题解 | 对first_name创建唯一索引

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

作为后端开发实习生，从最开始瞎用AI踩坑，到现在每天高频使用AI，把工作效率提升了3倍，我深刻明白：用AI的次数多不厉害，把AI用在刀刃上，真正帮自己减负、提效、成长，才是核心。先说说我一天的AI使用频率和场景，不算生活里的琐事，纯工作场景，一天就会用AI20次左右，主要集中在这几个模块，也是我总结出来的，职场人用AI最高效的几个方向：一、核心工作提效：用AI做“重复劳动的替身”，把精力留给核心思考这是我用AI最多的场景，占了一天使用次数的60%，核心原则是：所有标准化、重复性、低思考成本的工作，全交给AI。代码开发辅助：这是每天用得最多的。基础的CRUD接口、工具类、通用函数、单元测试、代码...