与「法律」相关的搜索结果

7. 核实重要答案 再聪明的 AI 模型也可能出错。 涉及医疗、法律、财务、学术或商业决定时： • 索要可靠来源 • 查信息发布时间 • 区分事实和假设 • 复核重要数字 • 绝不分享密码或客户机密数据 用 AI 磨砺你的判断力，而不是取代它。

这次中期选大家怎么看？ 我觉得可能是影响加密行业最大的一次中期选举。 1️⃣市场会交易国内政策预期； 和之前不一样，目前美国已经走向了加密改革的关键部，前段时间，参议院没有通过推进 CLARITY Act 所需要的 60 票，结果当天 BTC 一度跌超 5%，Coinbase、Circle 股价跌约 9%-10%。 这说明现在市场已经会直接交易美国国会 Crypto 政策预期。 2️⃣国会调查权易主导致的不确定性； 如果民主党拿下众议院，特朗普仍然是总统，SEC、CFTC、OCC、财政部等行政部门的政策方向不会因为众议院换党立即反转；而且稳定币的 GENIUS Act 已经在 2025 年成为法律，换届也不会自动失效； 但是，国会调查权不在这边了； 众议院多数党将掌握委员会主席席位，而美国众议院大多数委员会的主席拥有直接签发 subpoena（传票）的权力，可以要求企业、高管和政府部门提交文件、通信记录并出席听证会； 所以如果出现政党控制权变化，Crypto 行业面对的更可能是：立法不确定性 + 大量听证会 + 利益冲突调查 + 外国资本调查。 3️⃣特朗普家族和加密行业； 特朗普本人及家族已经和 Crypto 产业产生了非常直接的商业利益关系‘ 如果万一民主党赢得中期选举，特朗普家族特别是 @EricTrump 和他参与的 Crypto 项目会不会受到波及？ Eric 参与的两个核心 Crypto 资产： ① World Liberty Financial / USD1 ② Eric Trump 的 American Bitcoin（ABTC） 会受到多大影响，还不得而知！

《这帮老司机是真懂法律》 以前我对探花系列不了解，男主角为啥非要问女的要不要，要什么。 等女主角说，要哥哥的大XX，才开始。 现在我懂了，这帮老司机是真懂法律。

🌕 Gate 招人啦～月亮圆了团队也想再圆一点☺️ 这次内推岗位覆盖合作、产品、研发、法务、机构和 Web3，欢迎大家来看看重点方向： - 全球合作伙伴经理 - APP 研发 / 测试 / 性能治理 - 高级法律顾问（投资与战略交易） - 机构客户关系经理 - 后端、交易系统、SRE - 机构市场运营与数据分析 - 机构 API 技术支持 - Web3 产品 / 前端 / 后端 - 产品经理（KYC、美股、理财、专业交易、社交、AI） 有相关经验、想进交易所核心业务的朋友，可以把简历发我，合适的我帮内推，岗位细节可以看我们官方 JD～ #Gate内推#

