，方便加一下您微信吗？后续有校招问题想向您请教，我不会频繁打扰。”
加上之后不要立刻狂发消息，备注：学校-姓名-意向岗位
4️⃣跟进流程
1. 当天完成网申！很多公司宣讲会后几天是简历集中处理期，越早投越好，记得在网申备注：参加XX场次线下宣讲会
2. 新加HR微信：24小时内简单礼貌问候，不要长篇大论
3. 整理笔记：记录截止时间、笔面试节点、岗位风险点，做成自己的校招台账
校招求职 焚决 只讲干货信息差
隐藏渠道，大部分学生从来不用
1.辅导员、院系就业办、导师有定向岗位
很多企业会定向给学院放专属HC、宣讲会名额，不会对外公开。主动关注就业群、主动问导师合作企业招聘
2.线下宣讲会、双选会不是走过场
不少中小企业、国企、央企、本地优质企业，现场可以直接收简历、当场初面，跳过线上初筛，面试效率很高
3.校友社群、就业分享群
往届上岸同学会分享：岗位真实加班情况、面试风格、往年是否HC缩招，是公开渠道看不到的信息
AI赛道求职 简历修改 焚决第二卷
在AI校招竞争中，学历、实习、项目是显性简历，GitHub、HuggingFace、技术博客等线上作品集是隐形简历。
绝大多数应届生只注重简历文字内容的打磨，完全忽略作品集运营，这也是90%求职者在初筛、一面被淘汰的核心原因之一。
AI面试官筛选候选人的核心逻辑是：文字可以包装，但代码沉淀、项目落地记录、技术输出无法伪装，优质的线上作品集，是拉开AI校招差距的核心杀手锏。
一、排版原则：作品集链接前置，拒绝末尾堆砌
所有核心技术作品集链接，统一放在简历头部个人信息栏，和姓名、电话、邮箱、求职意向并列展示，成为面试官第一眼就能看到的核心加分项。
标准头部模板AI校招通用
姓名 /电话 /邮箱 /求职意向：AI算法/大模型/机器学习/深度学习工程师/AIPM
GitHub：xxx（高星优质仓库链接）
HuggingFace Demo：xxx（可在线交互项目演示链接）
技术博客：xxx（知乎/掘金/CSDN/个人博客）
项目演示：xxx（视频/网页在线演示链接）
二、面试官核心考察维度（AI校招专属）
AI赛道面试官在点开作品集链接后，不会随意浏览，有固定的审核重点，直接决定对你技术实力的判断：
1. 代码质量：代码规范度、注释完整性、工程化能力、代码复用性，区别于网上复制的残缺demo；
2. Commit记录：提交频率、迭代周期、修改逻辑，判断项目是否为独立实操、长期深耕，杜绝一次性复制粘贴；
3. 项目完整度：是否有完整的README文档、环境配置教程、运行结果、实验参数、问题复盘，是否可复现；
4. 技术深度：是否贴合AI岗位需求（大模型微调、RAG检索、深度学习训练、数据分析、模型优化等），有无创新优化。
三、作品集致命避雷：无效作品集不如不放
很多同学误以为“有链接就加分”，实则劣质作品集是重大减分项，是AI校招高频扣分坑，绝对规避：
1. 空仓库/零记录仓库：无项目、无commit、无文档，仅注册账号，会让面试官判定为刻意凑数、技术空白；
2. 搬运拼凑Demo：直接复制GitHub公开开源项目，无任何修改、无自己的调试记录、无优化迭代，一眼可识破；
3. 残缺项目：有代码无README、能上传不能运行、缺少实验结果、参数混乱，暴露工程能力薄弱；
4. 杂乱无章仓库：项目胡乱堆砌、无分类、无简介，分不清核心项目和练习代码，缺乏技术沉淀逻辑。
AI赛道求职简历修改 焚决 第一卷 抓大放小
AI岗位面试官（算法/AI负责人、技术负责人）和普通招聘HR不一样，他们一眼分辨“真AI落地”和“玩过AI工具”
抓大放小 = 放大AI相关硬核落地成果，弱化非AI打杂、浅层体验类内容，简历30秒让面试官识别，你能解决AI业务问题。
1️⃣【大/重点放大、详细写、前置、量化，核心亮点】
1. 和目标AI岗位强匹配项目：LLM微调、RAG知识库搭建、Agent开发、模型部署、数据集构建、模型评测、提示词工程方案、AIGC业务落地、多模态项目
2. 可量化指标：推理耗时降低、召回准确率提升、幻觉下降、成本降低、人工替代率、业务转化率、上线服务QPS、数据集规模
3. 独立负责/主导：模型选型、方案设计、全链路落地、上线投产、对接业务、迭代优化
4. 硬核能力：框架（LangChain、LlamaIndex、vLLM、Transformers）、模型（Qwen、Llama、GLM等）、向量库、GPU推理、微调（LoRA/QLoRA）、评估集构建
5. 产出物：开源项目、技术文档、评测报告、内部AI系统、作品集Demo、技术分享
6. 竞赛、顶会/技术博客、复现标杆工作、自研方案
2️⃣【小/压缩、简写、弱化，不要展开长篇描述】
1. 浅层使用：日常用ChatGPT写文案、Midjourney画图、单纯试用各类AI工具（只体验，没有改造、落地、优化）
2. 非AI类旧工作、传统运营/行政/普通开发无关经历
3. 纯打杂：只是帮忙标注数据、整理文档、协助测试，没有参与方案设计、调优、改进
4. 空泛描述：熟悉大模型、了解AIGC、热爱AI、学习能力强
5.原则：不堆项目，宁缺毋滥。1个上线落地RAG项目 > 5个只跑通Demo，没有评测和优化的玩具项目
最近在做AI的组织转型和培训落地
最大的感触
重塑人类的组织形态
是AI应用层的目所能及的确定性目标
不难想象，AI不再是一个独立的转型项目，而是融入组织血液里的底层生产力。
组织会从“人单独完成工作”变成人机协同的工作模式，AI负责检索、计算、初稿、重复加工；人负责判断、把关、创新、共情、决策和价值创造；
对HR而言，我们将不再只是做AI培训，而是持续设计适配人机协同的激励机制、职业发展通道、组织氛围；
同样不适应者，将毫无意外的，将被淘汰
Be quick my friend
I’m joining the team at @X to lead Product.
