Loading...
上周晨会,老板突然抛了个问题:DeepSeek那个识图功能,难做吗?不就是把图里的字抠出来再理解一下吗?感觉不难啊。我当时愣了一下。不是不知道怎么回答,是不知道从哪里开始解释。最后就说了一句:"老板,这个……门道挺多的。"老板点了点头,会议继续。但那句"门道挺多"我自己说完都觉得太轻了、太含糊了。!面试场景后来想了想,这个问题不只是老板会问,很多做技术的人也未必真的想清楚过。识图到底难在哪里?它跟OCR是什么关系?认真捋了
大模型只是对海量文本的模式进行复杂拟合，根本不懂意义？
杨立昆说大模型只是在做模式拟合，根本不懂意义。这句话每隔一段时间就会被翻出来，在技术圈引发一轮争论。支持的人觉得他戳穿了AI的遮羞布：再大的模型也只是概率拼接，没有真正的理解。反对的人觉得他老了：你凭什么定义"懂意义"，GPT都能写诗了还不算懂吗？我的判断是：杨立昆对了一半。大模型确实没有"意义"的锚，但这不影响它在大量工程场景里产生真实价值。真正值得警惕的不是"懂不懂"，而是当AI开始评价AI、镜子开始照镜子的时候，系统会往哪个方
京东面试官笑了：上下文都 1M 了，Re-Ranker 还有啥用？容量≠质量的认知纠偏
前段时间有个粉丝面京东,聊到RAG系统架构设计。前面问的都还行——检索怎么做的、文档怎么切的、向量模型选的哪个,他答得挺顺。然后面试官突然问了一句:你这个系统里有Re-Ranker吗?他说有的,用Cross-Encoder做重排序。面试官听完没说话,停顿了几秒,然后笑着问了一个问题:现在上下文窗口都到1M了,你把所有文档塞进去不就行了,Re-Ranker还有啥用?!面试场景他愣住了。感觉面试官说的也有道理——
张雪峰猝死给技术人敲的警钟：缺的不是睡眠，是减压
张雪峰猝死的消息出来后，网上有人问：如果他把跑步的时间用来睡觉，还会猝死吗？这个问题看似在讨论作息，实际上暴露了很多人对过劳和健康的根本误解。大家以为问题的核心是"少睡了几小时"，但真正的核心是"长期高压状态下，整个人体的内分泌系统已经失灵了"。我的判断是：对一个长期高压力、高焦虑的人来说，不是把跑步换成睡觉就能解决问题。压力不降下来，你让他躺下他也睡不着；让他吃健康餐他也吃不下；让他养生他反而更焦虑。这篇文章不灌养生鸡汤，也不做
AI写代码会不会把项目变成屎山：真正风险不是乱，而是失控
用AI写代码，最终会不会让整个项目成为屎山？这个问题现在越来越现实。很多团队已经不是"要不要用AI"，而是老板直接要求：原来两三周的活，现在两天出结果。至于代码是不是优雅、架构是不是干净、后面好不好维护，先上线再说。我的判断是：AI不一定会制造传统意义上的屎山，但很容易制造另一种更危险的东西——没有清晰规划、规模暴涨、上下文失控的代码群山。它不一定脏，但可能大到没人能理解；不一定乱在一坨，但会散成一片。这篇文章我们从架构视角拆一下
蚂蚁三面追问：Agent 有哪些设计模式？别背名词了，四层框架才是正确答法
前段时间有个粉丝去面蚂蚁,岗位跟大模型应用相关。面试官聊了几轮项目后随口问了一句:你了解哪些Agent设计模式?他一听来劲了,一口气报了十几个:ReAct、Plan-and-Execute、Reflection、Self-Refine、TreeofThoughts、GraphofThoughts、ToolUse、Memory、Router、Supervisor、Multi-Agent、LoopEngineering…
字节面试官：为啥用 vLLM 不用 Ollama？PagedAttention、短板与选型框架
