实习日记藏微光 平凡日常亦闪光

ps：如果这篇帖子对于还在找工作和找实习的你有所帮助，可以关注我，给本贴点赞、评论、收藏并订阅专栏；同时不要吝啬您的花花一、什么是大key？核心判定标准大key（Big Key）是缓存（主流为Redis）中单个key对应的value内存占用过大、或元素数量过多的异常数据，无绝对统一标准，需结合业务场景和Redis版本界定，行业通用量化标准如下：字符串(String)类型：value占用内存＞10KB（临界值），＞1MB判定为严重大key；Redis 6.x+中，超过44KB会从高效EMBSTR编码转为RAW编码，性能大幅下降哈希/列表/集合/有序集合(Hash/List/Set/Zset)类型...

从字节离职创业后，我的工作方式彻底变了。我们 90% 以上的代码都是 AI 生成的。主力工具是 Claude Code，也会用 Cursor、Gemini、Codex——不同工具各有强项，我经常让它们互相 review 代码。成本：Claude $200/月套餐，实际 Token 消耗价值超过 $1000/月。对比一个初级工程师的月薪，AI 用 1/10 成本完成了 90% 编码。但 AI 写代码不等于不需要工程师。编码时间压缩了 95%，但设计和测试反而增加了。总效率提升约 5 倍。AI 还不擅长架构设计，也缺乏业务上下文。单元测试不够，必须端到端测试——AI 代码单个函数没问题，串起来容易出 Bug。Spotify 工程师不写代码上了热搜，但这在我创业日常里早就是现实了。

ps：如果这篇帖子对于还在找工作和找实习的你有所帮助，可以关注我，给本贴点赞、评论、收藏并订阅专栏；同时不要吝啬您的花花缓存命中率是衡量缓存架构效率的核心指标，计算公式为：缓存命中率 = 缓存命中请求数 / 总请求数。命中率越高，意味着数据库回源越少、接口响应越快、系统负载越低。提升命中率并非单一优化，而是从缓存设计、策略选型、数据治理到异常防护的全链路优化，以下是可直接落地的实操方案。一、优化缓存基础设计：从根源减少无效缓存缓存粒度、分层设计、数据选型的合理性，直接决定了缓存的有效利用率，是提升命中率的核心前提。1. 精准把控缓存粒度，拒绝两极分化禁用超大粒度缓存：避免将整表、整页数据打包缓...

从ai裁员就看得出，以后这些大厂招人想必会少很多，我们这种快毕业的连打杂的活都不一定能去干了😢