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...

我投的后台开发。。。这还要面吗

如果用 userId 分表，要用merchantId 查询的话，如何查询？维护索引表：用一张单独的索引表存储 merchantId -> userId，查询时先查索引表拿到 userId。自己手写实现 一致性哈希分表一、核心原理（3 句话记住）把 userId 哈希成一个 0 ~ 2^32-1 的整数把 分表（表名后缀 0、1、2、3...） 也哈希后放到哈希环上userId 顺时针找最近的表 → 得到表序号（0、1、2...）关键：加表只影响少量数据二、手写实现一致性哈希（完整可复制）结构哈希环（排序的 Map）物理节点（真实表：0、1、2、3）虚拟节点（让数据分布更均匀）路由方法：输...