• 故事

• 我们做的工具，想每次发布，都有日志

• 日志要求，符合 F.A.B

• 职场技巧：

• 沟通也可以有偷懒的办法

我希望你根据下列的项目模块的git commit日志生成一份互联网项目的新功能发布/缺陷修复发布日志。

要求：

1. 你不需要要关注执行commit的操作人，更新的时间信息
1.

1. 请过滤所有Merge Branch 的commit信息
2.

1. 请过滤commit信息明显缺失，不够明确的commit
3.

1. 如果前后几次临近的commit内容相似，请将其整合成一个发布内容，再评估“要求3”中是否保留
4.

1. 日志面向对象为使用用户，所以请避免过于专业化的用语
5.

1. 你只需要更改''' ''' 之间的内容，不要更改模版内的其他内容 以下是各模块commit日志
   logs
6.

发布日志模版如下：

v0.1.1

##覆盖时间范围

🚀版本新功能 '''请参考上面各模块的commit日志生成版本新功能项/缺陷修复项，以markdown列表呈现'''

补充内容

🚀版本新功能

• 更新了SDK引入方式，现在可以通过JavaScript直接引入，简化了集成步骤。

• 引入了新的wiki模块，增强了知识库的功能和用户体验。

• 优化了会话接口，统一了会话消息获取的流程，提升了用户交互的连贯性。

• 更新了OCR结果拼接算法，提高了文本识别的准确性和效率。

• 改进了权限控制，为外网版本适配了中间产物权限管理，增强了数据的安全性。

• fibona外网版本发布，上线fibona文档系统。

🐞缺陷修复

• 修复了登录错误时的报错提示问题，改善了用户完成界面的提示。

• 修复了在私有分享后提示词会话权限判断的问题，确保了权限的正确判定。

• 解决了分享路由跳转的体验问题，优化了用户分享内容时的流畅性。

• 修复了知识库上传记录失败的问题，现在可以正确记录上传情况。

• 修复了聊天窗口的错误处理问题，避免了不必要的中断。

• 解决了不携带脱敏信息时获取消息无法生成标题的问题，增强了系统的稳定性。

• 修复了提示词变量缺失导致的错误，确保了提示词的正确使用。

1. 您的团队目前是否因为缺乏自动化测试而面临具体的问题？比如项目延期、产品质量下降等。
1.

1. 是否有具体的量化数据来证明这些问题，比如因为缺乏自动化测试导致的项目延期百分比、缺陷率上升等？
2.

1. 从客户角度来看，他们是否因为产品质量问题而提出投诉或者退货？这些是否有具体的量化数据？
3.

1. 从业务自身角度来看，缺乏自动化测试对团队的生产力、成本控制等方面有何具体影响？
4.

1. 有没有特定的场景或案例，能够突出自动化测试缺失带来的负面影响？
5.

功能介绍

我们可以自动帮你用 Prompt 来输出 Mermaid 格式的内容并渲染成对应的图例。

F.A.B 模型分析

Feature (功能)

• 自动输出 Mermaid 格式内容：用户只需输入相关信息，系统即可自动生成 Mermaid 格式的代码。

• 渲染成对应图例：生成的 Mermaid 代码会自动渲染成美观的图表。

Advantage (优势)

• 高效便捷：用户无需手动编写复杂的 Mermaid 代码，大大节省时间。

• 直观易懂：生成的图表清晰直观，便于理解和传达复杂信息。

• 高度定制化：用户可以根据需求自由调整输入内容，生成符合特定需求的图表。

Benefit (价值)

• 提升工作效率：自动化的流程减少了手动操作的时间和错误，提高了工作效率。

• 增强信息传达效果：美观的图表能更好地吸引观众注意力，提升信息传达的效果。

• 灵活适应各种场景：适用于报告、演示、教学等多种场合，满足不同需求。

宣传文章标题

自动生成Mermaid图表，高效直观传达信息

1. 角色：产品经理，相似工具优势：Lucidchart（易用性强），我们的优势：自动化生成Mermaid格式内容，无需手动绘制，痛点：花费太多时间手动创建图例，影响工作效率。
1.

