新凯来

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...

我想跟着一个30岁左右家庭美满幸福的男性领导在公司已经带了五六年已经变成了部门的小领导并且在技术上给予我支持和帮助带我一起进步帮我扛事情是不是听起来很美好hhh我真的遇到了这样的领导在我某家公司面试的时候我的二面领导对我特别好面试的时候和我一直在聊天 和我讲部门的技术然后问我是e人还是i人 后来主动加我微信在我hr面试后 以为我意向不高主动帮我约+2加面火速帮我下offer 因为谈薪比较久还在中间问我会不会不来后来开奖了知道别家公司开了还说帮我争取可惜实在差距太大 只好江湖再见了👋老大 有机会我以后来做你的小弟

求好人hr捞捞..

有一次我对 AI 提了一个离谱到自己都觉得好笑的 Java 需求：“帮我写一个程序，自动找出所有内存泄漏、生成修复补丁，并直接提交到 Git。”这需求看起来像“自动化神器”，但本质是想让 AI 变成一个会理解业务、会分析代码、会操作版本库的全能工程师。更离谱的是我还加了一句：“顺便统一项目所有日志格式、处理所有异常，并回滚到上一版本。”AI 当然给了我一套很完整的方案，但我知道真正落地会非常复杂，也很可能把项目搞崩。后来我才明白，离谱的需求可以问，但别指望 AI 代替工程师做所有决定。