我遇到过一次很典型的 AI 幻觉，是做选择题的时候。题目其实我后来已经查到正确答案了，也能确定它一开始选错了。结果我把依据告诉它之后，它还是坚持原来的错误选项，甚至还能继续给出一大段看起来很有道理的解释。那一瞬间真的很离谱，因为它不是“不会”，而是“错了还特别自信”。最有迷惑性的地方就在这儿：如果只是直接答不出来，反而容易警觉；但它会用很顺的逻辑、很肯定的语气，把错误包装得像正确答案一样。要是自己基础不够扎实，真的很容易被带偏。从那次之后，我对 AI 的感觉就变了。它确实能帮忙提高效率、提供思路，但一到判断对错，尤其是有标准答案的题，还是不能太相信它的“自信”。AI 会犯错，更麻烦的是，它有时候会一本正经地把错说到底。

1、Transformer 为什么能替代 RNN？自注意力机制的核心作用是什么？2、请解释一下 QKV 的计算过程，以及为什么要除以 sqrt(dk)。3、BERT 和 GPT 的区别是什么？各自更适合哪些任务？4、训练大模型时，过拟合一般怎么处理？常见优化手段有哪些？5、微调、LoRA、Prompt Engineering 分别适用于什么场景？6、什么是幻觉问题？在实际业务里可以怎么缓解？7、RAG 的基本流程是什么？它和直接微调模型相比有什么优缺点？8、如果让你设计一个智能问答系统，你会怎么做模型选型、知识库检索和效果评估？

很多人一提到小厂，第一反应就是不稳定、加班多、福利差，但真正要不要去，还是得看自己当下最需要什么。大厂有光环、有流程、有平台，小厂也有小厂的价值：成长快，能接触更多事情，离核心业务更近，努力一点就更容易被看见。对刚入行的人来说，小厂未必是‘退而求其次’，有时候反而是更早锻炼能力的地方。当然，小厂也确实有风险，制度不完善、抗风险能力弱，这些都要考虑清楚。但找工作从来不是简单看公司大小，而是看这份工作能不能让你变强、让你看到希望。说到底，怕的不是去小厂，怕的是去了之后一直停在原地。适合自己的，才是最好的选择。”

找 AI 工作我觉得主要卷三件事：方向选择、工程落地、可证明的产出。方向上别贪全，先选一条主线（LLM 应用/Agent、LLM 推理与部署、传统 CV/NLP、推荐/搜索、数据科学），把对应的基础补扎实：数学与 ML 经典（损失函数、优化、正则化、评估）、以及 LLM 的核心概念（tokenization、注意力、对齐、RAG、微调/LoRA、推理加速）。工程上要能“写得出跑得动”，熟练 PyTorch、训练/推理脚手架、数据处理、评测与实验管理（logging、ablation、可复现），再加一项硬技能：部署（FastAPI+Docker+GPU）、性能（量化/蒸馏/TensorRT/vLLM）、或数据（特征/埋点/离线-在线一致性）。最后一定要有作品集：2–3 个能打开链接就看到效果的项目（比如 RAG 问答、Agent 工具链、行业小模型微调、推荐系统端到端），配一篇清晰 README：问题、方案、数据、指标、对比、成本与踩坑。面试就围绕“你做了什么—为什么这么做—效果如何—还能怎么改”讲清楚，基本就能拉开差距。

刚工作那几年，我总觉得每天一起加班、吃饭、吐槽的人，理所当然会变成朋友。后来才慢慢明白，同事和朋友，其实是两种不同的关系。同事首先是一起完成目标的人，关系里天然带着责任、评价和利益的边界。有人会在项目里并肩作战，却在岗位调整时各奔方向；也有人曾无话不谈，最后只剩一句客气的“有空再约”。这不是谁变了，而是职场本就如此。但这并不意味着职场只能冷冰冰。那些在你崩溃时默默帮你接住工作的同事，在你被误解时愿意替你说一句话的人，也许未必会成为私下的好友，却会成为你职业生涯里很温暖的存在。所以，同事不一定要成为朋友。保持分寸，守住善意，能彼此信任、好好合作，其实就已经很难得了。真正舒服的关系，大概就是：工作时可以放心托付，转身后也能各自安稳生活。

