AI 自动完成 CST 电磁仿真任务。 Codex 通过我开发的 CST MCP 和 CST Simulation Workflow Skill，自动控制 CST Studio Suite 完成一个汽车 77GHz 毫米波雷达电磁仿真案例。 整个流程从自然语言对话开始，由 Codex 自动调用 CST MCP 完成项目创建、参数化建模、材料设置、4 端口激励、Open/Add Space 边界设置、E/H/Farfield 监视器配置、Time Domain Solver 求解，以及 S 参数结果导出。 Codex + CST MCP 控制专业仿真软件完成自动建模、求解、导出与结果验证的真实演示。 #CodeX# #CST# #MCP# #自动建模# #AI工具# #电磁仿真# #GPT#

ChatGPT 5.6 Sol接管Ansys，有限元仿真全流程自动跑通！ ChatGPT 5.6 Sol自动驱动 Ansys 完成有限元结构仿真的全过程。从几何建模、材料与接触定义，到载荷边界、三档网格收敛和非线性求解，模型都能自动执行并逐项校核。 这是一套三耳板销轴双剪连接结构的有限元仿真：中间耳板承受拉力，两侧外耳板固定，载荷通过销孔接触传递到销轴。 ChatGPT 5.6 Sol 不仅能自动后处理生成应力、变形和接触压力云图，还能识别最差网格单元、检查反力平衡，最终输出完整的仿真验收报告。 #有限元仿真# #AI仿真# #ChatGPT# #Ansys# #CAE#

为什么自己摸自己和别人摸的你差别这么大？ 第一层：预测抑制：大脑会提前预测自己发出的触感，并自动“降敏”，所以感觉会变弱。 第二层：不可预测性：别人带来的触碰无法提前建模，大脑会自动提高警觉与感知强度。 第三层：社会信号：触碰不仅是物理刺激，还包含关系信息：亲密、信任、边界进入。 第四层：控制权差异：自己触碰是完全可控的；他人触碰意味着你在被动接收，敏感度会上升。 第五层：注意力聚焦：自己触碰时注意力分散在动作执行；他人触碰时注意力集中在感受本身。

真的看腻了网上一群无知者的集体狂欢，堪称科技圈最大的笑话，没有之一。 随便刷一刷舆论场，满屏都是学历认知双匮乏的普通人，拿着自己一知半解的零碎信息，大言不惭辩论自动驾驶的路线之争。纯视觉、激光雷达、多传感器融合，明明是涉及算法逻辑、硬件算力、工程落地、场景冗余的高端技术博弈，是行业顶尖工程师反复迭代、实测验证的专业课题。 结果一群初中、高中毕业，连基础传感原理、二维图像建模、三维点云测距都搞不懂的门外汉，张口就评判孰优孰劣，肆意指点行业方向。说得头头是道、煞有介事，实则全程跟风复读、人云亦云，本质就是猪脑子被流量牵着鼻子走，沦为资本和舆论操控的工具，蠢得可笑又可悲。 更极致的讽刺还在后面。 这群高谈阔论、肆意否定自动驾驶技术的人，恰恰是路面驾驶素质最差的一批人。日常开车变道不打灯、跟车过近、超速乱开、应急车道乱窜，情绪驾驶、预判为零，驾驶水平连行业基础及格线都够不上。 说实话，如今普及的L2级辅助驾驶，稳定性、安全性、反应速度、路况预判，全方位吊打绝大多数普通人的人工驾驶。更不用提持续迭代的高阶自动驾驶技术，早已规避了人类疲劳、浮躁、预判失误的所有致命短板。 最需要自动驾驶兜底保命、纠正陋习、规避事故的人，是他们；最看不懂技术、无脑抹黑排斥自动驾驶、跟风质疑技术路线的人，也是他们。 无知却好为人师，无能却酷爱指点江山。自己一身短板，却看不起精准迭代的硬核科技，拿着浅薄认知亵渎专业，用愚昧对抗进步。 这世间最滑稽的悖论，大抵莫过于此。

