首先我们看得到2024，2025的ai进展，包括2026的openclaw，那么所以说其实，后续程序员没有前后端，客户端的分工的区别，其次，八股文和算法题没有那么苛求了，善用ai可以代替很多问题，其次，现在的app软件会被替代成为多种agent，当你完整使用多agent每天自动工作的时候，你会发现你写的代码一点用没有，你需要的是学ai做不到的东西，比如跑一遍docker，搞一个树莓派机器人，或者去搞一个顶尖的服务器搭一个算子，上述其实不是很困难的内容，我的文章不会说必须要什么学历之类的，考得上mit，斯坦福的又有几个呢？你应该做的是利用ai去提效而不是考虑这些有的没的，所谓java，python其实这些编程语言的寿命都将不长久了，其实知识是有保质期的。不要再花时间在上面了，你要学最新的技术，而不是为了就业什么的。后续ai可以自己搞一个最简单的编程语言，或者完整的系统，当然了，没必要焦虑什么的，再过些时间，所谓金钱的意义会无限接近于0，唯一有价值有效的，是资源。

1. 介绍一下你的 RPC 项目？这个项目是实际应用还是练手？2. 你的 RPC 框架中，应用服务器可以有多台，怎么选择调用哪一个？这涉及到负载均衡策略。常用的策略包括：轮询（Round-Robin）：按顺序依次分配，适合各服务器性能相近的场景。随机（Random）：随机选择一台。哈希（一致性 Hash）：根据客户端 IP 或请求参数的 Hash 值绑定到固定节点，适合有状态服务或需要缓存命中率的场景。加权轮询 / 最少连接数：根据服务器的实时负载或预设权重进行动态分发。我的 Demo 中主要实现了一致性哈希和单纯的轮询机制。3. 怎么保证多个应用服务器之间数据的同步呢？RPC 框架本身是一层...

可以多联系下HR看有无加薪可能

1、自我介绍我主要做的是大模型应用开发和 NLP 相关工作，技术栈以 Python 和 Java 为主。平时做得比较多的是 RAG、知识库问答、Agent 流程编排、数据清洗、信息抽取和模型服务化部署。之前接触过 FAQ 问答、命名实体识别、文本处理、检索召回优化、多轮对话上下文管理这些方向，也做过一些评测和效果优化工作。我希望找一份偏大模型应用落地的岗位，把模型能力和业务场景结合起来，重点做效果、工程和稳定性的平衡。2、实习经历3、RAG 的优化，项目中 Agent 的流程RAG 的优化一般可以分成数据侧、检索侧、重排侧、上下文构造侧和生成侧。数据侧主要是文档清洗、去噪、切 chunk、补充...