DingTalk menja logo centralne lokacije — istina je neočekivana

DingTalk-ov logo globalnog sedišta se promenio.

Promenjen je u motiv Sun Wukonga sa zlatnim štapom — verujem da su mnogi studenti bili zbunjeni kada su to videli.

Zašto? Šta se time želi?

Pravi razlog, verujem ovoj verziji internet zajednice: šef misli da je logo Feishu-a viši od DingTalk-ovog, pa ga DingTalk "pritiska", pa su zato promenili u Sun Wukonga da izraze odlučnost.

Mogu samo reći: poslovni ratovi među velikim kompanijama su zaista ovako jednostavni i neukrašeni.

Nakon što je Wu Zhao ponovo ušao, DingTalk se mnogo promenio: nameravaju da uz pomoć AI ponovo naprave DingTalk.

Tako smo dobili DingTalk ONE — inteligentnog sekretara za rad, sastavljenog od 9 Agent-a, koji automatski sortira radne informacije, povezuje internu i eksternu akumulaciju znanja, a uz to postoje i AI tabele, AI beleške i preko 20 novih proizvoda.

Među studentima generacije 26. koji su dobili DingTalk offer ima ih prilično — evo malo dokaza.

Ali skoro sve je uplašio internetski ugled DingTalk-a — mnogi misle da je to veoma "naporan" departman i ne usuđuju se da idu.

Razumljivo je — novi šef, tri požara, šef verovatno ima i svoje KPI.

Lično mislim da je DingTalk prilično dobra linija proizvoda, sa velikim potencijalom razvoja. Posebno sada kada DingTalk radi na rekonstrukciji SaaS ekosistema, uz podršku AI mogućnosti, prostor za maštu u budućnosti je prilično veliki.

Studenti koji planiraju da krenu na DingTalk letnju praksu apsolutno mogu da probaju — sa jedne strane mogu direktno da iskuse radni tempo DingTalk-a, sa druge strane mogu da iskoriste DingTalk-ovu rekonstrukciju AI biznisa i akumuliraju AI projektno iskustvo, što će u jesenjem krugu prijave doneti veću konkurentnost.

Letnja praksa za 2025. otprilike je počela 19. marta. Ove godine bi trebalo da je slično — preporučujem vam da se pripremite unapred, doterate biografiju i iskustvo na projektu, i pošaljete prijavu što pre.

Ovde ću sa vama podeliti strategiju pripreme za razvoj AI aplikacija, koja je takođe pitanje koje je jedan student ranije postavio.

Ergov odgovor

Da pojasnimo: razlika između razvoja AI aplikacija / razvoja aplikacija na velikim modelima i istraživanja AI algoritama.

Razvoj AI aplikacija koristi AI za rešavanje stvarnih problema — na primer, izradu pametnog korisničkog servisa, sistema za pitanja i odgovore (Pai Congming), analizu dokumenata. Potrebno je znati kako pozvati API velikog modela, raditi RAG, raditi Agent, raditi Prompt inženjering, ali ne morate sami da trenirate model niti da duboko razumete principe algoritama.

Pozicija AI algoritma istražuje osnovne principe AI, trenira sopstveni model i radi optimizaciju algoritama. Zahteva jako matematičko znanje, osnove dubokog učenja i sposobnost čitanja naučnih radova. Ovaj pravac postavlja visoke zahteve na obrazovanje i iskustvo u takmičenjima.

Za većinu studenata ovo je put ka poziciji AI algoritma.

mydb: Ovo je projekat baze podataka, više orijentisan ka osnovama, uglavnom uči principe i implementaciju baze podataka. Za razvoj AI aplikacija ne pomaže mnogo.

Pai Congming: Ovo je RAG projekat, čije je jezgro pretraga radi poboljšanja generacije. Tehnološki stek uključuje SpringBoot + ES + Redis + API velikog modela + vektorsku bazu. Ovo je projekat koji je najbliži razvoju AI aplikacija.