团队每天的招聘与面试量越来越大 于是这两天，给团队的「AI面试管家」系统进行了一次大的升级 核心是实现更自动化、更智能的四端协同：AI面试系统+GitHub+飞书+Codex 1、AI面试管家主系统 负责候选人、简历、AI自动首面、自动面试报告、反馈、排期、数据分析报告、同步状态等核心业务数据，相当于整个招聘流程的业务中枢 2、GitHub资料仓 GitHub仓库，作为招聘流程的协作空间，每个候选人都有自己的资料目录，流程阶段会自动通过目录、workflow.json、candidate-index.csv和Git commit来记录和流转 这意味着，一个候选人的流转过程，本身就形成了一条天然的版本化证据链 3、Codex Skill 承担本地智能操作层的角色，每位面试官主动拉取候选人资料包，生成评估，写入初试/复试反馈，保存排期，提交飞书任务、面试反馈与数据分析等 4、飞书执行层 通过飞书CLI，实现自动建立面试日历、私信和催填提醒，后台worker负责异步任务、失败重试和状态回写，包括面试数据周报同步等 整个流程大概是这样： 1、HR或候选人上传简历，系统异步解析结构化信息 2、候选人完成AI首面后，系统保存问答、对话历史、关键词和评分 3、报告生成服务异步产出HR版和候选人版报告，系统Agent自动同步到GitHub资料仓 4、同事可以在GitHub或Codex中查看候选人资料及相关信息，基于资料包生成评估，写入反馈 5、如果反馈结果是pass，候选人会自动进入GitHub仓库的下一阶段目录；如果是reject或hold，则只更新状态和反馈记录，不移动目录 6、当面试排期确定后，系统创建飞书日历任务，worker异步执行，并在面试后1小时和3小时自动发送反馈催填提醒 对面试官而言，核心的协同与互动界面变成了Codex，其它终端都自动协同和流转 这个架构里，我觉得最有意思的地方有几个： 1、数据库保存业务主数据，GitHub保存协作证据链 2、招聘流程被GitOps化，阶段变化、反馈记录、目录移动都可以追踪 3、本地Agent主动拉取，既能实现智能协作，又能控制安全边界 4、飞书任务全部异步执行，日历、通知、提醒之间可以故障隔离 5、AI负责事实抽取和建议，人负责结论、理由和责任判断 6、候选人不再只是后台表里的一行记录，而是一个可携带、可版本化、可回写、可触达的数据对象 在这套系统里，候选人被重新建模成了一个贯穿AI面试、GitHub协作、Codex本地Agent和飞书触达的状态对象 这让招聘流程同时具备了四种能力：自动化效率、人工责任边界、组织招聘过程记忆、运维可追踪性

你的简历90%的概率第一个读者不是人，是AI meme拆解如何提高简历ai通过率！ 中国超过70%的规模以上企业已经上了ATS系统——北森、Moka、大易这些平台。 你的简历投出去的那一秒，进的是一个数据库，然后系统自动跑算法，判定你"匹配了多少关键词"“工作年限对不对”“有没有硬伤”。 没过AI初筛 → HR根本没看到你 → 这就是石沉大海的全部真相。 AI筛简历到底在看什么？ 我拆解过几套国内主流ATS的评分逻辑： 1. 关键词匹配度（占权重40-50%） JD里出现的技能词——Python、用户增长、财务建模。你没写"Python"写了"会写代码"→ 0分。 2. 工作年限匹配（10-15%） AI通过你写的时间范围算总年限。没标注"XX年经验"→ AI可能算不准。 3. 职级/动词判断（5-10%） “参与过XX项目”=弱动词→AI判定你是边缘角色。 “主导了XX项目，将转化率从X%提升到Y%”=强动词+量化→核心角色。同一件事，写法不同，AI判定完全不同。 4. 硬伤检测（扣分项） 联系方式缺失→标记不完整；学历不符硬性要求→降权；时间线空白→标记待确认；多段工作<6个月→稳定性风险。 5. 文件格式（淘汰级） 图片简历、设计软件导出的花哨PDF→转换纯文本后内容错乱→直接跳过。

这是一个你只要上传一张图，就可以直接生成3D模型的网站 每期一个强大的网站 第10期 今天要讲的是 Hitem 3D 你只需要把图片扔进去，选择V1.5的模型和分辨率，它就能在几分钟内生成一个可旋转可导出的3D模型。 还可以直接添加纹理，自动上色，出来的模型完全可以直接拿来用。 不管是用来3D打印成手办，还是当游戏建模，都无可挑剔。左下角还能选择多种格式直接下载。 如果你再多传几张视图，你还能得到更加精细的模型。 以往需要建模师三五天才能搞定的模型，现在小白都能几分钟解决。 而且即将推出更强大的2.0模型，效果堪称质的飞跃，就很好用。

