第一个是本地知识库问答。把自己的笔记、PDF、文档喂给模型，做一个能检索能问答的系统。技术栈就是LangChain加向量数据库，难度不高但涉及RAG全流程，面试官最爱问这个，你踩过坑就能聊很久。第二个是Agent自动化工具。找一个你自己真实的重复性工作，让AI帮你自动完成。比如自动抓招聘信息整理成表格、自动总结每天的技术新闻发到邮件。场景越真实越好，面试时说这个工具我自己每天在用比任何包装都有说服力。第三个是模型微调。找一个垂直领域的开源数据集，拿Llama或者Qwen跑一次LoRA微调。不需要效果多好，重要的是你走通了训练评估部署全流程，这个经历很少人有，写进简历直接拉开差距。这三个项目有个...

暑期实习从2月开始投，面了两个月，流程该挂的都挂完了，腾讯字节一共号称是1.7w个hc，不知道都发给谁了，估计今年秋招要难顶。Timeline米哈游、美团、蚂蚁、微软等公司直接简历挂穿，没进面。携程：3.3 投递、测评3.12 笔试3.18 一面3.25 二面4.13 ai面（hr面）4.14 英语测评4.23 offer（已拒）腾讯：2.6 测评2.28 wxg一面3.5 wxg二面（挂）3.11 teg一面3.21 teg二面（取消）3.31 teg一面4.10 teg二面（挂）4.21 wxg一面4.24 wxg二面（挂）字节：1.28 aml约面（取消）3.17 火山一面（挂）4.8 aml一面（挂）4.20 抖音data一面（挂）阿里：3.23 投递、测评3.28 笔试3.31 淘天一面4.8 钉钉一面4.9 淘天二面4.10 阿里控股一面4.12 钉钉二面（取消）4.15 淘天hr面4.16 淘天offer（已接）4.21 高德一面（取消）4.22 淘宝闪购一面（取消）面试最大的感触是，现在撞上ai转型，一堆老业务急着转向，新业务非常不成熟，研究型的组bar非常高根本进不去，业务侧挂着算法的岗位干的都是工程活，面试却又要问算法，另外agent的落地也远没有那么广，绝大多数还是那套写死的系统调一下llm api或者做做rag，其余少部分真的在搭agent的，基本不能在线上服务用什么很智能的模型，现阶段成本太高，进去大概率就是给垃圾模型从工程方面兜底，除了业务场景的应用和数据经验以外，技术方面很难有什么提升。算法岗做不了基模的还是去搜广推好，之前判断失误了完全没投，秋招不知道还进不进得去。

恐怖如斯

1. 什么是 LoRA？LoRA 全称是 Low-Rank Adaptation，核心思想是在微调大模型时不直接更新原始大权重矩阵，而是冻结预训练权重，只额外学习两个低秩矩阵，用这两个小矩阵的乘积去近似原权重的增量。原来如果某层权重是： W ∈ R^(d×k) LoRA 不直接学习 ΔW 的完整矩阵，而是写成： ΔW = B A A ∈ R^(r×k), B ∈ R^(d×r), 且 r << min(d, k) 最终前向变成： h = W x + ΔW x = W x + B A x 这样训练参数量会大幅下降。2. LoRA 的思路是什么？LoRA 的基本假设是：大模型在迁移到下...