20岁，我成了A10 大佬唯一弟子，入职不到两月分成10W+，自己也谈过几单下来10W+的律所培训合作。 虽然看似小有成就，但这是我踩了无数坑、拼了命抓住每一次机会汇聚成的结果。 大一的时候，我还是一个很传统的八爪鱼法学生，竞赛科研绩点一起抓，用一年半时间拿了3个国奖、15个省奖。 后来，学校保研政策突然变了🥲，我才觉醒之前玩的都是过家家游戏，逐渐把重心转移到真实社会。 AI、法律实务、自媒体、创业……我都做，而且我发现，来到新的游戏规则，我还是挺会玩！ 之前的一次跨国研学，本是再普通不过的纯旅游活动，但晚上的慈善晚宴，我跑去和各行业大佬social，硬生生碰出了意想不到的机会——有幸参与到联合国环境规划署在新加坡的项目。 后来去深圳某红圈所实习，发现自己是纯牛马😅😅😅前途没有希望，于是用 ChatGPT搜索在深圳本地举办的法律界商务活动。 有个活动相当牛逼，参会的老板都交了6万会员费，但我又肯定没有那个实力🥺。。。 所以我想了个歪招🤪，去找到了活动主理人的社媒，私信问能不能去兼职帮忙办活动。 就是在那里，我遇到了现在的老板。他应该是觉得这活动太无聊，就和我聊了起来。 刚好聊到 AI 这块，他非常感兴趣，又知道我过去的法律背景，最后就直接邀请我去上海跟着他干。 更疯狂的是，当天凌晨他发出的邀请，我第二天毫不犹豫，就直接跟我老板从深圳飞去了上海。 我当时的想法很简单：这个机会可能会把我带到一个更大的世界，那我就去，莽就完了！👊🏼 这一次，我赌对了，我成了他目前唯一正式带的徒弟。 很多朋友说我很会向上社交，我以前也这么觉得，后来发现不完全是。 诚然，我确实慕强，但不太怯。碰到比我厉害很多的人，我不会急着证明其实我也很厉害，毕竟我是真草台。 我更想知道：你为什么这么厉害？你是怎么做到的？这里面有什么是我可以学走的？ 社交只是入口，从里面收获，擅于从里面收获，才是核心能力。 我现在20岁，X上比我会赚钱、会AI、会做产品、会创业的佬太多了。我现在做出的这些东西，放进更大的世界里，都还很渺小。 但这不妨碍我对自己有一种近乎固执的自信：我会迅速地成长。也能在较短时间找到自己在X里的生态位。 接下来我也会在X上持续分享AI、自媒体、金融、投资、法律等领域的实战知识👇 1、在处理社交类问题颇有心得，比如结交贵人（年长/同龄/年下）、家庭关系处理等。 2、我目前深耕于伪投资、伪金融领域，如各位有被诓骗/要开脱的需求，欢迎咨询（限国内和新加坡），我的案例经验绝对是少见的丰富。 3、我是个大E人，所以在销售方面也比较有经验，之前在法律AI领域也成交过好几个大项目，接下来也会继续培养此技能。 欢迎大家来和我交朋友～

