联想一面自我介绍rag文本分块策略你对AI agent的了解了解哪些框架在rag中如何构建上下文对话的能力关于大模型提示词的经验你知道哪些agent工具rag中的幻觉问题是这么处理的？你知道哪些向量数据库？在rag中，有哪些相似度的计算方法你知道最近两年有哪些agent框架吗谈谈你对openClaw的人生谈谈对agent Skills的认识什么是python闭包，你在项目中哪些场景中使用了的Java中如何处理内存泄漏风险反问：大概有几面：总共两面，后面一面是HR面多久能知道本次面试的结果：应该很快吧大概多久能入职：得HR才能知道（整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，...

各位大哥，求给给意见。我双非硕。😭

没想到挂了还有感谢信啊哈哈哈哈啊哈哈啊哈哈

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...