又又又又又遇到了一个无敌好的面试老师，全程微笑，氛围和谐，我要咏鹅了，鹅鹅鹅,面完秒过到hr面问题也不是很难，甚至连手撕也没有，只有半小时，最后还聊了十分钟篮球。。。面完反问说组内氛围好，领域前排什么的，问了流程说是2+11你认为后端开发的核心技术点是什么？2各种中间件怎么使用，都有什么用3mysql和redis的使用场景4 agent项目自纠错（Plan-Verify-Replan）架构效果如何评估？5分析结果的评测你是如何做的？6用了哪些大模型？7流式处理怎么做的？回答了sse8说一下sse的细节，基于什么协议做的？http9代码题口述：非递归遍历二叉树（前序）秒了10tcp和udp差异1...

有人告诉我这种会不会有问题呀？我说我能实习6个月，他就发了这几句话？会不会是骗子呀？😭

俩实习生全是槽点，还一个个摸鱼摸到飞起，现在就问：这俩到底咋选？怎么带？实习生 A：一点就透，还能活跃组内气氛，妥妥的机灵鬼。但架不住爱忘事、左耳进右耳出，交上来的活儿也就刚够及格线，摸鱼倒是比谁都积极。实习生 B：做事踏实能落地，进度反馈贼及时，让人省心不少。可悟性是真差，一点小事得反复确认八百遍，巨费时间，摸鱼这事儿也没少干。一个机灵是机灵，就是太不省心；一个稳当归稳当，带起来太费劲。换你你选哪个？这俩到底该咋带啊？

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...