1. 自我介绍，说说你的项目经历和技术方向。答：按"背景 → 技术栈 → 代表项目 → 求职意向"四段走，控制在2分钟星星充电是充电桩方向，如果有IoT、通信协议、嵌入式Linux相关经验要重点提结尾说一句为什么对充电桩/新能源方向感兴趣，体现你做过功课2. 你的项目有没有实际落地，落地过程中遇到了哪些和开发阶段不一样的问题？答：考察项目真实性和工程化思维，不是考你功能实现了多少落地和开发的典型差异：实验室环境和真实环境的差异（电磁干扰、温度、电源质量）、用户使用方式和预期不一致、硬件批次差异导致的兼容性问题如果项目没有落地，要说清楚做到了哪个阶段，测试验证了哪些场景，不要...

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...