腾讯北京明天现场面试后，还需要面几轮呢？

现在圈子里都在聊 Vibe Coding，好像只要动动嘴皮子、对对眼神，代码就能像喷泉一样涌出来。这种“只要感觉对，代码自然位”的幻觉，最容易让职场新人产生一种错觉：底层原理不重要了，基础训练过时了。但现实很骨感：Vibe Coding 可能会干掉“平庸的初级岗位”，但它其实给“硬核的新人”留了条快车道。1. 初级岗位的“分水岭”已经出现如果你的日常工作只是把产品经理的白话翻译成 Java 或 Python，那 AI 的确能把你 K.O. 掉，而且连招呼都不打。那种“机械翻译”式的初级岗正在迅速枯萎。但反过来想，AI 把你从繁琐的语法纠结中解放了出来。新人不再需要花三年时间去背诵 API，而是...

年前一面通过，后面问是否考虑外包岗位，撤回的消息说的是“没办法，学历是硬性指标”，难绷那你面我干啥呢，浪费双方时间，你早说是外包岗我还接你面试干啥😂

对不住了bro哈哈哈哈哈

1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...