真就扎根伟人故里

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...

投了直接简历挂还以为在北京能离家里近一点挺好的结果投了直接简历挂无语子

和mentor的第一次谈话在谈话的最后，mentor跟我说：“我希望你把我当成资源，而不是老师。”“资源”这个词直接而准确，让我一时恍然。从小到大，“老师”总是连着某种规矩与距离，让我们习惯于被动等待教导、听从指令，把自己放在一个被定义的位置上。而“资源”，主语变成了“我”。这意味着我要主动去勘探、获取自己真正需要的东西。因为最清楚自己成长渴求的，正是我自己。这种主动的探寻与吸收，才是扎实的成长。以前觉得“资源”听起来功利，但现在有了不同理解——它其实接近“把自己当成产品”，持续积累知识、能力和格局，成为对他人有价值的人。这种价值不必宏大，可以对事、对人、对团队，也可以对自己在乎的领域。重要的是让“创造价值”成为思考与行动的一部分。汲取，是为了将来能够给予；提问，也是为了有一天可以解答。让自己有价，才能对未来有用。谢谢mt，受教了

个人bg介绍: 专升本 -> 双非硕，硕士转码，在校期间1b1c共计两篇长文(事实上在ai应用开发相关面试时，文章并没有起到太大的作用，也可能是面试的公司规模不是特别大)，在校timeline: 2023年入学时基础比较差，主要以c/c++为主，刚入学时也比较迷茫，在学业上主要以python为主，组内的项目主要以java为主，也算是学的比较杂，当时对于就业的考量是只要比本科强就可以，因为当时的专业为物流，所以基本都是土木相关，这也就导致了无论硕士就业如何，相较于本科而言都是向上的，这也就导致了当时对于就业方向的选择比较随性，只要能找到工作就好。 中间陆陆续续把小论文都撰写好了，在2024...