经验就一条：Prompt 一定要拆开，任务一定要变简单。在面对小模型时，它们能力有限，如果把一堆要求（比如整篇文章+要求）塞进一个 Prompt，可能回答的就牛头不对马嘴了——不是主语识别不全，就是逻辑硬伤，或者答案缺斤少两。要把 Prompt 变成“工作流”，每一步只处理一个问题。比如“根据文章提问”，我通常拆成三步：第一步：只让模型识别文章的主语。第二步：根据主语去编问题。第三步：再针对问题生成答案。每步只干一件事，模型想出错都难。再比如做长文本的“分块（Chunk）”处理：不要让模型重写全文，除非你的token值够用，而且还会增加它的思考难度。你可以把原文段落编上号，让模型只输出：“标题...

实习第一天，就被mt骂了，文档都不会看吗。这写的什么东西，我都教你多少遍了，从来没见过你这么差的实习生，这些名词都不认识吗？面试怎么进来的？有没有动脑子？

点进这个帖子的大家好，本人现在是大四上，然后之前一直忙着保研的事情，也没有实习过，后面保研失败也是去考了研，现在考完试寒假想找个实习，但是感觉我这个专业特别不好找实习，我的简历也很简陋，都是一些大学的东西，可以请大家帮我看看，我好找个修改或者努力的方向吗？我对实习的内容没有什么要求，只是希望学到一点在学校里学不到的技术或者能锻炼社交能力也可以的，谢谢大家，我会详细看大家的回复的，祝大家新年快乐!

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...