程序员找工作刷题，200-300道是一个常见且有效的参考量。关键是重质而非量，应集中吃透数组、字符串、二叉树、动态规划等高频考点和中等难度的题目，达到能举一反三的程度。这通常足以应对多数技术面试的手撕代码环节，之后应将更多时间分配给项目经验和计算机基础知识。

第一家实习在一家中厂外企。如果按规模算中规中矩，但若按“职场舒适度”划分，我愿称之为“优雅绅士档”。不卷工时，流程极规范，连代码注释都有着一种“不紧不慢”的优雅。相比大厂的“炼丹炉”和微厂的“全能战士营”，这里更像职场避风港。

需求天天改，代码满天飞？没关系，至少我 IDE 的护眼配色很曼妙。面对产品经理无情的重构要求和满屏的红色报错，唯有编辑器里那抹深空紫与薄荷绿的交织，能让我在赛博荒原中找回最后的优雅。逻辑可以乱，但颜值不能输。只要配色够曼妙，Bug 看起来都像在跳舞。这，就是打工人最后的倔强！

写完逻辑但代码太乱，或想优化性能/可读性，甚至可以用来重构文档逻辑。「你现在是资深架构师，请对以下内容进行“地毯式”审阅。要求：1. 识别潜在Bug或逻辑漏洞；2. 优化时空复杂度/表达简洁度；3. 严格符合Clean Code规范。请先给出优化后的版本，再逐条说明改进逻辑。」

项目天天改需求？没关系，至少我的代码注释写得像诗一样曼妙。即便业务逻辑在无尽的变更中支离破碎，我依然在每一行 // 后面保留了技术人最后的体面与优雅。需求会变，架构会改，但那些逻辑清晰、遣词精妙的注释，是我在赛博乱世里亲手写给未来的情书。

我的 Landing 期核心逻辑是放弃‘憋大招’，追求‘透明化’”。刚入职时，与其手忙脚乱地埋头试错，不如先花时间绘制“业务地图”和“协作关系图”。我习惯在尝试解决卡点 30 分钟无果后，迅速向 Mentor 同步进度并寻求反馈，这种“高频小步快跑”的沟通能有效消除信息差。通过从修复文档错误或小 Bug 这种 Small Win 切入，快速建立最初的职业信任感。记住，Landing 期的成功不在于完美不犯错，而在于快速与团队建立起同频的节奏和预期。

在校招的博弈中，“零实习进大厂”并非玄学，而是算力的降维打击。当大多数人的简历在卷“某小厂业务增删改查”时，一份硬核的实验室经历其实是另一种维度的“顶级实习”。大厂的技术中台和核心架构组，本质上更看重解决未知问题的能力。如果你在实验室参与的是国家级项目、深耕底层内核开发，或是发表过顶级顶会论文，你其实是在处理比工业界常规业务更具挑战性的边界问题。对面试官而言，你在实验室里对 $O(n \log n)$ 性能的极致追求、对复杂算法架构的拆解，证明了你拥有极高的“技术上限”和“工程迁移能力”。实习看重的是上手快，而硬核实验室经历看重的是走得远。在大厂眼里，与其招一个熟练的“搬砖工”，不如招一个能造“起重机”的种子选手。

在AI时代，工作的核心逻辑从“知识储备”转向了“意图驱动”。传统时代，我们是技能的载体，靠熟练度、体力和记忆力在既定轨道上输出；而现在，AI承担了繁重的执行与计算，人类则进化为“提示工程师”和“决策裁判”。我们不再需要死记硬背枯燥的代码或公式，而是要负责定义问题、拆解复杂逻辑并对最终结果进行伦理与价值的把关。简单来说，以前我们是亲自挥斧的伐木工，现在则是指挥自动化机械集群的林场主——竞争力不再取决于你“多会干活”，而取决于你“多会思考”以及如何驾驭算力杠杆

我觉得AI在试图“敷衍我”，实际上我觉得AI在很多方面都可以替代我了😅