秋招感慨~

理由1：与父母沟通型话术1：您好，收到贵公司的offer非常荣幸，贵公司的发展前景和公司文化我都非常看好，与我的所学专业也很契合。目前我还没有和家里沟通，等我和家里沟通之后第一时间给您答复（这个时候一般可以拖2-5天，只要单位不催你，你就可以装死）。话术2：您好，这几天和家里沟通了贵单位的基本情况，家里各方面都挺满意的，但由于通勤较远（可替换其他原因）家里有点担心，想问问您公司有没有市内通勤车或者人才公寓呢（这里不管他回答什么，你都可以往下接）？我再和家里商量一下，三天内给您答复（这次如果催得紧最好说个时间，让公司感受到你的诚意）。理由2：系统故障型话术1：您好，我们学校的签约系统是网签。由于...

真的没绷住，小心眼这块，这就破防了也是没绷住🤣

最近在投递简历。在BOSS上，投了50来份小厂(1000人以下)。只有几个人回复(我知道这很正常)，目前有一个小厂hr的电话，说他们的要求很高，我代码有点少。感觉小厂的要求都好高，什么QT，游戏项目/引擎，嵌入式，音视频，图片处理，机器学习，数据挖掘/分析等等，我是不是要改变策略，投中大厂(可能他们的要求比较低，比较看重学习能力)？现在想，先投一个月(边复习+MySQL+QT)，不行就考研去了。

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...