I am a huge believer in @SpaceX's mission to extend human consciousness to the stars, so it’s time to make shitposting multiplanetary.
X is the best way to find out what’s happening in the world right now and talk about it. The team has been working tirelessly to make X a better place and product for the people who love it, and many have noticed the recent momentum. My goal is to help accelerate that momentum for our community, new users, and businesses globally by continuing to make this product beautiful and useful.
We are twenty years in, but it truly feels like X’s next chapter will be our greatest. I look forward to your ideas and feedback; I’m sure the replies will be measured and magnanimous.
今年年底和明年，是第一波，哦不，是潮
有点窒息，微软竟然让六万人自愿裁员
微软昨天给六万员工发了一封信，标题写着 Voluntary Exit Offer，自愿离职邀约。
这些员工占全球 22.3 万员工的 27%。美国、加拿大、印度、英国，level 70 及以下，连 GM 和一部分带 VP 头衔的人都算在内。没有年龄门槛，没有工龄门槛，绩效不作为因素。12 月第一周决定，12 月 31 日走人。
这是今年微软第三次裁员计划（叫什么其实不重要吧）。
四月那轮自愿裁员是让快退休的人先走。是微软 51 年来第一次买断，8,750 个美国人符合条件：年龄加工龄 ≥ 70，等于只请快退休的人走。那轮给得方案是很丰厚的，8 到 39 周一次性付清，医保最长五年，24 年以上工龄的股权续授 12 个月。
那轮自愿走了 30% 的人。
七月还有一轮常规裁员，裁了 4,800 人，加上四月自愿走的，也差不多就是完成了最初的 8000 来人的目标。
十月这轮自愿裁员，规模大了一个数量级，且不限年龄，可能人数太多了吧，方案也不像上次那么好了。
自愿裁员的员工有两个选择：
签，拿钱走。8 到 39 周工资一次付清。代价是你同时也成了自愿离职，领不到失业金。
不签，等。等来的可能是下一轮，但下一轮未必更宽松。七月被强制裁掉的人在论坛上说，自己拿到的包和四月自愿走的人差不多，"早知道就等了"。反过来也一样，主动走的人可能白让了一步。
但值得注意的是，微软裁员但微软并不缺钱，今年的资本开支 1,159 亿美元，同比涨 79.6%，占营收 35%。人均创收从 123.5 万涨到 148.8 万美元。
这正是这轮 AI 裁员潮的特点，AI 在替代人类的工作岗位，更加高效，更加省钱。
没有人可以挡住这个诱惑，世界将义无反顾地做出最理性的选择。
面对 AI 所带来的世界剧变，你真正的选择，其实只有一个：
从现在开始，每个人都得有自己的生意。自己去面对客户，真正完成赚钱的闭环。
公司已经越来越靠不住了。
AI 发展到极致，也许连公司都不复存在。
👋 欢迎来到 #X直聘！
这里是All in AI的人才交流社区，求职者、招聘负责人、开发者、创业者，以及寻找项目、合伙人的伙伴，欢迎加入～
（群组已有成员800余人，入群审批较慢）
📌 群组公约
1. 🤖 聚焦AI赛道：分享AI行业资讯、招聘求职、项目合作、创业机会、技术干货
2. 💼 合理自荐推广：可展示个人能力、项目作品、产品服务，发布招聘、商务信息；每人单次最多发2条自荐/推广消息
3. 🚫 禁止无效引流：谢绝求关注、互关等引流行为
4. 🚫 抵制低俗内容：严禁色情擦边、不适低俗内容
5. 🚫 严打虚假刷屏：禁止虚假招聘、诈骗信息、重复刷屏
6. 🤝 友善文明交流：不骚扰他人，严禁泄露他人隐私
⚠️ 免责声明
本群仅为信息交流平台，不对群成员身份、招聘、项目、推广信息的真实性负责。求职、合作、交易请自行核验信息，谨慎甄别，风险自担。
🚀 降噪提质，价值优先。让人才被看见，让机会高效流动。我里是Top互联网大厂 AI HRBP Max。
xitter.gq/i/chat/group_join/g211…
