前段时间吃饭，跟 mentor 聊到现在毕业生找工作难这件事。他顺口说了一句话，我印象特别深： 有些面试，5分钟内其实就差不多知道结果了。甚至有的校招面试，更直接：候选人一开口，挂还是过，他心里基本就有数了。说实话，我一开始听到这句，还有点不服。我当时心里想，哪有这么夸张，大家不都得聊一会儿、问几轮，才能看出来吗？但回头看我去年那 40+ 场后端面试，我发现这话真不是吓人的。很多时候，不是你答了多久才暴露问题，是你一开口，面试官就已经听出来你对这个东西到底懂多少。两次尴尬面试经历我刚开始面试那阵子，其实就是最典型的“背过一点，但没真的懂”。后端技术栈深度不够，广度也不够，再加上人一紧张，就特别...

要简历的不少，但没面😥同学都在实习，好焦虑😢

差点把线上搞崩那次，到现在想起来手心还会出汗。实习第六周，我改了一个配置参数。自测过了，跑了几个case没问题，心想这么小的改动走什么灰度啊，直接上呗。提交MR的时候mentor拦住了我，说走灰度。我当时内心是翻白眼的——至于吗？灰度放了1%的量，五分钟之后监控开始报警。我改的那个阈值，影响了下游一个缓存服务的淘汰策略。我看着监控面板上那条飞起来的红线，感觉自己的血也凉了。mentor倒是很淡定，一键回滚，然后跟我说：这个接口日调用量几千万。如果刚才全量上了，你今天就可以体验什么叫P0事故复盘了。那一刻我是真的怕了。不是怕被骂，是怕影响真实的用户。之前在小厂实习，出了bug重启一下就好了，DAU才几千，没人在意。但大厂不一样，你敲的每一行代码背后都是真实的人在用。从那以后我再也没有跳过任何一个流程。你说大厂的流程烦不烦？烦。但被流程保护过一次之后，你会真心感激这份烦。感谢我师，就我🐶命

1. 什么是 LoRA？LoRA 全称是 Low-Rank Adaptation，核心思想是在微调大模型时不直接更新原始大权重矩阵，而是冻结预训练权重，只额外学习两个低秩矩阵，用这两个小矩阵的乘积去近似原权重的增量。原来如果某层权重是： W ∈ R^(d×k) LoRA 不直接学习 ΔW 的完整矩阵，而是写成： ΔW = B A A ∈ R^(r×k), B ∈ R^(d×r), 且 r << min(d, k) 最终前向变成： h = W x + ΔW x = W x + B A x 这样训练参数量会大幅下降。2. LoRA 的思路是什么？LoRA 的基本假设是：大模型在迁移到下...