日常打卡

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...

朋友说他那的实习生连环境都不会装，还不如我。可我怎么感觉找个实习特别难🥲

hr回复我的，这个笔试不代表啥，放心

AI编码正从辅助工具演变为全栈代理，2026年将是关键转折。基于IBM、O'Reilly和WEF报告，这里盘点前沿趋势，帮助开发者跟上步伐。- 代理式开发（Agentic Coding）：AI不再只补代码，而是自主完成任务。如GitHub Copilot的Agent Mode，能处理PR、测试和部署。趋势：多代理系统（MAS）兴起，AI间协作，完成复杂工作。预测：企业80%工程师需重训。- 边缘AI与硬件优化：从云端转向设备端，Rust/Zig等安全语言流行。IBM：GPU外，ASIC芯片和量子优化器将主导。实用：边缘AI减少延迟，适合机器人和IoT编码。- Vibe Coding与上下文工程...