1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

周一早会，导师突然说了一句："下周全链路压测，你负责的那个服务，准备好了吗？" 我愣了一下。 说实话，那个服务我接手才一个多月。最开始只是帮忙修几个小 bug，后来导师让我试着做一次小重构，再后来，慢慢地，那个模块的日常维护就落到了我手上。 但"全链路压测"这四个字，份量完全不一样。 我点了点头，说："我先梳理一遍，明天给你同步。" 回到工位，我打开了系统的架构图，开始一个节点一个节点地捋。说不紧张是假的——这个服务在整条链路里不算最核心的，但如果它出了问题，上下游都会受影响。导师把它交给我，既是信任，也是考验。 那天下午我没写一行代...