实习生当社招面，所有人全疯了这次加粗的不是答不出来的，是答案缺乏深度的，不是实习生哪来的深度自我介绍为什么选择前端有没有接触过其他方向（写过一丢丢服务端）用过哪些 AI 工具（说了平常用 AI 的用途，之前构想的单人异步工作流从输入提示词到 AI 产出结果发生了什么（？？？先是想说 ReAct、Plan and execute 之类的，告诉我别说这些，就说 agent 做了什么）你对提示词如何规范 AI 产出的理解，它到底做了些什么（只能说说列计划啊工具调用啊之类的）怎么理解 harness engineering，有没有实践过（说了一下 skill 之类的，然后确认与 ai 的需求文档）手撕...

哎  心态崩了！  是不是我的简历太垃圾了 求大佬帮我看看🥺🥺🥺  到现在投了这么多家  没有几个给我发笔试的  就有一个美团发了笔试   a 了一道半  简历筛选挂了  投 Oppo  海信 小红书 字节直接挂 连面试笔试机会都没有 没招了 是不是我简历太垃圾  应该咋改  应该咋投啊  压力好大   现在做的这个两个项目是不是不够看  我之前还做了 spring cloud 的商城被我替换掉这个 ai 项目了  现在应该咋写呀

本人双非本，大佬们能不能来帮我看看我简历哪里有问题，真的很努力地写了，可boss上投好多已读不回😓😓，要么直接说不合适，小中大厂都投了

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...