获得徽章 9
如果你看完Google这两位创始人的采访
你就会明白
程序员只要分为三种：
1. 创业程序员：面向需求写原型代码，虽然代码脏一点，但可以工作。因为真正牛逼的代码不是那些艺术品一样严谨的代码，而是那些真正被商业驱动的代码，没有被删除的代码都是商业战斗的纪念刀痕
2. 科学家程序员：这些程序员都是公司发展壮大以后，高薪招募的重写程序员，他们能在既有需求情况下，把代码写的更好，更具备维护性。但是这类程序员因为太过于专业，导致他们缺乏商业敏锐度
3. 胶水程序员：商业的发展过程中，不是每个产品的技术都需要高大上，更多是产品细节，面向用户的需求，精雕细作。这才是创业每天都在经历的事情，这一类程序员才是基业常青的基石
你就会明白
程序员只要分为三种：
1. 创业程序员：面向需求写原型代码，虽然代码脏一点，但可以工作。因为真正牛逼的代码不是那些艺术品一样严谨的代码，而是那些真正被商业驱动的代码，没有被删除的代码都是商业战斗的纪念刀痕
2. 科学家程序员：这些程序员都是公司发展壮大以后，高薪招募的重写程序员，他们能在既有需求情况下，把代码写的更好，更具备维护性。但是这类程序员因为太过于专业，导致他们缺乏商业敏锐度
3. 胶水程序员：商业的发展过程中，不是每个产品的技术都需要高大上，更多是产品细节，面向用户的需求，精雕细作。这才是创业每天都在经历的事情，这一类程序员才是基业常青的基石
展开
2
2
国内适合Python自动化股票交易的免费、稳定日线级数据源，优先选专门的开源库，部分公开API也可备用，具体推荐如下，均能满足日线数据获取需求：
1. AkShare：完全免费开源，无需注册，数据源涵盖新浪财经、东方财富等国内平台，日线数据稳定且种类全。Python中调用示例：stock_zh_index_daily_df = ak.stock_zh_index_daily(symbol="sh000001") 就能获取上证指数日线数据，注意控制调用频率避免反爬。
2. Baostock：专为A股设计，免费且数据质量高，支持日线及复权因子计算，适合量化分析。需先登录验证，安装后可轻松获取个股日线数据，比如查询招商银行日线数据，指定日期范围和复权类型即可，代码逻辑清晰，Python 3.6+版本均兼容。
3. Tushare：国内主流财经数据接口，免费版需实名认证获取API token，日调用量限制200次，足够个人开发测试。通过pro.daily(ts_code='
600519.sh') 这类代码就能获取个股日线数据，数据清洗规整，返回格式适配Pandas，便于后续分析。
4. 新浪财经公开API：无需安装库，直接用Python请求接口即可获取数据，例如访问hq.sinajs.cn 能拿到贵州茅台的行情数据。缺点是非官方正式接口，频繁请求可能被封IP，适合小规模、低频率的日线数据获取。
1. AkShare：完全免费开源，无需注册，数据源涵盖新浪财经、东方财富等国内平台，日线数据稳定且种类全。Python中调用示例：stock_zh_index_daily_df = ak.stock_zh_index_daily(symbol="sh000001") 就能获取上证指数日线数据，注意控制调用频率避免反爬。
2. Baostock：专为A股设计，免费且数据质量高，支持日线及复权因子计算，适合量化分析。需先登录验证，安装后可轻松获取个股日线数据，比如查询招商银行日线数据，指定日期范围和复权类型即可，代码逻辑清晰，Python 3.6+版本均兼容。
3. Tushare：国内主流财经数据接口，免费版需实名认证获取API token，日调用量限制200次，足够个人开发测试。通过pro.daily(ts_code='
600519.sh') 这类代码就能获取个股日线数据，数据清洗规整，返回格式适配Pandas，便于后续分析。4. 新浪财经公开API：无需安装库，直接用Python请求接口即可获取数据，例如访问
