前言：印象中很久没更新干货了，近期入职后学到了很多东西---不只是知识，还有职场生存法则。也是从这一段开始，我才算在"做事"。今天就挑选我觉得最值得分享的三点。没有大词，都是我踩过的坑。一、对数据敏感我最近在跟着 mt 做 Agent 调优，曾经就做过把人工测试用例转化为自动化用例。听起来就是个体力活，对吧？一开始我也这么觉得，跑通了就发周报："本周转化了 XX 条用例。"mt 看完只回了我一句："然后呢？" 接着问了我一串问题：转化后的自动化覆盖率是多少？相对人工用例覆盖了百分之几？通过率是多少？失败的是真 bug 还是用例本身写得...

本人9本无实习经历，二月初开始面试，快手xhs简历都挂，京东一直泡池子，腾子三面挂，滴滴大模型算法一面挂，美团二面挂，亚麻OA都A了也挂，Google一面也挂。反正都是在挂中度过的，其实二月也是比较焦虑和陷入自我否定当中吧。但是还是比较感谢节子的速度的，而且面试的过程里面的氛围和节奏都很舒服，介绍业务和发展方向也是很明晰的。hr小姐姐人也挺好的，而且全程都是hr加我微信进行推进的，有什么情况和我说和和及时帮我推进流程，每次面试前都会提醒我今天的面试以及祝我顺利。（我感觉体感上面，志节是我面过的体验最好的一个了，从hr到面试官人都不错）timeline:3.6投简历推进评估3.7 hr打电话来约面3.9一面，20min后约二面3.11二面，二小时后约三面3.13三面，两小时后约hr面3.13hr面，面完就差不多oc了3.17 收到正式的offer

幸亏看到这个帖子

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...