NVIDIA 发布 Skill2Env：用“集体技能”强化智能体 NVIDIA 研究者们把社区公开的 Agent Skills 编译成可执行 RL 训练环境的数据流水线：3.4k 个 Skills 变成 8k 个带程序化测试和行为量规的终端任务；仅 300 步 RL 训练就让 Qwen3.8-27B 在 Terminal-Bench 2.1 上提升 4.7 个百分点，且模型行为显著向源 Skills 的方法论对齐。 开源项目： 核心洞察：公开 Agent Skills 是一个被忽视的监督来源 Agent Skills 是“教智能体做某件事”的文件夹：一个 SKILL.md 加上可选的脚本、参考资料和资产。论文指出，把公开 Skill 语料当作数据来读，它同时提供三样东西： · 任务分布的采样：人们真正想让智能体处理的任务分布（有人愿意花时间写下工作流，说明这活儿值得自动化）； · 真实世界的锚点：指向真实的仓库、数据集、工具和工件； · 结果测试表达不了的质量标准：领域专长、默认参数、常见坑、“好结果长什么样”。 # 数据流水线：四阶段编译，验证靠构造 1. Plan（分解）：容器化的 Codex 规划器读取完整 Skill 包、联网调研相关公共资产，把 Skill 拆解成若干可验证的 workflow，每个附带元计划（场景、初始世界、预埋缺陷、难点来源、解法草案、验证策略）、资产建议和“任务轴池”（任务原型 × 验证器模式 × 人物画像）。 2. Diversify（多样化）：宿主从轴池采样一组组合，加上复杂度、指令语气、请求者专业水平。关键设计是轴池以 workflow 为条件：研究型 workflow 配“证据可追溯”验证和研究者画像，而不是从全轴乘积空间乱抽，这让多样化保持 sensible。 3. Create（构造）：全新创建者 Codex agent 在 Docker 内工作，尽可能用真实素材（钉在特定 commit 的开源仓库、真实版本化文档、官方 API 规范）；需要联网服务的场景改造成本地替身（stub 服务器、录制回放 fixture、PATH 上的假 CLI、种子数据库），求解时绝不依赖网络。创建顺序被严格固定：先建世界 → 写指令 → 写测试 → 写量规 → 最后才写参考解，测试先于解法冻结，保证解法必须迁就评分契约而非反过来。 4. Verify（验证）：宿主端无模型参与的接收门：静态检查（布局、符号链接、Dockerfile 安全、基础镜像按内容摘要钉死）+ 两个容器内试跑：Oracle（参考解）必须全指标满分，NOP（什么都不做的 agent）必须全指标零分。任一失败即拒绝。 值得注意的一个反直觉选择：不做 teacher 模型预验证（不像部分工作用强模型试解、解不出就丢弃任务）。理由有二：这会把任务难度上限压到验证器能力，且成本翻倍；而 group-based RL 的在线动态过滤（rollout 无优势的 prompt 自动不产生梯度）天然淘汰过难/过易任务。 # 数据画像：广、贵、且忠实于源 规模与成本：7,971 个任务，用 GPT-5.6 Sol（xhigh 推理档）生成，API 花费超 9 万美元。（脚注：出于法律原因，公开发布的数据集改用 Kimi-K3-max 在同一流水线下生成。） 领域分布：13 个领域中，软件工程仅占 22.5%，AI/ML 10.5%，商业/金融/法律/HR 10.5%，营销 9.3%……论文对比了 TMax-15K、Terminal-Bench、DeepSWE 等，Skill2Env 是唯一全覆盖 13 域、且非技术知识工作占大头的语料。 忠实度探针（很聪明的设计）：用任务指令+量规作查询、对 3.4k 个 SKILL.md 做 TF-IDF 检索，73.2% 的任务 top-1 命中真实源 Skill，94.6% 进 top-10（随机 0.03%）。单用量规也有 68.5% top-1，证明量规携带的是 Skill 专属方法论而非泛泛建议。 