Najbolja novogodišnja premija! Ant P6 na P7

Na jednoj platformi naišao sam na objavu — jedan kolega iz Ant-a je podelio skrinšot promocije iz P6 u P7, uz jednu rečenicu: "Ovo je najbolja novogodišnja premija."

Čestitke!

Koliko novca je dobijeno od novogodišnje premije, naravno, važi (to je jasno). Ali promocija često izaziva više uzbuđenja od nekoliko mesečnih plata.

Jer viši nivo stvarno podiže vrednost na tržištu — kasnije, kada menjate posao i pregovarate offer, samopouzdanje je potpuno drugačije.

Savet: Ant interno ide ka ukidanju P oznaka, ali većina ljudi iz Alibabinog sistema i dalje koristi P, uključujući i spoljašnji svet — glavna stvar je da se razumemo.

Jedan moj prijatelj u Ant-u već godinama stoji na nivou P6 — svake godine juri P7, svake godine samo učestvuje. Nije da se ne trudi, uglavnom je konkurencija za P7 zaista žestoka.

Prvo, teški uslovi ne smeju da zaostaju — ocena svake godine mora biti 3.5+. Ako je konkurent 3.75, nema šanse.

Osim toga, godine staža moraju biti dovoljne, iskustvo na projektu mora biti jako, tehničke sposobnosti moraju ubediti ostale. I još — morate postati "direktni", drugim rečima, rukovodilac mora osetiti da je sigurno unaprediti vas, da mu se to neće obiti o glavu.

Prema prethodnim godinama, odnos između Ant-ove novogodišnje premije i ocene otprilike je ovakav (navodno će biti isplaćena krajem ovog meseca):

• Ocena 3.75: novogodišnja premija oko 4–6 meseci, povišica 8 %–15 % (uključujući promociju). U jednom timu možda samo nekoliko ljudi dobije ovo.
• Ocena 3.5+: novogodišnja premija oko 4 meseca, povišica 6 %–8 %. Većina ljudi je u ovom opsegu.
• Ocena 3.5: novogodišnja premija oko 3 meseca, povišica 5 %–6 %. Smatra se prolaznim, ali za promociju morate nastaviti da se naprežete.

Evo nekoliko iskrenih saveta za one koji žele napredovanje u karijeri:

Prvo, nemojte samo raditi pognute glave. Šta god uradili, neka rukovodilac zna. Ne tražite zasluge, već dajte rukovodiocu materijal da vas zastupa. Na saslušanju za promociju, rukovodilac mora moći da navede vaše primere.

Drugo, produbite jedan ili dva projekta. Pronađite pravac i duboko se zadubite, do nivoa da vas drugi pomenu čim čuju za taj pravac.

Treće, unapred pripremite materijale za izveštaj. Mnogi počnu da pišu PPT u poslednjem trenutku, pa ispadne logički nepovezano i s nepotpunim podacima. Pripremite se pola godine unapred i kontinuirano iterirajte — efekat će biti mnogo bolji.

Četvrto, pronađite pouzdanog mentora. Najbolje nekoga ko je već prošao P7. Plaćali mu ili ne, negujte odnos i neka vam pregleda materijale za izveštaj i ispriča gde su zamke promocije. Ponekad jedan savet može uštedeti mnogo muke.

Mnogi su dobili Ant offer. Ne pričam ovde naprazno — evo nekoliko primera da dokažem.

Neki su prošlog aprila u prolećnom krugu dobili Ant, neki su dobili Ant letnju praksu, a ima i onih iz jesenjeg kruga generacije 26.

Ovaj primer želim da vam kažem: dok god imate želju i put, cilj nije nedostižan.

Imajte poverenja u sebe, prijatelji.

Ako neko od vas planira da tokom kineske Nove godine krene na jedan praktičan AI projekat, a nakon praznika počne sa letnjom praksom i prolećnim krugom prijave.

Erge ovde bez ustezanja preporučuje PaiAgent — trenutno na GitHub-u ima već 77 zvezdica, a do male mete od 100 zvezdica nije daleko.

https://github.com/itwanger/PaiAgent

Ažurirao sam i pet tutorijala, objavljenih na Jishu Pai.

