大家好，我是程序员鱼皮。用 AI 编程的朋友应该都遇到过这些问题：你让 AI 改下页面的样式，结果它没搞清楚你到底想干嘛，重新开发了整个布局。你前面明明要求单文件的代码不超过 200 行，结果聊了十几轮之后，AI 把前面的约束给忘了，写了个 1000 行代码的大文件。还有更头疼的，你让 AI 修一个项目里的 Bug，结果又出了 3 个新 Bug，项目都跑不起来了，代码越改越乱。前两个问题已经有了不少解决办法，比如写好提示词、给 AI 提供充足的信息，但第三个问题就比较棘手了。如果你想让 AI 做好一个完整的项目，你还得给它搭一整套靠谱的工作环境和工作流程。这就是最近在 AI 圈很火的 Harn...

简历完全过不了啊😢是院校的问题吗

差点把线上搞崩那次，到现在想起来手心还会出汗。实习第六周，我改了一个配置参数。自测过了，跑了几个case没问题，心想这么小的改动走什么灰度啊，直接上呗。提交MR的时候mentor拦住了我，说走灰度。我当时内心是翻白眼的——至于吗？灰度放了1%的量，五分钟之后监控开始报警。我改的那个阈值，影响了下游一个缓存服务的淘汰策略。我看着监控面板上那条飞起来的红线，感觉自己的血也凉了。mentor倒是很淡定，一键回滚，然后跟我说：这个接口日调用量几千万。如果刚才全量上了，你今天就可以体验什么叫P0事故复盘了。那一刻我是真的怕了。不是怕被骂，是怕影响真实的用户。之前在小厂实习，出了bug重启一下就好了，DAU才几千，没人在意。但大厂不一样，你敲的每一行代码背后都是真实的人在用。从那以后我再也没有跳过任何一个流程。你说大厂的流程烦不烦？烦。但被流程保护过一次之后，你会真心感激这份烦。感谢我师，就我🐶命

Q1：大模型（LLMs）具有什么优缺点？答案：优点：可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力；可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果；可以利用涌现能力（Emergent Capabilities）来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。缺点：需要消耗大量的计算资源和存储资源来训...