1. 角色：开发工程师，相似工具优势：Graphviz（强大的自定义能力），我们的优势：简单易用，无需学习复杂的语法，痛点：花费太多时间学习和配置图例工具。
2.

1. 角色：设计师，相似工具优势：Figma（实时协作），我们的优势：自动化生成图例，减少重复工作，痛点：重复创建相同的图例，浪费时间和精力。
3.

1. 角色：技术写作，相似工具优势：Draw.io（易用性强），我们的优势：输出Mermaid格式内容，方便嵌入文档，痛点：创建图例困难，影响文档质量。
4.

1. 角色：项目经理，相似工具优势：SmartDraw（丰富的模板），我们的优势：自动化生成图例，减少项目延误，痛点：项目团队成员创建图例的时间不一致，导致项目延误。
5.

1. 角色：UX设计师，相似工具优势：Axure（强大的交互设计），我们的优势：快速输出图例，方便进行用户测试，痛点：创建图例耗时，影响用户测试进度。
6.

1. 角色：市场营销，相似工具优势： Piktochart（易用性强），我们的优势：自动化生成图例，减少内容创作时间，痛点：创建图例困难，影响内容发布速度。
7.

1. 角色：销售团队，相似工具优势： Gliffy（易用性强），我们的优势：快速输出图例，方便进行销售演示，痛点：创建图例耗时，影响销售效率。
8.

1. 角色：教育工作者，相似工具优势：Coggle（实时协作），我们的优势：输出Mermaid格式内容，方便嵌入教学材料，痛点：创建图例困难，影响教学质量。
9.

1. 角色：商业分析师，相似工具优势： Microsoft Visio（强大的数据分析），我们的优势：自动化生成图例，减少数据分析时间，痛点：创建图例耗时，影响数据分析进度。
10.

1. "5分钟搞定图例！自动化生成Mermaid格式内容，解放产品经理的时间"
1.

1. "开发工程师的福音！简单易用，无需学习复杂的语法，自动化生成图例"
2.

1. "设计师的救星！自动化生成图例，减少重复工作，提高工作效率"
3.

1. "技术写作的好帮手！输出Mermaid格式内容，方便嵌入文档，提高文档质量"
4.

1. "项目经理的必备工具！自动化生成图例，减少项目延误，提高项目效率"
5.

