领英上的极致角色扮演
Hacker News 摘要这篇文章主要讽刺了职场社交平台 LinkedIn 上普遍存在的虚假生产力和过度包装现象，并记录了作者亲自构建一个垃圾内容检测器的过程。
令人窒息的动态流
作者认为 LinkedIn 充满了表演式的生产力和企业黑话。正常的人类语言在这里逐渐消亡，只能靠大语言模型来勉强维持。
平台上的内容极其虚伪且千篇一律，人们常常把生活中的任何琐事，甚至是亲戚出车祸的不幸遭遇，生拉硬扯地联系到所谓的商业管理启示上。所有人都顶着虚假的面具，强行装作有远见、思维前瞻且极度专业，让人感到无比疲惫。
平台上的同质化项目
作者指出，动态流中充斥着各种看似高端实则无用的计算机视觉项目。最典型的就是有人对着摄像头挥手，模型对其进行追踪。这类项目不仅毫无实际用途，而且几乎全是照搬教程或借助 AI 随意拼凑出来的。
作者以常见的坑洼检测项目为例：
• 这类项目声称能利用 AI 建立智能基础设施监控系统，帮助维护团队做出数据驱动的决策，并大谈光照、路况和角度对模型表现的影响。
• 实际上，这些项目根本没有接入任何实用的后端接口或车载摄像头网络，本质上毫无意义。
• 做出这种看似高大上的项目其实门槛极低。
制作 YOLO 垃圾动态检测器
为了证明制作此类项目的简单程度，此前毫无相关经验的作者决定从零开始构建一个专门识别这类炫耀帖的 YOLO 检测器。整个学习和制作过程仅花费了一个半小时，具体步骤如下：
1. 收集数据：作者编写了一个简单的自动化脚本，利用 scrot 截屏和 xdotool 模拟向下翻页键，自动在 LinkedIn 动态流中抓取了 200 张屏幕截图作为原始数据集。
2. 数据标注：在 Roboflow 平台上创建项目并上传截图，手动给需要检测的目标画框标注。这项机械化的工作仅耗时 20 分钟。随后将标注好的数据集导出为 YOLOv8 格式的压缩包。
3. 训练模型：使用 Python 中的 ultralytics 库调用预训练的 yolov8n.pt 权重文件，对数据集进行 50 轮训练。作者使用的是配置较低的个人电脑，训练仅用了 30 分钟。
4. 运行检测：编写一段简短的 Python 脚本，加载训练好的最优权重文件，并设置置信度阈值对输入图片进行检测和保存。
作者借此讽刺道，自己现在也可以在简历上写上计算机视觉专家、Python 天才以及 AI 和机器学习思想领袖等头衔了。
总结与反思
作者认为，LinkedIn 上的大部分内容只是把微不足道、微小简单的东西加上了华丽的营销外衣。
之所以没有人公开指出这些内容是粗制滥造的垃圾，是因为平台机制会把用户的评论展示在个人主页上。如果招聘人员看到你公开批评别人，会觉得你缺乏职业素养，因此大家只能互吹互捧。
这个平台并不奖励真正提升技术水平的人，它的核心逻辑是为了找工作而推销自己。因此，能够留存下来的不是真正的硬核技能，而是看起来很有趣的假象。这只是一种对高效生产力的真人角色扮演，许多人反复发着同质化的项目，技术能力却毫无实质长进。
原文：https://hereticpleb.vercel.app/blog/linkedin-larpmaxxing/