offer对比

线上，面试官驻场的时候面的自我介绍实习拷打 JWT 加 Redis 双令牌机制，用户怎么授权的？Token在后台是怎么交互的？服务端怎么鉴权？（感觉面试官想引导我回答ThreadLocal，但是我没接）你说你用到了Redis，它是一个什么样的一个工具或者中间件？它主要用来解决什么问题？我就直接在应用里面用临时变量，比如Map当做Cache，它也是存在内存里面，为什么不选用这种方案？那这两种解决方案有什么优劣？数据一致性问题，讲解一下？那 Redis 有没有这个问题？怎么解决？那什么样的数据适合用缓存呢？你刚刚说了一个抢券的业务，那能不能描述一下这个业务里面哪些数据是可以用缓存来缓存的？那线程多...

最终还是婉拒了小红书的offer，厚着脸皮回了字节。其实这次字节不管是组内的氛围、HR的沟通体验，都比之前好太多，开的薪资也还算过得去，这些都是让我下定决心的原因之一。但最核心的，还是抵不住对Agent的兴趣，选择了Ai Coding这么一个方向。因为很多大佬讲过，在未来比较火的还是属于那些更加垂类的Agent，而Ai Coding恰好是Coding Agent这么一个领域，本质上还是程序员群体和泛程序员群体这个圈子的。目前也已经在提前实习，也是全栈这么一个岗位。就像最近阿里P10针对前端后端等等不再那么区分，确实在Agent方向不太区分这个。尤其是我们自己做AI Coding的内容，基本上90%左右的内容都是AI生成的，AI代码仓库贡献率也是我们的指标之一。有人说他不好用，那肯定是用的姿态不太对。基本上用对Skill、Rules 加上比较好的大模型基本都能Cover你的大部分需求，更别说Claude、Cursor这种目前看来Top水准的Coding工具了（叠甲：起码在我看来是这样）。所以不太区分的主要原因，还是针对一些例如Claude Code、Cursor、Trae、Codex、CC等一大堆，他们有很多新的概念和架构提出，我们往往需要快速验证（MVP版本）来看效果。而全栈就是这么快速验证的一个手段，加上Ai Coding的辅助，目前看起来问题不大（仅仅针对Agent而言）。而且Coding的产品形态往往是一个Plugin、Cli之类的，本质还是属于大前端领域。不过针对业务后端来看，区分还是有必要的。大家很多人也说Agent不就是Prompt提示词工程么？是的没错，本质上还是提示词。不过现在也衍生出一个新的Context Eneering，抽象成一种架构思想（类比框架、或者你们业务架构，参考商品有商品发布架构来提效）。本质还是提示词，但是就是能否最大化利用整个上下文窗口来提升效果，这个还是有很多探索空间和玩法的，例如Cursor的思想：上下文万物皆文件， CoWork之类的。后续也有一些Ralph Loop啥的，还有Coding里面的Coding Act姿态。这种才是比较核心的点，而不是你让AI生成的那提示词，然后调用了一下大模型那么简单；也不是dify、LangGraph搭建了一套workflow，从一个node走到另外一个node那么简单。Agent和WorkFLow还是两回事，大部分人也没能很好的区分这一点。不过很多人说AI泡沫啥啥啥的，我们ld也常把这句话挂在嘴边：“说AI泡沫还是太大了”诸如此类。我觉得在AI的时代，懂一点还是会好一点，所以润去字节了。目前的实习生活呢，除了修一些Tools的问题，还包括对比Claude、Cursor、Trae在某些源码实现思想上的点，看看能不能迁移过来，感觉还是比较有意思。不过目前组内还是主要Follow比较多，希望下一个阶段就做一些更有创新的事情哈哈。这就是一个牛马大学生的最终牧场，希望能好好的吧。说不定下次发的时候，正式AI泡沫结束，然后我又回归传统后端这么一个结局了。欢迎交流👏，有不对的🙅不要骂博主（浅薄的认知），可以私聊交流

Week01的内容不是很多，主要介绍LLM的一些基础概念和提示词撰写的方法论。我的学习顺序是：1️⃣边看Slides边记笔记，把一些面试中可能遇到的问题或者可以和面试官聊天的内容记下来，保存在云端，形成自己的知识文库；2️⃣根据Reading List，阅读推荐的材料、收看推荐的视频，这里发现一个特别不错的方法：有些视频长达三个多小时，平时比较忙根本没时间耐心看完，于是我把视频传到NotebookLM，让他结合我的专业，根据要求生成学习笔记。这样我就能收到一份八九千字的“视频转文字”报告，内容详细且经过梳理，看起来既有效率也更有结构性。还可以让它给我生成一段高质量的讲解视频或播客。3️⃣完成一...