• 沉浸式翻译，原汁原味阅读论文

• 元宝和 KIMI + Survey + Markdown 表格快速全面了解学术进展 （也可以基于优缺点来展开），元宝本身还有精度的能力

• AI 搜索，秘塔和 Perplexty， 跟搜商有很大的关系

• 要评估自己学到哪里了，有全局的认知就需要有个地图

• AI 学习也要有个地图

• 知识树和决策树

• 思维模型到知识地图：分层模型、识别-分析-解决-度量模型

• 未知/已知象限图，MECE 原则

你作为提示词工程专家，请你帮我生成参考下面格式的生成式AI提示词撰写会遇到的问题的决策树。
"""
# 性能优化决策树

## 资源类性能问题

### CPU
#### 过热降频
#### 算力不足
#### 高缓存未命中率
#### 多核利用不足
#### 上下文切换过多
……
"""

# 生成式AI提示词撰写问题决策树

## 提示词结构问题

### 不清晰
#### 指令模糊
#### 上下文缺失
#### 目标不明确

### 不完整
#### 缺少关键信息
#### 步骤说明不足
#### 约束条件遗漏

### 不连贯
#### 逻辑跳跃
#### 前后矛盾
#### 结构混乱

## 内容质量问题

### 不准确
#### 事实错误
#### 概念混淆
#### 过时信息

### 不相关
#### 偏离主题
#### 无用细节过多
#### 重点不突出

### 不恰当
#### 存在偏见
#### 违反道德伦理
#### 潜在危险内容

## 语言表达问题

### 不简洁
#### 冗长啰嗦
#### 重复信息
#### 不必要的修饰

### 不自然
#### 生硬机械
#### 语法错误
#### 词语使用不当

### 不一致
#### 风格变化
#### 术语混用
#### 人称视角混乱

## 任务适配问题

### 不匹配
#### 难度不适
#### 范围过大或过小
#### 与模型能力不符

### 不灵活
#### 缺乏创意空间
#### 过度限制
#### 无法应对变化

### 不可执行
#### 步骤不可行
#### 资源要求过高
#### 时间估计不合理

## 交互设计问题

### 不友好
#### 缺乏引导
#### 反馈机制不足
#### 用户体验差

### 不安全
#### 隐私保护不足
#### 输出内容未过滤
#### 潜在滥用风险

### 不连续
#### 对话流失自然
#### 上下文保持不足
#### 多轮交互断裂

你作为资深的提示词工程专家，请你帮我 Review并补充下面的生成式AI提示词撰写问题决策树。
第一步，你可以先随机使用短句列出 60 个具体AI提示词撰写的问题案例。
第二步，把第一步的例子尝试放到当前分类中，列出不属于下面分类的案例
第三步，修改当前决策树，让他可以包含第二步输出的无法被当前分类覆盖的案例，并输出完整不被省略的决策树
"""
# 生成式AI提示词撰写问题决策树

## 提示词结构问题

### 不清晰
#### 指令模糊
#### 上下文缺失
#### 目标不明确

### 不完整
#### 缺少关键信息
#### 步骤说明不足
#### 约束条件遗漏

### 不连贯
#### 逻辑跳跃
#### 前后矛盾
#### 结构混乱

## 内容质量问题

.......

## 交互设计问题

.......

### 不连续
#### 对话流失自然
#### 上下文保持不足
#### 多轮交互断裂
“””

1. 未考虑到文化差异,使用了不恰当的表达
1.

1. 未说明如何处理异常或边界情况
2.

1. 未考虑到不同地区的法律法规差异
3.

1. 未说明是否需要考虑可访问性(如屏幕阅读器兼容)
4.

1. 未说明输出是否需要考虑SEO优化
5.

1. 未指定如何处理多语言或国际化问题
6.

1. 未说明是否需要考虑移动设备兼容性
7.

1. 未指定如何处理实时数据或动态信息
8.

1. 未说明是否需要考虑不同年龄组的需求
9.

1. 未指定如何处理潜在的伦理困境
10.

# 生成式AI提示词撰写问题决策树

## 提示词结构问题

### 不清晰
#### 指令模糊
1. Chain of Thought (CoT)
   - 提示词示例：
     "请一步步思考并解决以下问题：[问题描述]
     第一步：...
     第二步：...
     最后，得出结论。"
   - 原理：通过引导模型逐步思考，提高指令的清晰度和执行的准确性。

2. Task-specific Instructions
   - 提示词示例：
     "你现在是一名专业的数据分析师。请分析以下数据集，重点关注销售趋势和客户行为。输出应包含关键发现和可行建议。"
   - 原理：通过明确指定任务和期望输出，减少模糊性，提高响应的针对性。

#### 上下文缺失
1. Few-shot Learning
   - 提示词示例：
     "以下是几个例子：
     问：[简单问题1]
     答：[相应答案1]
     问：[简单问题2]
     答：[相应答案2]
     现在，请回答这个问题：[目标问题]"
   - 原理：通过提供相关的示例，为模型建立上下文，提高理解和生成的准确性。

