1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

能的兄弟，能的，一天200k我肯定干

秋招没有大满败，最终收到节子的offer。

从Claude发布了最新的Opus4.6模型之后，我就开始把搜索推荐场景的策略PRD交给Claude来写了。给它喂了业务背景、用户画像、现有策略逻辑、几组AB实验数据，让它输出一版完整的PRD。结果出来我看了半天，说实话，打个70分不过分。框架完整，数据引用准确，甚至连实验分组逻辑和新用户的兜底方案都写得有模有样。这个质量，比8年前刚转策略方向时的我写得好，更比现在的校招生写的好太多了。那天晚上我躺在床上想了很久。不是焦虑那种想，是认真地在盘，我这么多年积累的东西，到底哪些有护城河，哪些其实只是熟练度？下面是我自己的思考，和大家分享一下。先说能被替代的部分我觉得，AI能替代策略PM大概80%的...