前两天冲字节一面花不少时间，然后放松了一下有点掉状态，今天正好跟面试官互撕项目回一下蓝1. 自我介绍 优势2. 完整地介绍公司业务、个人工作3. 介绍公式编辑器（技术栈选型的考虑、公式节点数据结构的设计、手搓公式渲染器的契机、导出格式的设计、Taro API 的跨平台适配器）4. 介绍日志记录器（需求、字段设计）5. React 的主要特性（函数组件、hooks、fiber 树与 diff 算法避免频繁操作 DOM 树）6. 用过 Vue 吗（简历用 Vue 写的，SFC 组件能写，学起来应该不难）7. Webpack 和 Vite 打包区别8. 入职时间等9. 反问（公司业务 实习生工作 对...

鼠鼠刚拿下了一个上海小公司的 offer，结果要辅导员电话，我给辅导员儿简单沟通了一下，直接劈头盖脸骂了我一顿，我真是服了 真的好痛苦😭😭😭，到底怎么办呀

总的来说，这是一场收获很大的面试，感觉面试官不是以老员工的角度来拷打我，而是以一个引路人的视角带着我去思考一些场景问题，用一些真实场景来向我展示平时所学应该如何应用，然后问问题也都是笑着和我聊天那种问法，感觉是一个很有人格魅力的人，就是在他面前基本上说不了谎，而且感觉他更喜欢那种真诚地回答以及真实的思考，真的对我自己有很大的帮助，真的给字节点个大大的赞

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...