2. In-context Learning
   - 提示词示例：
     "我们正在讨论20世纪的文学作品。在这个背景下，请分析[特定作品]的主题和风格。"
   - 原理：通过提供广泛的背景信息，帮助模型更好地理解任务的上下文。

#### 目标不明确
1. Outcome-driven Prompting
   - 提示词示例：
     "请生成一个营销策略，目标是在3个月内将产品X的销量提高20%。策略应包含具体的行动步骤和预期结果。"
   - 原理：通过明确指定期望的结果，引导模型生成更有针对性和实用性的输出。

### 不完整
#### 缺少关键信息
1. Prompt Templates
   - 提示词示例：
     "请回答以下问题：
     1. 主题：[填写主题]
     2. 背景：[提供背景信息]
     3. 具体问题：[详细说明问题]
     4. 需要的输出格式：[指定格式]"
   - 原理：使用结构化模板确保所有必要信息都被包含在提示中。

2. Information Retrieval Augmented Generation
   - 提示词示例：
     "基于以下信息：[插入相关检索到的信息]，请回答问题：[具体问题]"
   - 原理：通过检索和整合相关信息来补充提示，确保模型有足够的上下文来生成准确的回答。

#### 步骤说明不足
1. Chain of Thought (CoT)
   - 提示词示例：
     "解决这个问题需要以下步骤：
     1. [第一步说明]
     2. [第二步说明]
     ...
     请按照这些步骤详细解答。"
   - 原理：通过明确列出思考或解决问题的步骤，引导模型进行更结构化和全面的回答。

2. Step-by-step Instructions
   - 提示词示例：
     "请按照以下步骤完成任务：
     1. [具体步骤1]
     2. [具体步骤2]
     ...
     在每个步骤后，请解释你的做法。"
   - 原理：通过提供明确的步骤指导，确保模型完整地执行任务，不遗漏关键环节。

#### 约束条件遗漏
1. Constraint Specification
   - 提示词示例：
     "在回答问题时，请遵守以下约束：
     1. 答案不超过100字
     2. 使用通俗易懂的语言
     3. 不包含个人观点
     问题是：[具体问题]"
   - 原理：通过明确指定约束条件，确保模型的输出符合特定的要求和限制。

### 不连贯
#### 逻辑跳跃
1. Chain of Thought (CoT)
   - 提示词示例：
     "请一步步解释你的思考过程：
     1. 首先，我们考虑...
     2. 接下来，基于上一步，我们可以推断...
     3. 最后，综合以上分析，我们得出结论..."
   - 原理：通过要求模型展示完整的思考过程，减少逻辑跳跃，增强推理的连贯性。

2. Tree of Thoughts
   - 提示词示例：
     "请使用树状思维方式解决问题：
     1. 主要问题：[问题描述]
     2. 子问题1：[相关子问题]
        2.1 可能的解决方案
        2.2 潜在的问题
     3. 子问题2：[另一个相关子问题]
        3.1 ...
     最后，综合所有分支，得出最终结论。"
   - 原理：通过构建思维树，探索多个可能的思路，减少遗漏，增强逻辑的完整性。

#### 前后矛盾
1. Self-consistency Checking
   - 提示词示例：
     "请回答以下问题，并在回答后进行自我检查：
     1. [具体问题]
     2. 检查：你的回答是否存在内部矛盾？如果有，请指出并修正。"
   - 原理：通过要求模型进行自我一致性检查，减少前后矛盾的情况出现。

#### 结构混乱
1. Structured Prompting
   - 提示词示例：
     "请按照以下结构回答问题：
     1. 引言：简要说明问题背景
     2. 主体：
        a) 观点1及其支持论据
        b) 观点2及其支持论据
     3. 结论：总结主要观点
     问题是：[具体问题]"
   - 原理：通过提供清晰的结构框架，引导模型生成组织良好、逻辑清晰的回答。

• 故事：逆向思维也是为了 MECE 的没有遗漏，那么完整性怎么确保？

1. 预防：指的是采取措施，防止故障发生。例如，定期维护、备份数据等。
1.

