🔎 正在看机会

Majii

💡Transitioning Builder

想做一个"失败学"的垂直产品,有人感兴趣吗?🫪🫪🫪 这个想法源于当今社区氛围充斥着优绩主义——把一个人的价值完全绑定在成功与否上。你成功了,你的故事被反复讲述,而你失败了,你的故事基本不会被看见。 在这种氛围下,成功学应运而生。大家热衷把包装精英、渲染成果、拆解成功输出方法论,拆解别人的成功当然有价值,但问题在于——我们拆解的那些成功,也许本身就是被加工过的。 两个概念可以解释这件事: 一个叫幸存者偏差。每一个时代大浪淘沙,留下来家喻户晓的产品背后,同期一定有大量同类产品,同样的时代风口,但有些做错了关键决策、走错了关键路径,死在了浪潮里。而活下来的那个,回过头跟后来者说我是这样过来的,可他占尽了天时地利人和,但他不会这么讲——这么讲就没有方法论可卖了。 另一个叫货物崇拜,费曼提出的只模仿成功的外在形式,不理解内在原理。很多媒体拆解成功案例,本质上就是货物崇拜,只学了表面流程,没学到真正起作用的东西。 我越来越对包装成功嗤之以鼻的原因是,某个专门宣传 founder 的自媒体,非常擅长包装成功故事做营销,有两家企业我恰好比较熟悉,包装出来的故事和实际情况出入很大,这让我开始怀疑,所谓的成功方法论,前提可能就不成立。 再说一个案例是戚越,靠理想冰箱架赚过钱的人,虽然他现在破产了,但我觉得这过程中失败的经验比成功的方法论更有价值 并不是什么成功方法论塑造了成功,而是吃一堑长一智塑造了成功。 所以我想做一个专注"失败”的垂直社区,让失败被看见,让更多的人避坑,真实地记录失败、复盘失败、从失败里提取真正可迁移的经验。 据我观察,目前中文互联网上好像还没有专门做这一方面的。
Majii
没人有同感吗?找成功的方法千万条,但失败的经验少之又少🫪
Majii
不断的深入思考,暂时得出这样一个观点: 我们研究失败,不是为了寻找一套避免失败的标准答案,而是为了避免只从成功中学习所造成的认知盲区。
Majii
找工地图的投递是单向的设计吗,投递过去以后,就没有下文了,就像网申一样进入了「人才池」,不知道多久才会有水花,也不知道是不是 HC 满了💧 想了解正确的使用方法✅
Majii回复了
许愿式求职这个现象在自荐墙一开始出现的时候有出现,后面回归理智之后这种现象基本没有出现了,但不知道找工地图每天收到的简历到底是怎么个情况
Majii
+1 很好奇简历发送出去后的旅程🫪
Majii回复了
主动性和相关性,例如你想找AI产品工作,如果你曾经是产品,那是否有AI类的项目尝试,如果你都没有产品经历,那你是否有自己build sth,很多道理都是显而易见的,作品是否用心也是高下立见的
Majii
感谢分享!还想问一下,你说的作品是否用心,具体是作品的背景及解决哪方面的问题吗? 我自己的理解是,作品首要解决某一方面的痛点,要么提效要么补足短板或空缺。哪怕足够用心,但并没有解决痛点,因为洞察需求本身也是用心的一部分。 不过也想确认一下,除了痛点洞察,你们还会重点看方案取舍和结果验证吗?还是说痛点找对了,后面自然能聊出来?
Majii回复了
其实还是要看第一性原理和能力迁移,知识复用能力,很多人看上去前一份工作相关但是招进来不靠谱
Majii
🤓谢谢,还想追问两个问题 一是对于转行的人来说,怎么跨越简历关拿到面试机会? 二是你提到很多人前一份工作看似相关但进来不靠谱。那反过来,面试的时候一般怎样提问或环节来判断一个人的第一性原理和迁移能力到底行不行?
提问🙋‍♂️:初创公司founder 更加看重求职者的哪些特质?怎样去排权重? 尤其是对于社招转行的人来说,因为说实话,我现在挺纠结的。 就像很多人说的,毕业第一份工作选错了方向,未来就很难翻身了,看别人换行像换衣服一样轻松,而我好像每走一步都更进退两难的境地,正向反馈好像越来越少 但我不想就这么认✋所以想认真请教以下问题: 1. 招人的时候,最看重候选人哪几个特质?大概怎么排序? 2. 对社招转行的人,会重点看什么?是更看重学习能力、过往经验的可迁移性,还是别的什么? 3. 面试的时候,转行的人最容易踩哪些坑?有没有什么能提前准备的建议? 4. 如果学历不是特别亮眼,有什么 way 能让 founder 对你刮目相看吗? 有类似经历的 bro 或者亲自招过人的 founder,求分享真实经验,哪怕是踩过的坑也行,先谢过了 🙏
AI 擅长回答问题,却不擅长发现问题。 AI 的目标通常是完成指令,而不是解决问题:​​ 当你向 AI 提问时,它的目标不是去审视问题本身是否合理,而是如何最好地完成你所下达的指令。它会默认你设定的前提是正确的,然后在这个框架内尽力提供答案。它不会像人类一样,对问题背后的假设产生困惑或好奇。 所以它是在海量数据中识别模式,并根据用户给出的话,预测出概率角度最合适的回答。 它的所有回答,本质上都是对人类已有知识的排列组合与优化。它没有自我意识,没有主观信念,也就没有质疑的出发点。 所以目前的 Agent 确实在往「主动发现问题」这个方向走,但它目前离「真正的问题发现者」还很远。 比如有些项目是伪需求,或者有更优解,再或者已经有成熟的方案可以借鉴,模型很少会去主动判断;再比如 agent 陷入死循环,改了很多轮仍在同一类解法里打转,不跳脱出来;还有类似于没做的动作却谎称已经做完等等情况出现,让人抓狂 为了减少这种情况的发生,我做了个 npm 包,叫做 agent-evidence-check,在做项目的过程中可以更顺畅,更方便 有很多不成熟的地方,希望能够多交流一下!
Majii评论了这条帖子
分享近期的观察和思考:当 AI 越普及,我每天要处理的信息反而越乱,AI 正在引出的一场无人可以回避的囚徒困境。 因为谁都怕被 AI 替代,于是人人都拿 AI 往自己能力圈外面冲。单看一个人,多做、多产出完全合理。可放到整个公司,没人统一设计的代码、系统和流程,就这么各自野蛮生长起来了。 AI 让制造复杂度变便宜了,管理复杂度却一点没便宜。 更拧巴的是,AI 越强,公司对每个人的产出期待就越高;期待越高,大家越要靠 AI 堆更多东西;东西越多,组织就越乱。结果是每个人都在提效,公司整体却越来越失控。 要这么泛滥下去,AI 带给我们的恐怕不是效率,而是无序、混乱,和一场没有尽头的极致内卷。
Majii
信息过载