去哪儿

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...

月休两天能坚持住的都是怎样的牛人😢

现在求职圈，实习早变成了数量竞赛，人均四五段大厂实习的分享，仿佛经历越多越稳。但这完全偏离了实习的核心价值 —— 它不是堆砌履历，而是低成本试错和验证适配度。对学生来说，1-2 段实习足够了，关键要搞懂两点：一是行业真实运转逻辑和 JD 描述的差距；二是岗位日常是成长还是消耗，值不值得深耕。反之，短期高频的实习反而会成减分项，容易给招聘方留下目标模糊、稳定性差的印象，最终也沉淀不下可迁移的能力。若一段实习只为简历多一行公司名，毫无含金量。说到底，实习不是焦虑的筹码，少而深远比多而浅更有价值。

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...