如果用 userId 分表，要用merchantId 查询的话，如何查询？维护索引表：用一张单独的索引表存储 merchantId -> userId，查询时先查索引表拿到 userId。自己手写实现 一致性哈希分表一、核心原理（3 句话记住）把 userId 哈希成一个 0 ~ 2^32-1 的整数把 分表（表名后缀 0、1、2、3...） 也哈希后放到哈希环上userId 顺时针找最近的表 → 得到表序号（0、1、2...）关键：加表只影响少量数据二、手写实现一致性哈希（完整可复制）结构哈希环（排序的 Map）物理节点（真实表：0、1、2、3）虚拟节点（让数据分布更均匀）路由方法：输...

现在好多技术都在学，项目还在搞，但是害怕时间太晚来不及了，只要有人要我就可以了小厂也可以，佬佬帮我看一下😭😭

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司

1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...