Jishu Pai (Tehnički Pai): Ovo je projekat zajednice, sa odvojenim front-endom i back-endom i prilično potpunim tehnološkim stekom. Ako se u budućnosti bavite web razvojem, duboko razumevanje ovog projekta pokriće inženjerske sposobnosti za barem naredne 3 godine, a sadrži i osnove razvoja AI aplikacija, uglavnom u delu za razgovor u četu.

pmhub: Ovo je sistem za upravljanje projektima (OA tok), projekat mikroserivsa / distribuiranih sistema, koristan za zaposlene. Zapravo, faza 2 je planirala da doda AI inteligenciju — kasnije ćemo to ojačati.

Kurs za trening i podešavanje velikih modela: ovo je orijentisano ka algoritmu, uči kako trenirati modele, kako ih podešavati i kako raditi finogrejniranje. Za razvoj AI aplikacija nije obavezno.

Kada to razjasnimo, pogledajmo redosled prioriteta učenja.

1. Ako samo tražite praksu ili učestvujete u jesenjem krugu, onda Pai Congming + mydb — Pai Congming se kombinuje sa AI, a mydb je "točak", prilično u skladu sa zahtevima ispitivača u velikim kompanijama, jer većina i njih sada traži povezanost sa AI, a neki ispitivači koji rade na infrastrukturi vole "točkove".

Ova kombinacija štedi vreme, trud i brige.

2. Pai Congming + Jishu Pai pokriva sve tehnološke stekove za web back-end razvoj — dakle, ako naiđete na ispitivača kome se sviđa biznis, ova dva projekta ne samo da pokrivaju vaše inženjerske sposobnosti, već privlače i pažnju ispitivača.

3. PmHub + Pai Congming — mikroserivsi + AI vrućina, podiže nivo sposobnosti, najbolje za zaposlene; ima studenata koji to rade i na redovnim studijama, ali mikroserivsi zahtevaju dobru osnovu razvoja.

4. Ostale kombinacije su, naravno, takođe moguće — svaka ima svoje prednosti.

Ovde naglašavam šta treba da uradite dok učite Pai Congming:

• Podignite Pai Congming, rasporedite ga i pristupite mu lokalno
• Duboko razumeti implementaciju ključnih modula (ES pretraga, vektorska sličnost, Prompt dizajn, LLM poziv)
• Sami izmeniti neke stvari (promeniti vektorsku bazu, optimizovati Prompt, dodati nove funkcije)
• Razumeti celokupni RAG tok

Ako želite da razumete neke osnovne principe velikih modela i kako se radi finogrejniranje, možete učiti kurs za trening i podešavanje velikih modela.

Savetujem vam da u ovoj fazi učite i osnove velikih modela. Razumete principe Transformer-a, upoznate se sa uobičajenim velikim modelima (GPT, LLaMA, Qwen), sa Prompt inženjeringom, te sa principima RAG i Agent-a. Cilj je da steknete sveobuhvatno razumevanje AI, kako biste na intervjuu mogli da odgovorite na pitanja.

Fokus bi trebalo da bude na primeni — Java biznis, RAG, poziv LLM-a.

Ukratko, vaš fokus učenja treba da bude:

• 50% vremena: sposobnost back-end razvoja (Java, framework-i, baze podataka, middleware)
• 40% vremena: AI sposobnost primene (RAG, Prompt, Agent, poziv LLM-a)
• 10% vremena: osnovno znanje AI (razumevanje principa, ali bez dubljeg ulaska)

Sadržaj koji obuhvata Java mora se pripremiti, uključujući:

• Osnove Java-e: okvir kolekcija, višenitnost, IO, refleksija, anotacije
• JVM: model memorije, garbage collection, učitavanje klasa
• Konkurentnost: synchronized, volatile, Lock, thread pool, CAS
• Spring: IOC, AOP, transakcije, princip automatske konfiguracije SpringBoot-a
• MySQL: indeksi, transakcije, mehanizmi zaključavanja
• Redis: strukture podataka, persistencija, problemi sa kešom (proboj, proboj, lavina)
• Računarske mreže: TCP/IP, HTTP/HTTPS
• Operativni sistemi: procesi i niti, mrtva blokada, upravljanje memorijom

Sve su to česte teme na intervjuima i morate ih savladati. Možete pogledati "Mianzha Nixi" i posebno dobro savladati sadržaj označen zvezdicom.