SFT 数据：用 GLM-5.3 对每个任务 rollout 两次，得到 15,968 条轨迹，平均奖励 0.74，中位轨迹 19 次模型调用 + 23 次工具调用。 S2EBench：考虑到公开基准饱和，从 SkillHub 另外生成、逐条人工审核（指令无歧义、忠实于源 Skill、测试公允）后的 79 任务私有 held-out 基准。 # RL 实验：基础设施 + 极简配方 基础设施（论文明确说“现代 agentic RL 首先是基础设施挑战”）：Molt（PyTorch 原生全异步训练，Ray + vLLM + FSDP2）+ Polar（agent rollout 层：rootless Apptainer 沙箱、代理回传 token ID 和采样时 log-prob、prefix merging 把 harness 的多次补全缝合成训练轨迹）。 配方（刻意走“简单路线”）：GRPO 组归一优势 + DPPO 的 binary-KL 信任域掩码（δ=0.05，超出阈值的 token 直接丢弃，无需参考模型，还能防训练-推理失配）；G=8 rollouts/组，批 64，lr 1e-6 恒定，无 KL 惩罚、无熵奖励、无 SFT 热启动，每任务 65k 上下文。 量规校准奖励：开量规时，额外由 GPT-6 Astra 做 LLM-as-Judge（带“宪法”：惩罚无脑循环、reward hacking、答非所问；hacking 实证 = -5 分），总奖励 r = r_V + λs/5（λ=0.2），即 judge 最多把程序化奖励拉动 ±0.2。量规是校准可执行结果奖励，而非取代它，这是与“Rubrics as Rewards”一系的定位差异。 # 四项发现（论文最有信息量的部分） 发现 1：小规模 RL 即有跨域迁移。 仅 300 步、只用 2,400 任务子集训一个 epoch：S2EBench pass@1 +4.3（均分 +18.5），Terminal-Bench 2.1 +4.7（49.4→54.1）。训练集与 TB 无重叠（13-gram Jaccard < 0.8），且训练集从未针对 TB 调过，论文将其解读为规划、工具使用、收尾能力的通用提升而非任务族记忆。这让 27B 本地模型显著缩小了与云端前沿模型的差距。 发现 2：量规校准 RL 在基准上落后于纯结果 RL，一个诚实的负结果。 量规版在 TB 2.1 只有 50.1（纯结果版 54.1）；训练中量规版的程序化奖励长期停在 0.5–0.6，judge 分项从头到尾无上升趋势，两个奖励在训练分布上互相拉扯。论文不把它当作对量规奖励的终审判决（两者优化不同目标，而基准只考结果那一半），并给出两个疑因：λ=0.2 的加性形式让失败任务仍能拿正奖励、judge 看不到文件系统等设定均未调优；以及更本质的，Skill 写下的方法论可能本来就不是最大化基准通过率的分布。 发现 3：行为确实向 Skill 对齐，量规的价值所在。 200 个任务的成对偏好测试（judge 拿源 SKILL.md 当标准，比较匿名化的 base 与 RL 轨迹）：纯结果 RL 已被偏好 54.5% vs 33.5%；量规版被偏好 73.0% vs 24.0%。这说明量规奖励买到的东西在结果基准上看不见，但对“怎么做事”影响实质，对网页开发、报告综合、开放研究这类难验证任务尤其重要。 发现 4：GLM-5.3 蒸馏 SFT 反而伤害 Qwen。 在 GLM-5.3 轨迹上做 SFT：27B 上 TB 2.1 掉到 45.8；4B 上直接崩塌（TB 18.7→3.4，出现思维/工具调用死循环）。归因：教师的 interleaved-thinking + 工具调用风格与学生自身 post-training 不兼容，模仿覆盖了学生依赖的行为模式却带不来教师的能力。与 TMax 报告的“SFT 混合数据劣化已后训练的 Qwen”互相印证。因此论文所有 RL 结果都从未修改的原始 checkpoint 出发。