1. 修复：指的是故障发生后，采取措施恢复系统正常运行。例如，修复BUG、恢复数据等。
2.

1. 缓解：指的是故障发生后，采取措施减轻故障的影响。例如，提供临时解决方案、降级服务等。
3.

• 这三个类别是否相互独立？（是的，它们分别针对故障的不同阶段和目标。）

• 这三个类别是否完全穷尽？（不是，还缺少了一个类别，即“检测”或“监控”。）

1. 预防，结构因：系统设计，材料因：代码和配置，目的因：避免故障，动力因：主动措施。
1.

1. 修复，结构因：系统恢复，材料因：代码和配置，目的因：恢复正常，动力因：被动措施。
2.

1. 缓解，结构因：系统限制，材料因：资源和配置，目的因：减轻影响，动力因：被动措施。
3.

• 故事

• TO B 的痛，痛就不想回首

• 但是当一个工单上升到原厂专家解决，那意味着什么？

• 已经沉淀 40 篇

• 职场技巧

• 鸡汤：直面痛苦，积极复盘

• 做一个“挑战者”AI， 只评估不创作

• 绝对的控制，如果你不满意 AI，那么给明确的要求，让AI 做“评估”总是可以的

• 例子从 RAG 中获取。

• 不仅仅“挑战”，还要通过提问来“启发”

• 提示词： AI 不懂你的上下文，让 AI 向你提问

• 遗留问题

• 我来说：我能想出答案，还需要你？

• AI 来说：不一定是我要的答案

• 中间：降低问题的难题：从问答题到选择题

• 故事：抱怨下属没有拆解 KR，没有主人翁精神，等着上级安排任务

• 不是 AI 代替我们思考，是让 AI 辅助我们思考

• 分工：AI 负责发散思考，我们负责抉择和信息补充

• 管理：时间有限，指挥官意图，设定目标重要。更有限，招聘更重要。

• GPU 性能测试负责人招聘，一个相对陌生的领域

• 职场技巧： 写 JD 也有流程

• 提示词效果对比

• 思考

• 不能说 Workflow 生成的更好，但是确实都是在做的事儿

• 从关键结果导出来的关键能力：

• 反正以后提示词都没有用了。

• 回顾一下：OKR评估里面的限制，OKR 创作过程中的交互，JD 里面的“流程”

• AI 员工管理中的沟通技巧 = 提示词工程 （减少沟通噪声、提问给启发、给流程简化沟通）

• 管理的流派

• 公司角度看： 自由责任 VS 流程控制， 奈飞 VS 华为， 创新 VS 效率

• 自由责任：AI 模型的强大 = AI员工的强大 = 承担更多责任（O1 和 Agent 都是把规划的责任给于 AI） = 更多创新

• 流程控制：

• 更准确描述：AI 也许强大，但是它现在很敏感，看风就是雨，eg:“缺陷”VS “缺陷单”
  论文：Larger and more instructable language models become less reliable。况且我们用的 AI 只是个高中生。

• 围绕“人”为中心：

• 人想清楚（OKR 、 JD 的撰写）自己想要什么，表达清楚自己想要什么。

• 人承担责任 = Workflow（人参与规划、决策来控制的过程）= “提示词工程”

• SFT 和提示词工程 = 企业的培训体系和流程建设

• 通过提示词工程来生成SFT 的数据

• SFT 来简化提示词

• 灰盒分析: 日志、配置、tracing（基于uprobe)

• 也是一种从内部去拆解对象的方法。

原始

角色设定

使用“配置”来拆解

• 故事

• 降智后使用

• Cursor：复杂项目， 不适合非程序员

• bolt.new： 幻灯片，小网站， 做个有前端有后台的，懂一些框架和编程， xx-like app

• websim.ai ： 做个小游戏， 非程序员 OK， 以前不敢想的，现在可以想想，利用用游戏来“破冰”

