《高绩效教练》（第 5 版） 约翰·惠特默（John Whitmore）

以下为全书 (7-14 章) 阅读笔记

第 7 章 | 强有力的问题

告知或提出封闭式的问题，人们就不会去主动思考；提出开放式的问题，人们自然会思考。

案例 1：让运动选手盯住球。体会以下问题的不同效果

《高绩效教练》（第 5 版） 约翰·惠特默（John Whitmore）

以下为全书 (1-6 章) 阅读笔记

🤔 第 1 章 | 什么是教练

第 1 章 奠定“教练思维”与“绩效公式”基础，回答“为什么要教练、教练是什么”。

1. 🎯 教练的本质

• 教练是一种“赋能式引导”，通过提问与倾听帮助当事人释放潜能，而非直接给出答案或指令。

核心观点： 传统的“告诉式（Telling）”管理难以满足当今企业对创新、敏捷和人才发展的要求。通过引入“教练式（Coaching）”管理，组织可以在保持效率的同时激发员工内驱力，让目标落地并持续培养接班人。

1. 传统管理的两大“猴子陷阱”——为何老板永远忙不完？

故事源于管理学经典文章《Management Time: Who’s Got the Monkey?》。文中把“尚待解决的任务”比作一只只猴子。当员工拿着问题来找老板时，如果老板习惯性地说“ 把资料发我 ， 这个问题，你可以如何解决 ”，猴子就从员工肩膀跳到老板肩膀。久而久之，老板背上趴满猴子，员工则轻装上阵。由此衍生出两种常见误区：

DeepSeek-MoE

相关资源：github， 论文 DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models

MCP github 主页， MCP 官方文档

MCP Server

# server.py
from mcp.server.fastmcp import FastMCP
from mcp.server.fastmcp.prompts import base

# Create an MCP server
mcp = FastMCP("Demo")


# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b


# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"

1. 背景

2023 年，妙鸭相机因其创意性的 AI 写真生成功能受到广泛关注，市场上也随之涌现了大量基于 Stable Diffusion（SD）模型的生图应用。作为一名技术爱好者，笔者在妙鸭相机发布后不久，进行了 Stable Diffusion + LoRA 的技术验证，并发现了搭建类似 AI 相机的可行性。

参考文章：妙鸭=SD + Lora? 对 SD+LoRA 的一些探索与验证

领导者思考

1. 领导者是什么

领导者是能够激发他人、整合资源并引导团队实现共同目标的人。他们的职责不仅是完成任务，更重要的是塑造团队的整体方向和价值观，包括：

• 设定方向 ：为团队提供清晰的愿景和战略。
• 影响他人 ：通过个人魅力、信任和专业能力影响团队成员的行为。为团队提供一个积极、安全的工作氛围，让每个成员都能贡献自己的独特优势。
• 创造价值 ：不仅关注目标结果，还注重实现过程中的学习、成长和可持续发展。

在本文中，我们梳理了开源模型 Function Calling 能力的相关信息，包括采用的 chat template，function call 训练方案等。涉及模型 LlaMa 3.1， Mistral Large 2，glm-4-9b-chat，Qwen 2。

Llama 3.1

推荐官方指南：https://llama.meta.com/docs/model-cards-and-prompt-formats/llama3_1/

对话协议（Chat Protocal)

Llama 3.1 中采用了以下 special tokens 来辅助多轮对话和工具的调用。。

Qwen 1.5 系列

开源模型，官方博客 1，官方博客 2

在本文中，我们梳理了近期 （24 年 7 月前）部分 MOE 大模型的关键信息，包括它们的主要特点、亮点以及相关资源链接。涉及模型 Mixtral 8x7B，Mixtral 8x22B，DeepSeek-MoE，Qwen1.5-MoE，DeepSeek-V2

混合专家模型的 Transformer 模型

对于 MOE 的基础，相比 dense model，MOE 的预训练速度更快，推理速度更快，但需要大量的显存。此外，MOE 的训练也有一些独有的 tips，详细的 MOE 混合专家模型基础，推荐参考：

混合专家模型基础（推荐）