最近在面试，说实话，每次看到 精通 这俩字，我这心里就咯噔一下。不是我不信你，是这俩字太重了。这不仅仅是自信，这简直就是给面试官下战书😥。你写 熟悉，我问你 API 怎么用，能干活就行。你写 精通，那我身体里的胜负欲瞬间就被你点燃了：既然你都精通了，那咱们就别聊怎么写代码了，咱们聊聊尤雨溪写这行代码时在想啥吧😒。结果呢？三个问题下去，我看对面兄弟的汗都下来了，我都不好意思再问。今天真心给大伙提个醒，简历上这 精通 二字，就是个巨大的坑，谁踩谁知道。来，我给你们复盘一下，什么叫面试官眼里的精通。你别只背八股文我上来通常先问个简单的热身：Vue3 到底为啥要用 Proxy 换掉 Object....

今年大二，想要先找一个中小厂，主要是力扣没刷多少，八股还没背完，请求各位大佬提出宝贵的意见，肯定会虚心接受😭😭😭

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...