• 写自己的智能体或者工作流

• 公司价值观小游戏：

websim

价值观躲避游戏

• 故事

• 新产品的策划：市场分析、竞品分析

• 期望的结论 VS 实际的情况

• 职场技巧

• 数据洞察： 发现反直觉的结论，度量效应的影响，发现规律

• 空雨伞：提取报告中的事实

• 提示词

• 第一步，从调研报告中，提取报告中的事实（可以用 PESTEL）

• 第二步：多份markdown数据表格的“事实”用标签隔开

• 第三步：数据联结起来才会形成知识，甚至智慧

1. 老年人口增长与银行App用户数据
1.

• 历次人口普查老年人占总人口比重

• 2023年MAU数据 - 国有银行

• 2023年度银行业手机APP主要客群观察

1. 游戏市场规模与用户数量变化
2.

• 中国移动游戏用户规模走势变化

• 中国移动游戏市场实际销售收入走势变化

1. 小程序游戏市场增长与投放变化
3.

• 中国小程序游戏市场收入走势变化

• 2021-2023年微信小游戏在投产品数量变化

1. 游戏素材投放策略变化
4.

• 2022-2023年手游App素材量及素材创意组数变化

• 2022-2023年微信小游戏素材量及素材创意组数变化

• 2023年手游App投放素材类型分布

• 2023年微信小游戏投放素材类型分布

1. 小游戏出海市场选择与收入分布
5.

• 17款出海小游戏市场选择

• 17款出海小游戏双端内购收入-按市场

1. 小程序生态发展与用户规模
6.

• 小程序生态框架

• 小程序用户规模

1. 视频号与短视频平台发展
7.

• 视频号品牌百强行业分布TOP5

• 视频号发展数据

• 2023年网络视听行业市场规模构成

1. 小程序平台发展对比
8.

• 小程序规模数据

• 抖音小程序数据

1. 阿拉丁指数与视灯指数对比
9.

• 阿拉丁指数TOP1000小程序分布

• 2023年视灯指数百强类型构成

• 2023年阿拉丁指数百强类型结构

1. 直播电商趋势
10.

• 视频号发展数据

• 用户在直播间购买日常生活快消品的比例

1. 反直觉结论: 尽管老年人口比例持续增长,但主要银行App的MAU在2023年普遍呈下降趋势。这可能表明银行业数字化转型面临挑战,尤其是在服务老年客户方面。
1.

1. 效应影响: 小程序游戏市场收入从2022年到2023年增长了300%,而同期微信小游戏在投产品数量增长了214%。这表明小程序游戏市场的增长速度远超产品数量增长,单个产品的平均收益显著提升。
2.

1. 潜在规律: 在游戏素材投放策略中,手游App和微信小游戏呈现出相反的趋势。手游App更倾向于平衡使用图片和视频素材,而微信小游戏则更偏向于使用图片素材。这可能反映了两个平台用户行为和偏好的差异。
3.

1. 反直觉结论: 尽管中国移动游戏用户规模增长趋于平缓,但市场实际销售收入在2023年出现显著反弹,增长率达18%。这表明用户平均支出增加,可能是由于游戏内容质量提升或付费模式优化。
4.

1. 效应影响: 在小游戏出海市场中,日本和韩国的收入贡献远超其他市场,包括美国。这强调了亚洲市场在游戏出海策略中的重要性。
5.

1. 针对银行业客户: 建议: 开发专门针对老年用户的RUM功能模块,提高App易用性。 依据: 历次人口普查数据显示老年人口比例持续增长,而银行App MAU却呈下降趋势。
1.

1. 聚焦小程序生态: 建议: 优化RUM产品以更好地支持小程序,特别是游戏类小程序的性能监控。 依据: 小程序游戏市场收入在2023年增长300%,小程序用户规模达到10亿+。
2.

