回想去年实习的第一天，我以为我会是从容淡定的职场新人，结果全程像个没头苍蝇，根本不知道干什么。当天，我是提前半小时到公司，到了工位后，HR简单介绍了下公司的茶水间、卫生间和周围的环境，就把我交给了mt，然后就没影了。mt很忙，扔给我一个项目文档，让我先看，说有不懂的再问他，然后就埋头敲代码，全程没再理我。我坐在工位上，不敢瞎动、不敢瞎问，只能乖乖翻手册，但是越看越迷茫，不知道自己接下来要做什么，也不知道该怎么跟mt搭话。最尴尬的是，中午吃饭的时候，大家都三三两两一起去食堂，我一个人都不认识，只能默默坐在工位上。还在mt后来忙完，待我去了食堂。下午，mentor直接给了我一个简单的小任务，说让我...

最近刷boss 投了一堆公司。公司画像员工100-500人，非互联网公司跟着AI热潮产生的岗位需求，多为AI agent开发/全栈开发，基本都是CTO/老板直接对接，流程混乱，要求线下面试，不报销路费，直接不感兴趣拉黑。现在的互联网开发，非进校园的线下面试本来就少，基本都是借助腾讯/飞书会议线上面。走线下反映两个问题：1. 内部能效极低，线上面效率不比线下高？ 2.不懂互联网工具，不会用好互联网产品，内部怎么做的好开发？ 3. 公司没有融资没有上市没有title，凭什么要浪费时间精力给你们线下筛选？这并不表示我们求职者好高骛远，行情不好就安心沉淀寻找方向，盲目的下注只会浪费自己的时间和资源。

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...