虽然嘴上说着不想再面了，但是今晚身体还是诚实地准时点开了面邀链接。部门是核心本地商业，偏向酒旅下面的景点。本来准备了一个工作流项目和一个优惠券秒杀项目，结果全程都是ai和ai coding相关，完全没问第二个项目，也没有手撕，供大家参考。这两个项目都不是实验室的课题吧？都是你在GitHub或其他平台上自己学习实践的项目，然后做了相应的改造，对吗？看一下你这个工作流编排平台，它产生的背景或要解决的问题是什么？我能不能理解为它类似Coze、Dify这类工作流编排产品？你提到和它们有所区分，具体做了哪些改进或不同之处？你说这是自研层面的东西，整体设计思路是怎样的？其中稳定性能力建设这部分，有没有参考...

双非本科，靠着字节、百度、蔚来三段实习一路撑到春招，到现在才真正认清现实。一封封感谢信砸过来，慢慢明白，学历和学校带来的门槛，远比几段光鲜实习要重得多。最让人无力的，莫过于拼尽全力刷实习、攒经历，最后却连一个入场机会都换不来，那种落差感真的太磨人。总自以为是地觉得，有大厂实习就够了，一定能挤进心仪的公司，可现实一次又一次把幻想击碎。现在的我，早已没了春招初期的锐气，只剩下满心的迷茫和惆怅。不知道是该坦然接受现实，还是继续抱着不切实际的期待，在大厂的梦里不肯醒。

求建议 总是不敢投 学了这么久不知道在学啥

第 53 题：上下文压缩（Context Compression）在长文本场景的应用 题目 解释上下文压缩（Context Compression）技术在长文本场景的应用。 一、为什么需要上下文压缩？ 长文档、多轮对话或大量检索结果会占满 context 窗口，导致：超出模型长度限制、重点信息被挤到边缘、成本与延迟上升。上下文压缩 指在保留关键信息的前提下缩短或摘要送入模型的文本，使更多内容“塞得进”且关键信息不丢。 二、常见做法  摘要：对长段做摘要（用模型或抽取式摘要），只把摘要放入 prompt；适合“只要大意”的问答与检索后阅读。 选择性保留：按相关性或重要性筛选句子/段落（如用检索分...