周一大家又开始上班了，我却开始 EMO 了 接下来要下一周的雨，我讨厌下雨天！ 今天图书馆闭馆，只能闲坐在家，写点什么吧 最近一个月我都是徘徊在家里和图书馆之间 报了一个线上 python 自动化测试班学着（最近没学了） 尽量不让自己闲坐在家，避免被嫌弃或者叭叭～ 在他们看来不进厂打个螺丝就不叫上班，干其他的都不叫正经工作。我也很无奈，沟通过没啥用，坚持做自己的事吧！ 群友开导说让我先找个闲班上，然后继续 Web3 和 运营 说实在话，我不知道现在这个行情，没人脉和资源是否能找到一个web2的闲班，如果有请各位大佬给我点建议 我的学习自制力和关注力太差了 python到现在还没入门，总是会被其他的事吸引离开 BOSS上我也一直坚持投递简历，上周面了一家聊的不错后面也是没有后续～不知道是否还要继续投递简历？ 或许是迷茫，或许又不甘，或许有焦虑 但是都写下来吧，或许会有所转机！ 谢谢群友帮我做的头像图案，他们说很哇塞！ 我感觉头像建模复杂导致生成出来效果很一般😂

真正的核心聪明，是数学层面的底层逻辑能力，所以我的招聘、考评、人才选拔，永远以数学功底作为第一标尺。 拿国内四大头部大模型创始人做直观参照，这四位行业最顶尖的带头人，全部是顶级数学/理科苗子出身，绝非偶然： 1. DeepSeek梁文锋：85年，广东湛江理科状元，手握保送清华资格，自主选择浙大深耕数理；个人持股78%，一手同时掌控千亿估值大模型公司与幻方量化私募，AI、金融双赛道同时跑通。 2. Kimi杨植麟：92年汕头理科状元，信息学奥赛顶尖选手，保送清华计算机，纯粹数理竞赛体系培养出来的研究者，主导千亿参数轻量化大模型落地。 3. 智谱AI唐杰：77年，燕山大学自动化本科，深耕数理方向后攻读清华计算机博士，学术体系下扎实数理积累，撑起国内高校系大模型商业化落地。 4. MiniMax闫俊杰：89年，东南大学数学本科，中科院模式识别硕博，清华博士后，纯粹数学科班出身，聚焦多模态大模型底层算法研发。 这四家是国内第一梯队的大模型企业，掌舵人清一色拥有极强理科、数学背景，不是行业巧合，而是赛道客观规律决定的。 为什么数学能力是双赛道研发的绝对门槛？ 1. 大模型研发，本质是数学建模游戏 Transformer架构、注意力机制、RLHF对齐、损失函数、缩放定律，所有底层创新全部依托线性代数、概率统计、凸优化、随机过程。只会调用开源框架、调参跑流程的人，只能做工具操作工；只有数学功底扎实的人，才能推导底层公式、定位模型收敛缺陷、从零重构全新训练逻辑。现在行业同质化严重，能拉开技术壁垒的，只有能从数学底层做创新的人。 2. 金融量化模型，数学是生存底线 管理量化策略团队，大家都清楚：市场噪音、数据过拟合、波动率测算、资产相关性推演，全部依赖数理统计能力。散户靠情绪交易，量化靠数学建模套利；如果研究员无法独立搭建数理验证框架，策略回测、实盘风控全都会出现致命漏洞，直接带来资金亏损。幻方量化梁文锋能同时做好私募与大模型，核心就是一套强悍的数学思维同时适配两条赛道。 筛选规则 1. 简历初筛：优先锁定数理赛道出身 同等项目经历下，数学、物理、统计、自动化科班候选人优先级远高于普通软件工程；重点关注竞赛履历——理科状元、信息学奥赛、数学建模竞赛获奖者会直接进入深度面试，四大创始人的成长路径，就是我筛选人才的参照范本。 2. 面试核心考核：全程围绕数学逻辑提问 不管应聘大模型算法岗，还是金融量化研究员，我不会上来问框架使用、工具操作，优先考察纯数学推导：矩阵分解、梯度推导、概率分布、极值优化等基础理论。我会刻意设置开放式数理问题，观察候选人抽象建模、拆解复杂问题的能力。能把复杂问题翻译成数学语言，才具备研发核心潜力；只会背诵工程流程的候选人，很难进入核心研发组。 用落地成果验证数学思维 新人入职后，不会直接分配现成任务。大模型方向，要求独立复现一篇顶会论文数学推导；量化方向，要求从零搭建简易因子回测数理框架。两件事的核心目的，就是检验候选人是否能脱离现成工具，用数学思维解决真实业务问题。能完成的，进入核心项目；只会复刻现有代码，只能做辅助工程岗位。 无论是做大通用大模型，还是搭建资本市场量化交易模型，表层的代码、框架、工具都可以短期学习补齐，但数学底层逻辑的打磨，需要长年累月沉淀，无法速成。 四大头部大模型创始人全部是顶级理科/数学学霸，已经印证了行业规律。对我这种同时负责AI与金融模型的研发负责人来说，选拔人才不会只看项目、学历光环，判断一个人是否具备长期成长上限，第一标准永远是：他有没有真正过硬的数学思维。