今天周天 没收到测评题邮件，，手痒了

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

之前一直在牛客刷大家帖子，看到了很多人吹捧大厂多好多好。但是说个会被喷的事实：双非本，秋招拿了5个offer，比我那个在某大厂实习的室友还多一个。他在大厂做了三个月，负责链路中的一个中间模块。听起来很厉害对吧？但面试的时候面试官追问这个特征是怎么选的召回策略谁定的，他只能说这部分是算法团队负责的。我在旁边听得都替他尴尬。我呢？在一家不过百人的小公司做了个后台管理系统，全流程就我一个人。你问我任何一行代码为什么这么写，我都能给你掰碎了讲，因为踩过的坑我全记得——凌晨两点调CORS跨域问题的那种刻骨铭心你懂吗。说到底面试官要的不是你title多好看，是你到底有没有真正做过这件事。大厂名字能帮你过简历关，但到了面试那一步，你做的东西是不是你的，一问就知道了。后来我室友也想明白了，他说我那三个月最大的收获就是知道了食堂哪个窗口最好吃。我不知道他是在自嘲还是在认真的。

1. 自我介绍2. RAG系统的核心架构、检索优化与在教育场景的落地难点RAG核心架构分为数据预处理、检索模块、提示工程、大模型生成、后处理校验五部分。检索优化包括混合检索、多轮检索、知识切片、向量库优化等。在教育场景的落地难点在于知识专业性强、知识点关联复杂，易出现检索不精准；题目、公式、图表等多模态数据的结构化提取难度大；学生提问口语化、歧义多，意图理解难度高；需严格保证知识准确性，避免大模型幻觉。解决方案包括构建教育领域专属知识库、多模态文档解析、意图识别优化、事实校验机制等。3. SFT的核心流程、数据构造要点与在教育大模型中的应用SFT核心流程为数据准备、模型选择、微调策略、训练配置...