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...

2h进人才库，双非本无大厂经历26届。碎一地。。要是一年前出来实习就好了。

本人双非本，一段中厂6个月测开实习秋招以来，被无数大公司直接简历挂，陆陆续续也面过五个比较大的公司，给我的统一感受就是学历真的很重要很重要，我的实习虽然只有一段，但是在公司项目的成果还是很能打的，基本上一面都可以过，但是一旦到了主管或者HR那个层面，真的可以很清晰感受到他们对学历的看重大于能力，之前极兔那个面试官就直接明说，他们觉得能力可以慢慢培养，但是学历就体现一个人的学习能力和努力程度，也有HR直接说如果你同一批竞争者有学习能力和努力程度大于你的，你会怎么办？当时我好像觉得学历真的把我定在了一个弱智不努力的标签上，感觉很无力，当下尚且测试的环境这样，都不敢想象开发和算法已经变成什么样了，不过也有好消息，拿到了一家深圳10k的offer，也算是为我这两个多月的努力画上了一个逗号，后续怎么样，就要靠自己了，祝牛友们早日拿到自己心仪的offer

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...