还是没有适应在大城市的生活

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...

简历求锐评  

最近群里有很多同学找我看简历，问问题，主要就是集中在明年三月份的暑期，我暑期还能进大厂嘛？我接下来该怎么做？对于我来说，我对于双非找实习的一个暴论就是title永远大于业务，你在大厂随随便便做点慢SQL治理加个索引，可能就能影响几千人，在小厂你从零到一搭建的系统可能只有几十个人在使用，量级是不一样的。对双非来说，最难的就是约面，怎么才能被大厂约面试？首先这需要一点运气，另外你也需要好的实习带给你的背书。有很多双非的同学在一些外包小厂待了四五个月，这样的产出有什么用呢？工厂的可视化大屏业务很广泛？产出无疑是重要的，但是得当你的实习公司到了一定的档次之后，比如你想走后端，那么中厂后端和大厂测开的选择，你可以选择中厂后端（注意，这里的中厂也得是一些人都知道的，比如哈啰，得物，b站之类，不是说人数超过500就叫中厂），只有这个时候你再去好好关注你的产出，要不就无脑大厂就完了。很多双非同学的误区就在这里，找到一份实习之后，就认为自己达到了阶段性的任务，根本不再投递简历，也不再提升自己，玩了几个月之后，美其名曰沉淀产出，真正的好产出能有多少呢？而实际上双非同学的第一份实习大部分都是工厂外包和政府外包！根本无产出可写😡😡😡！到了最后才发现晚了，所以对双非同学来说，不要放过任何一个从小到中，从中到大的机会，你得先有好的平台与title之后再考虑你的产出！因为那样你才将将能过了HR初筛！我认识一个双非同学，从浪潮到海康，每一段都呆不久，因为他在不断的投递和提升自己，最后去了美团，这才是双非应该做的，而我相信大部分的双非同学，在找到浪潮的那一刻就再也不会看八股，写算法，也不会打开ssob了，这才是你跟别人的差距。

经验就一条：Prompt 一定要拆开，任务一定要变简单。在面对小模型时，它们能力有限，如果把一堆要求（比如整篇文章+要求）塞进一个 Prompt，可能回答的就牛头不对马嘴了——不是主语识别不全，就是逻辑硬伤，或者答案缺斤少两。要把 Prompt 变成“工作流”，每一步只处理一个问题。比如“根据文章提问”，我通常拆成三步：第一步：只让模型识别文章的主语。第二步：根据主语去编问题。第三步：再针对问题生成答案。每步只干一件事，模型想出错都难。再比如做长文本的“分块（Chunk）”处理：不要让模型重写全文，除非你的token值够用，而且还会增加它的思考难度。你可以把原文段落编上号，让模型只输出：“标题...