Što se tiče algoritama, ako idete na intervju u veliku kompaniju ili kod kompanije koja ima test algoritma ili ručno pisanje koda, obavezno će se pojaviti. Sadržaj za pripremu:

• LeetCode Hot100 pređite barem dva puta i moći brzo da rešite
• Poznate vrste zadataka i rešenja morate savladati: dva pokazivača, klizeći prozor, dinamičko programiranje, DFS/BFS, binarna pretraga, greedy
• Većina zadataka srednje težine treba da bude rešiva, teške možete ostaviti za kasnije

Zatim, AI — to je specifikum pozicije za razvoj AI aplikacija i ispitivač će sigurno pitati. Sadržaj za pripremu:

• Principi i tok RAG-a: pretraga → augmentacija → generacija
• Koncept i upotreba vektorske baze (ElasticSearch u Pai Congming-u)
• Parsiranje fajlova (MinIO, Apache Tika, Kafka asinhrono, Redis keš)
• Koncept i uloga Embedding-a
• Pitanja dozvola (Spring Security + JWT)
• Prompt inženjering: kako dizajnirati Prompt za bolji izlaz modela
• Poziv LLM-a: kako pozvati API, kako upravljati token-om, kako kontrolisati troškove
• Koncept Agent-a: omogućiti modelu da poziva alate i radi višekoračno zaključivanje (obuhvataće sledeći projekat)
• Koncept MCP-a (obuhvataće sledeći projekat)
• Osnovna upotreba LangChain/LangChain4j (obuhvatiće sledeći projekat)

Na kraju, osnovno znanje AI (možda će se pitati) koje treba razumeti:

• Osnovni principi Transformer-a (ne morate da znate matematičke formule, dovoljno je znati šta su Self-Attention, Multi-Head Attention, Encoder-Decoder)
• Uobičajeni veliki modeli: serija GPT, serija LLaMA, serija Qwen — znati njihove karakteristike i razlike
• Proces treninga velikog modela: pretrening, finogrejniranje, RLHF — dovoljno je znati šta otprilike znače
• Uobičajeni AI scenariji primene: razgovor, prevod, sažetak, pitanja i odgovori, generisanje koda

Što se tiče iskustva razvoja u Go-u, kasnije ćemo objaviti i Go verziju Pai Congming-a. Tada ćete moći da je kombinujete sa svojim iskustvom AI glasovne prakse razgovora.

Ako krenete ovim putem, sledećeg leta pronalaženje prakse u razvoju AI aplikacija trebalo bi da bude sigurna stvar. Samo napred.

Stao sam ovde i razmislio.

Kakvo bi trebalo da bude traženje posla?

Ne bi trebalo da bude nasumično slanje prijava i udaranje u zidove. Ne bi trebalo da bude anksioznost i nesanica noću.

Traženje posla treba da bude jasno planiranje, čvrsta priprema i prirodan rezultat. Trebalo bi da u pravom dobu radimo pravu stvar, idemo u pravu kompaniju i sretnemo prave ljude.

Na primer, da pišemo kod na radnom mestu u DingTalk-u i sa kolegama razgovaramo o tehnologiji. Na primer, da šetamo uz zapadni potok u CBD-ju, gledamo zalazak sunca. Na primer, da u trenutku kad dobijemo offer, podelimo tu radost sa porodicom.

Prilike uvek pripadaju onima koji su pripremljeni — ali još važnije, onima koji se usude da ih zgrabe.

Letnja praksa je takva prilika — ako je zgrabite, bićete korak ispred drugih.

Iskoristite vreme pre praznika da isplanirate.

lajkuj i prati