🤔国安部：虚拟货币并非法外之地，所谓的「匿名性」不过是表象 国家安全部公众号发布《虚拟货币犯罪无法追踪？想多了！》文章。其中提及虚拟货币依托区块链技术诞生，逐渐成为在网络空间流通的数字化代币。 一些人因其「去中心化」、「点对点传输」的技术特性，产生了一种危险的错觉：只要不使用银行卡，改用虚拟货币接收境外资金，就能切断与个人身份的关联，实现真正的「匿名交易」，借助其「无法溯源」的特点逃脱法律制裁。但事实上虚拟货币并非法外之地，其所谓的「匿名性」不过是表象，其带来的风险不容忽视。 不法分子大肆炒作虚拟货币「匿名交易」、「不可追踪」，以此作为推广噱头，但从技术原理来看，区块链本身具备公开透明、链上数据不可篡改等核心特点，虚拟货币的所谓「匿名属性」从根本上就是伪命题。 同时区块链完整留存交易记录等数据，为全链路溯源提供了依据。虚拟货币不仅潜藏财产损失风险，还常被境外反华敌对势力、不法分子利用，从事破坏金融秩序、危害国家安全的各类违法犯罪活动。

有朋友问，为什么Trump和习近平谈了三天什么都没谈出来？ 可能这位朋友想听到的是一个重要的结果。但其实也有一些结果的：过去三天习近平的国事访问，欢迎仪式、国宴，排场都很足。最后落到纸面上的是这几样： 1）去年10月釜山那份贸易休战，原定11月10日到期，延长两个月到明年1月10日 2）两边同意建一个AI安全事件的沟通机制 3）中国要送两只大熊猫去亚特兰大动物园（什么时候能轮到我们旧金山动物园？） 不过没有联合记者会。最难的那几样，芯片管制、稀土、台湾、伊朗、贸易结构，确实一样都没动。 那为什么呢？首先就是因为桌上的东西已经没法对半分了。关税可以你让五个点、我让五个点，芯片、稀土、台湾不一样，两边都觉得今天让出去的不是钱，是十年以后的位置。谈得再久，也造不出一个双方都肯接受的中间点。 其次，信用不够。据会前的报道，5月Trump访华时宣布的一批采购和订单，有一部分落实得不如预期。上一份还没兑现完，谁都不愿意再签一份更大的，于是新承诺越缩越短，最终缩成1、2个月的延期。 最核心的是，两边都觉得时间在自己这边。重大突破通常不是出现在关系好的时候，而是出现在双方都认为不成交的代价比让步更大的时候。现在还没到这一步，最合理的结果就是，别重新打起来，也别指望现在解决根本问题。 而且鸡同鸭讲，有些问题连问法都不一样。Trump说AI就让它保持现在的样子，习近平说必须保持人类对AI的控制。一个问的是怎样别让监管拖慢技术，一个问的是怎样让技术始终受管理，问题还没对上，规则就无从谈起。台湾也是，北京希望美国从“不支持台独”往前走到“反对台独”，美国驻华大使David Perdue说，美国的政策没有变化。 但我最想说的是，个人外交是有上限的。这两位都偏爱领导人对领导人、关起门来拍板，外界也总期待两个强人一锤定音。我写过我们为什么总期待伟人，这就是那种期待的国际版。可两个人在一间屋子里说好，改不了背后两整套东西。美国的台湾政策绑着《台湾关系法》、国会和盟友；北京那边，台湾是它自己几十年叙事里不能松口的地方，那套叙事也不是一个人在屋里一句话就能改的。 而美国这一边的约束，我觉得恰恰是好事。一笔约140亿美元的对台军售一直搁着没批，Trump自己说，这是一个很好的谈判筹码。一个总统再想做交易，也不该能把两千多万人的安全拿去一口价成交，真要有什么能拦住这一步，不会是谁的好意，只能是国会、法律和盟友这些他绕不开的东西。 所以这三天也许已经谈出了能谈出的东西，不是一份大协议，而是把冲突控制在两边都还能继续过日子的范围里，11月在深圳、12月在迈阿密接着见。没有联合记者会，两边各自回国讲自己的版本，这本身就是最真实的结果了：两套完全不同的世界观，暂时还在努力不打起来。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

今天正式进入“请3休13”，而最大的现实问题，不是你有没有年假，而是老板批不批。 今天是中秋假期第一天，今年中秋与国庆之间只隔9月28—30日三个工作日，请3天假即可从9月25日连休至10月7日，共13天；这一拼假方案持续引发职场讨论。 如果全公司都想请同样3天年假，谁应该优先？ “请3休13”最近很火，但它其实暴露了一个很多人都误解的问题： 带薪年假是法定权利，但具体哪几天休，并不完全由员工单方面决定。 按照现行年休假规则，用人单位应当根据生产、工作的具体情况，并考虑职工本人意愿，统筹安排年休假。 这里有两个关键词： 一个是“考虑职工本人意愿”，说明公司不能完全无视员工； 另一个是“统筹安排”，说明员工也不是想哪天休就必须哪天批。 所以，如果全公司都想在同样3天请假，公司完全可能因为岗位安排、业务需要、人手不足而错开休假。 但这不等于公司可以长期一句“忙”就把你的年假全部拖掉。 如果因为工作原因确实不能安排休假，用人单位通常需要依法处理未休年假对应的工资报酬；现实中争议最大的，往往不是“有没有年假”，而是公司到底有没有真正给你休假的机会。 还有一个常见误区： 年假没休完，不等于一定自动折现。 如果是员工本人书面提出不休，和公司因为工作原因不安排休，法律后果并不完全一样。 所以“请3休13”真正值得讨论的，不只是薅假期组合，而是一个更现实的问题： 年假到底是员工的绝对支配权，还是公司和员工之间的一种协调权利？