1. 视频性能监控: 建议: 加强对视频播放性能的监控能力,特别是在直播场景。 依据: 视频号直播带货GMV增长160%+,短视频占网络视听行业41.2%的市场份额。
3.

1. 国际化策略: 建议: 优先开发支持日语和韩语的RUM产品版本。 依据: 在小游戏出海市场中,日本和韩国的收入贡献最大,分别为146.89和129.31百万美元。
4.

1. 移动端优化: 建议: 强化移动端RUM解决方案,特别是在弱网环境下的性能监控。 依据: 中国移动游戏用户规模达6.57亿,移动端用户体验至关重要。
5.

1. AI集成: 建议: 考虑将AI大模型集成到RUM产品中,提供智能分析和优化建议。 依据: 主要小程序平台都在积极发展AI模型,如微信的混元大模型、支付宝的金融大模型等。
6.

1. 行业定制: 建议: 为不同行业开发定制化的RUM解决方案,特别是生活服务、网络购物和工具类应用。 依据: 阿拉丁指数TOP1000行业分布显示这些行业占比较高。
7.

1. 素材加载优化: 建议: 开发针对不同类型素材(图片/视频)的加载性能监控模块。 依据: 手游App和微信小游戏在素材使用上存在明显差异,图片和视频素材分布不同。
8.

1. 直播电商支持: 建议: 增强对直播场景的支持,包括实时互动、商品展示等功能的性能监控。 依据: 用户在直播间购买日常生活快消品的比例较高,如生活用品58.9%,服饰箱包42.5%。
9.

1. 跨平台兼容: 建议: 确保RUM产品能够跨平台兼容,支持主流小程序平台。 依据: 不同平台(如微信、支付宝、抖音)的小程序生态都在快速发展,用户规模庞大。
10.

1. 工作时间占据了大部分醒着的时间。
1.

1. 学习和成长需要专门的时间投入。
2.

1. 工作和学习是互相独立的活动。
3.

1. 个人时间管理能力有限。
4.

1. 工作任务的优先级高于个人发展。
5.

1. 现有的工作方式是最高效的。
6.

1. 分割: 将学习分割成小块,利用碎片时间学习 (95)
1.

1. 分离: 将工作和学习时间明确分开 (75)
2.

1. 局部质量: 专注于最重要的学习内容 (90)
3.

1. 非对称: 调整工作时间,为学习留出更多时间 (70)
4.

1. 合并: 将学习融入工作中 (85)
5.

1. 多功能: 选择既能完成工作又能学习的任务 (80)
6.

1. 嵌套: 在工作中嵌入学习机会 (85)
7.

1. 抗重: 设置学习目标,增加学习的重要性 (75)
8.

1. 预先反作用: 提前规划学习时间 (80)
9.

1. 预先作用: 提前准备学习材料 (85)
10.

1. 预先缓冲: 为突发工作预留缓冲时间 (70)
11.

1. 等位性: 在工作场所创造学习环境 (65)
12.

1. 反向: 先学习后工作 (60)
13.

1. 曲面化: 使学习过程更灵活 (75)
14.

1. 动态化: 根据工作负荷调整学习计划 (85)
15.

1. 部分或过度作用: 在某些时期集中学习 (70)
16.

1. 转向新维度: 尝试新的学习方法 (80)
17.

1. 机械振动: 定期回顾和巩固所学内容 (75)
18.

1. 周期性作用: 建立固定的学习习惯 (85)
19.

1. 连续有用作用: 持续应用所学知识到工作中 (90)
20.

1. 闯过: 加快学习速度 (65)
21.

1. "故障"转利: 从工作中的错误中学习 (85)
22.

1. 反馈: 定期评估学习进度 (80)
23.

1. 中间物: 使用学习辅助工具 (75)
24.

1. 自服务: 自主学习 (90)
25.

1. 复制: 复制他人成功的学习方法 (70)
26.

1. 一次性: 参加密集训练营 (65)
27.