hq.sinajs.cn 能拿到贵州茅台的行情数据。缺点是非官方正式接口，频繁请求可能被封IP，适合小规模、低频率的日线数据获取。
展开
评论
点赞
看到《硅谷101》专访田渊栋，也就是上个月被Meta突然裁掉的大佬，说实际上在被裁之前就拿到别家的offer了。
讨论的主要话题：
关于离职与裁员： 田渊栋说，他实际上在被裁之前已经拿到了其他offer，并且已经向上司表达了不满，所以裁员只是加速了他的离开。
AI自动化的趋势： 他认为AI领域的裁员是自动化大趋势的一部分。随着AI工具越来越强，重复性的工程执行工作会减少，而更多人会转向探索性研究和AI在垂直领域的应用（but，普通人哪有这么容易转型？）。
开源模型的未来： 他认为开源会继续存在。一个模型是否有用是关键问题，而是否开源则取决于公司的战略和模型的具体用途。
LLM的局限： 他觉得LLM是一个“很有意思的路线”，但不确定是否是“正确的路线” （毕竟是杨立昆的学生）。LLM最大的问题是需要海量数据，学习效率远低于人类。人类可以从极少样本中获得深刻见解，这是模型目前缺失的。
强化学习（RL）的优势： 他认为强化学习最大的好处在于它是一种“主动学习”，能积极地影响数据分布。在推理等问题上，他认为RL优于SFT（监督微调），因为SFT可能只是在记忆过程，而非真正学会泛化。
对Scaling Law的看法： 他称Scaling Law是一个“悲观的未来”，因为它依赖指数级增长的数据和资源，这是不可持续的。他认为行业需要寻找更高效的智能发展路径。
在FAIR的遗憾与收获： 他最大的遗憾是自己没能做更多的工程工作，并指出当下最理想的是兼具顶尖研究和工程能力的人才。他最大的收获则是培养了“研究的品位”（research taste）。
对AI开发者的建议： 他建议不要盲目追逐市场的热点，因为技术周期变化太快。更重要的是找到自己真正想做的事情，并结合对未来的判断。
个人未来动向： 他尚未确定下一步，但他最理想的目标是能将前沿研究和工程应用结合起来。
讨论的主要话题：
关于离职与裁员： 田渊栋说，他实际上在被裁之前已经拿到了其他offer，并且已经向上司表达了不满，所以裁员只是加速了他的离开。
AI自动化的趋势： 他认为AI领域的裁员是自动化大趋势的一部分。随着AI工具越来越强，重复性的工程执行工作会减少，而更多人会转向探索性研究和AI在垂直领域的应用（but，普通人哪有这么容易转型？）。
开源模型的未来： 他认为开源会继续存在。一个模型是否有用是关键问题，而是否开源则取决于公司的战略和模型的具体用途。
LLM的局限： 他觉得LLM是一个“很有意思的路线”，但不确定是否是“正确的路线” （毕竟是杨立昆的学生）。LLM最大的问题是需要海量数据，学习效率远低于人类。人类可以从极少样本中获得深刻见解，这是模型目前缺失的。
强化学习（RL）的优势： 他认为强化学习最大的好处在于它是一种“主动学习”，能积极地影响数据分布。在推理等问题上，他认为RL优于SFT（监督微调），因为SFT可能只是在记忆过程，而非真正学会泛化。
对Scaling Law的看法： 他称Scaling Law是一个“悲观的未来”，因为它依赖指数级增长的数据和资源，这是不可持续的。他认为行业需要寻找更高效的智能发展路径。
在FAIR的遗憾与收获： 他最大的遗憾是自己没能做更多的工程工作，并指出当下最理想的是兼具顶尖研究和工程能力的人才。他最大的收获则是培养了“研究的品位”（research taste）。
对AI开发者的建议： 他建议不要盲目追逐市场的热点，因为技术周期变化太快。更重要的是找到自己真正想做的事情，并结合对未来的判断。
个人未来动向： 他尚未确定下一步，但他最理想的目标是能将前沿研究和工程应用结合起来。
展开
评论
点赞