引言"我的简历上没有 Agent 相关的实习经历怎么办？"这是校招季被问得最多的问题之一。答案很简单——开源项目就是你的实习。而且某种意义上比实习更有价值：实习经历面试官只能听你描述，开源贡献面试官能直接看你的代码。但"用开源项目丰富简历"不等于"把项目 clone 下来跑一遍然后写上去"。面试官 5 秒钟就能分辨"跟着 README 跑了一遍"和"真正理解并贡献了"的区别。以下分三部分：推荐哪些项目值得投入、怎么参与才能真正产出简历亮点、怎么把开源经历写进简历。第一部分：值得投入的开源 Age...

大四上学期在某厂实习了三个月，说说真实感受吧。进去之前幻想的是参与核心项目、接触前沿技术。实际上每天就是写一些边角需求，改改前人的代码，开不完的会。mentor人挺好但也很忙，大部分时间还是自己摸索。最大的感触是：大厂没有想象中那么光鲜。工位很挤，实习生能接触到的东西真的有限，很多核心代码权限都没有。现在春招我反而没那么执着大厂了，更看重具体做什么、团队氛围怎么样。实习过一次之后你就会发现，公司名字真的只是个壳子，每天干的活才是实实在在的。

其实是简历求拷打 各位佬尽情拷打吧

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...