1. 替代机械系统: 使用在线学习平台 (85)
28.

1. 气动或液压: 创造轻松的学习氛围 (60)
29.

1. 柔性外壳和薄膜: 保持学习计划的灵活性 (75)
30.

1. 多孔材料: 在日程中创造学习空间 (80)
31.

1. 改变颜色: 使用视觉提醒来促进学习 (65)
32.

1. 同质性: 选择与工作相关的学习内容 (85)
33.

1. 抛弃与再生: 放弃无效的学习方法,尝试新方法 (75)
34.

1. 改变物理化学参数: 调整学习环境 (70)
35.

1. 相变: 将被动学习转变为主动学习 (80)
36.

1. 热膨胀: 扩大学习范围 (65)
37.

1. 加速氧化: 提高学习效率 (75)
38.

1. 惰性环境: 创造专注学习的环境 (80)
39.

1. 复合材料: 结合多种学习资源和方法 (85)
40.

1. 分割 (95分): 方案: 将学习内容分割成15-30分钟的小单元,利用工作间隙、通勤时间等碎片时间学习。 可行性: 高。这种方法适应现代快节奏生活,容易执行,不需要大块时间,可以充分利用零散时间。 建议: 使用学习APP或播客,准备便携学习材料。定期复习和整合所学内容,确保知识连贯性。
1.

1. 局部质量 (90分): 方案: 确定最重要的学习内容,将有限的时间集中在这些核心领域。 可行性: 中高。需要仔细评估和选择学习内容,但一旦确定,可以提高学习效率和效果。 建议: 定期评估工作需求和个人发展目标,相应调整学习重点。与上级或导师讨论,确保学习方向与职业发展一致。
2.

1. 合并 (85分): 方案: 将学习融入日常工作中,如在项目中尝试新技术,或在解决问题时学习新方法。 可行性: 中等。需要一定创造力和主动性,但可以实现工作和学习的双赢。 建议: 主动承担有挑战性的任务,在工作中应用新知识。与同事分享学习心得,创造共同学习的氛围。
3.

1. 嵌套 (85分): 方案: 在日常工作流程中嵌入学习环节,如晨会时分享学习心得,午休时间组织学习小组。 可行性: 中高。需要个人和团队的配合,但可以创造持续学习的文化。 建议: 与团队成员讨论实施方案,获得支持。逐步将学习融入团队常规活动中。
4.

1. 预先作用 (85分): 方案: 提前准备学习材料,如下载文章、准备笔记等,以便随时可以开始学习。 可行性: 高。容易执行,可以提高学习效率。 建议: 建立个人知识管理系统,定期整理和更新学习资料。利用周末等较空闲时间做准备工作。
5.

1. 动态化 (85分): 方案: 根据工作负荷的变化灵活调整学习计划,繁忙时减少学习量,空闲时增加学习时间。 可行性: 中等。需要较强的自制力和时间管理能力,但可以平衡工作和学习。 建议: 使用时间管理工具,定期回顾和调整计划。设置最低学习量,确保持续学习。
6.

1. 连续有用作用 (90分): 方案: 持续将所学知识应用到工作中,强化学习效果并提高工作效率。 可行性: 高。直接将学习与工作效果挂钩,容易获得支持和认可。 建议: 建立学习日志,记录所学知识在工作中的应用。定期与上级沟通,展示学习成果。
7.

1. 自服务 (90分): 方案: 采用自主学习方式,根据个人节奏和需求制定学习计划。 可行性: 高。灵活性强,适应个人情况。 建议: 设定明确的学习目标和时间表。利用在线课程、书籍等多样化资源。定期自我评估和调整。
8.

• 未来： 更高的个人价值产出，更扁平的公司结构，一个人的公司

• 人的要求：可以不知道 How，但是一定要知道 What；AI 领导力

• 交互方式： 语音、数字人应该是更好的体验方式