十月又该如何？

我今天被 Anthropic 公司解雇了。我当时是负责发布最新 dev/claude-code npm 包的工程师。为了改善团队的调试体验，我决定在发布版本中加入源映射。这导致我们整个内部代码库被公开，其中包括数千个文件，其中包含所有代理命令、所有系统提示、完整的查询引擎、Undercover 模式、Bypass Permissions 模式以及我们的内部遥测配置。我愿承担全部责任。我真心相信 Claude Code 为我建立的安全保障措施是足够的，这是我的严重误判。我的行为无意中提前开源了 Claude 架构中的重要部分。我向团队和 Claude 致歉。哈哈哈哈应该是愚人节整活😂😂😂

本2硕9，力扣是没刷完的，八股是没背完的，准备先投中小厂练练手，逼自己先面试找找感觉。大厂到底什么时候才配投啊，看了面经能掰扯的最多才一半

算上这次也是三战字节了timeline3.24一面 当晚约二面3.25二面 当晚约三面3.27三面 3.30约HR面4.1HR面4.2 oc+offer加油加油，希望暑期能活下来

1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...