Kopirajte u pretraživač i otvorite: https://paicoding.com/column/14/1

U prvoj fazi ažurirao sam pet tutorijala i tokom praznika planiram da nastavim — uglavnom da završim LangGraph4J, način pisanja biografije i predviđanja intervjuskih pitanja. Ako se pojave nove funkcije, odmah ću ih dodati.

Danas vam prvo dajem prvi šablon za biografiju (možete ga direktno prepisati — ako vam pomogne, da mi lajkujete nije previše, zar ne?).

Šablon za biografiju 1

Naziv projekta: PaiAgent — platforma za vizuelnu orkestraciju AI tokova rada na nivou preduzeća

Uvod u projekat: Platforma za AI tokove rada na nivou preduzeća zasnovana na LangGraph4j + Spring AI, podržava orkestraciju različitih velikih modela (OpenAI, DeepSeek, Tongyi Qianwen) i čvorova alatki kroz vizuelni interfejs sa prevlačenjem, koristi DAG engine za izvršavanje složenih AI zadataka po topološkom redosledu i omogućava izgradnju AI Agent aplikacija bez kodiranja.

Tehnološki stek: Java 21, Spring Boot 3.4.1, Spring AI 1.0.0-M5, LangGraph4j 1.8

Ključne odgovornosti:

• Na osnovu LangGraph4j StateGraph izgrađen engine za tokove rada — GraphBuilder registruje čvorove i povezuje grane, NodeAdapter prilagođava postojeće izvršioce asinhronim LangGraph čvorovima, StateManager upravlja prenosom stanja između čvorova, čime se ostvaruje napredna orkestracija tokova rada sa stanjima i uslovnim granama
• Spring AI arhitektura jedinstvenog pristupa više modela: dizajnirana dinamička fabrika ChatClientFactory, koja u toku rada na osnovu konfiguracije čvora (apiUrl/apiKey/model/temperature) dinamički kreira OpenAI-kompatibilne instance ChatClient, putem OpenAiChatOptions objedinjuje konfiguraciju parametara modela, ostvarujući neprimetno prebacivanje između LLM-ova različitih dobavljača — OpenAI, DeepSeek, Tongyi Qianwen
• Korišćenjem obrasca metode šablona refaktorisan je izvršilac LLM čvora — apstraktna osnovna klasa AbstractLLMNodeExecutor obuhvata opšti tok ekstrakcije konfiguracije, obrade šablona, API poziva i izgradnje izlaza; podklase implementiraju samo getNodeType() metod, čime se kod 5 izvršilaca LLM čvorova svodi sa 800+ linija na oko 10 linija po izvršiocu
• Implementirana podrška za zamenu promenljivih u Prompt šablonu — kroz {{variable}} parsira dve vrste parametara: statičku vrednost input i dinamičku referencu reference, podržava automatsko dobijanje vrednosti parametara iz izlaza uzvodnih čvorova i ostvaruje fleksibilno mapiranje tokova podataka između čvorova
• Implementiran engine za parsiranje DAG tokova rada, zasnovan na Kahn-ovom algoritmu topološkog sortiranja za određivanje redosleda izvršenja čvorova, DFS pretragom u dubinu otkriva ciklične zavisnosti radi sprečavanja mrtve blokade, podržava povezivanje čvorova jedan-na-više i više-na-jedan
• Na osnovu Spring SseEmitter realizovana je povratna informacija u realnom vremenu tokom izvršenja toka rada, dizajniran model događaja ExecutionEvent, putem Consumer<ExecutionEvent> callback mehanizma strimuje generisani LLM sadržaj u realnom vremenu ka front-end panelu za debugovanje

Za one koji žele da prestignu — prilika je tu.

Jedan pravi Vibe Coding projekat, ne previše težak, a na biografiji znatno korisniji nego komentarisane prodavnice.

Za zaposlene, bilo da se radi o promociji ili promeni posla, takođe je važno na vreme se ažurirati.

Poslednja nedelja — samo napred!

lajkuj i prati