虾皮产品岗

早晨收到了HR助手的提醒，今天是白牙入职腾讯的两周年，两年前选择offer的纠结与入职腾讯时的兴奋还历历在目，但也许因为历经新冠的原因，这两年的时间黏稠而缓慢，仿佛流体，乏味得可怕今天带小白牙去国际鲜花港玩了一天，小白牙很开心，收拾完，想记录些什么，给时间留下一点记忆，就写一些在腾讯两年收获与感受吧收获了自信，「出身不好」的白牙也能凭努力跻身头部大厂，原来自己并不是很差，但同样也很清醒，公司确实起了背书的作用，但不能错把平台的能力当自身的能力，时刻保持清醒经历了一个系统从0到1的建设，见证了系统的不断迭代，虽说是内部系统，但还是有一些用户量的。这种机会挺难得，很多时候都是在现有系统上做一些修修...

现在求职圈，实习早变成了数量竞赛，人均四五段大厂实习的分享，仿佛经历越多越稳。但这完全偏离了实习的核心价值 —— 它不是堆砌履历，而是低成本试错和验证适配度。对学生来说，1-2 段实习足够了，关键要搞懂两点：一是行业真实运转逻辑和 JD 描述的差距；二是岗位日常是成长还是消耗，值不值得深耕。反之，短期高频的实习反而会成减分项，容易给招聘方留下目标模糊、稳定性差的印象，最终也沉淀不下可迁移的能力。若一段实习只为简历多一行公司名，毫无含金量。说到底，实习不是焦虑的筹码，少而深远比多而浅更有价值。

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...