买了一个case study 的资料

AI时代，传统行业非但没有“死路”，反而藏着最硬的“活路”。真正的护城河，在于那些无法被数据完全定义的“手感”与“信任”。比如资深电工对故障线路的直觉判断，老中医把脉时的综合权衡，园艺师对植物细微变化的敏锐捕捉——这些融合了经验、直觉与责任心的复杂决策，AI难以替代。同时，人提供的情绪价值愈发珍贵。无论是护理员握住老人的手，还是教师眼中的鼓励，这些有温度的真实互动，都是算法的禁区。与其担心被取代，不如让AI处理繁琐流程，自己专注于需要创造力、情感和复杂判断的核心环节。#牛客AI配图神器#AI

这是**吗，天天发内推吗，想钱想疯了。看到都烦，我来牛客看面经结果全被这个刷屏

大佬们看看，有没有什么还要修改的地方，第一个项目做的是黑马点评，加了一个rabbitMQ，第二个项目是鱼皮的API开放平台结合了一下鱼皮的大语言对话模型项目

1. Agent 工具调用你知道怎么训练吗？训练集应该包含哪些？怎么得到训练数据集？如果只是让模型“知道有工具”，那只需要在 SFT 里教会它工具名和参数格式；但如果想让它真的会用工具，训练集必须覆盖完整决策链路。至少要有三类样本：一类是该调用工具的，一类是不该调用工具的，还有一类是要调用多个工具且有依赖关系的。否则模型很容易学成“逢问题必调用”。训练数据来源一般有几种。最理想的是业务日志里已有高质量人工操作轨迹，把用户问题、检索条件、调用参数、返回结果和最终回复串起来。没有现成轨迹时，就要靠规则模板、专家构造、模型自蒸馏和人工校验混合生成。真正难的地方不在造正样本，而在构造反例，比如参数缺失...