offer比较

从Claude发布了最新的Opus4.6模型之后，我就开始把搜索推荐场景的策略PRD交给Claude来写了。给它喂了业务背景、用户画像、现有策略逻辑、几组AB实验数据，让它输出一版完整的PRD。结果出来我看了半天，说实话，打个70分不过分。框架完整，数据引用准确，甚至连实验分组逻辑和新用户的兜底方案都写得有模有样。这个质量，比8年前刚转策略方向时的我写得好，更比现在的校招生写的好太多了。那天晚上我躺在床上想了很久。不是焦虑那种想，是认真地在盘，我这么多年积累的东西，到底哪些有护城河，哪些其实只是熟练度？下面是我自己的思考，和大家分享一下。先说能被替代的部分我觉得，AI能替代策略PM大概80%的...

timeline过年前就约的年后三月份的面试2026 3.05 一面2026 3.10 二面（挂）2026 3.13 二面2026 3.16 hr面2026 3.19 口头oc2026 3.20 offer两道手撕无重复字符最长子串数组中能组成小于n的最大数字记录一下 不多写什么了 同时也感谢平台上以前发面经的佬们记录的一些手撕题目 刷一刷颇有成长

为什么面了八次次次都是一面挂，次次都不说原因，问了面试官就是插科打诨，为什么别人一面就过呢，真的没有缘分呀。不考编程就是脑筋急转弯的概率题，考了编程a了也不过没a也不过 总之就是不过，没一次二面，深深的怨念。觉得我不够资格就直接拉黑简历呗，每次都捞起来重新拷打一顿什么意思呢。

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...