圈子里有人去字节面试,被问了一道看起来简单、实际很容易答浅的题:你们线上推理为啥用vLLM不用Ollama?他想了想,答:"因为vLLM性能强,大家用的多。"面试官没说话,接着追问:"优势在哪?短板在哪?PagedAttention解决了什么?什么场景反而不该选vLLM?"他顿时有点懵。!面试场景这道题的坑在于,它不是一道"比谁强"的题,而是一道场景判断题。面试官想听的,不是你背一句"vLLM性能好",而是
怎样判断一个技术人的认知在你之上：不是会说大词，而是这7个信号
怎样判断一个人的认知在你之上？这个问题很有意思。很多人第一反应会看学历、职位、收入、表达能力。技术圈也一样，看他是不是大厂P几、是不是架构师、是不是开口就是分布式、AIAgent、长期主义。但我更愿意用一个朴素标准：真正认知高的人，不是更会说，而是更能稳定地做出正确选择。说得漂亮不难，难的是在压力、诱惑、冲突、不确定性面前，依然能做出长期正确的动作。这篇文章我从技术管理和职场成长视角，拆7个信号。它不是教你给别人贴标签，而是帮你
现在还需要程序员，是因为Token太贵吗：真正原因不是成本，是责任和工程复杂度
现在还需要程序员，是不是因为Token太贵？这个问题很典型。很多人看到AI能几分钟生成网页、写脚本、做Demo，就开始推导：既然AI会写代码，公司还没裁掉程序员，肯定是因为大规模调用Token太贵。这个判断听起来合理，但其实把问题想反了。企业没法完全用AI替代程序员，核心不是Token成本，而是AI还接不住企业级软件工程里的复杂性、责任和长期维护。如果AI真的能稳定替代程序员，哪怕Token再贵10倍，资本也会毫不犹豫。因为和一个
淘天面试追问：GRPO 训练数据能直接复用 SFT 的吗？同源不同用的三重约束
前阵子圈子里有人去淘天面算法岗,面试官抛了一道他觉得很拿手的题:GRPO和SFT能用同一份训练数据吗?他脱口而出:"技术上可以,SFT的Prompt抽出来配上奖励函数就能跑GRPO。"面试官点头,接着追问:"那假如SFT阶段喂的是LeetCode题解,现在直接拿这些题跑GRPO,你想想有什么问题?"他正要开口,忽然卡住了。!面试场景他这才反应过来事情没那么简单——力扣题的难度跨度太大,简单题模型一把就
字节二面追问：你们做了那么多 SFT，数据质量到底怎么判断？
前阵子群里有人去字节二面，回来吐槽了一段经历。面试快结束的时候，他想着反问一下显得自己有思考，就问面试官："SFT训练数据的质量，你们内部怎么把控？"面试官来了兴致，说这问题问到点子上了，接着一口气讲了五六分钟——困惑度、奖励模型、LLM充当裁判、交叉一致性校验，方法名报了一串。但朋友事后回忆，说对方讲了很多方法名词，"但东一句西一句的，没听出来这些方法之间是什么关系，也不知道他想表达的核心是什么。"我问他："那你有没有追问
为什么老师不提前告诉你社会现实：程序员从校园到职场才懂的7件事
为什么老师不提前把社会的现实告诉学生？这个问题看起来是在问老师，其实是在问成长。很多人毕业几年后，才突然想明白一件事：学校里那套规则，和职场里那套规则，根本不是同一个系统。学校里做题有标准答案，错了扣分，对了得分；职场里很多时候你明明做对了，结果却未必属于你。我的判断是：不是老师不说，而是很多现实在你没有经历之前，根本听不进去。更重要的是，有些话老师说了会被骂，有些事老师自己也未必真正经历过，还有些痛感只能靠自己撞一次才懂。这篇文
多模态诅咒：给大模型装上眼睛，文本推理为什么反而变笨了？
最近带团队做技术复盘，有个同行问了我一道大厂面试真题：「给一个纯文本大模型加上视觉能力，它的文本推理表现为啥反而会变差？」对方当时脱口而出的答案是——「参数被占用了呗，分了一部分给视觉编码器」。听上去挺有道理，但这只答到了最表面的一层。面试官回了一句「四重打击你只答出一个」，就把人问沉默了。很多人对「多模态诅咒」的理解都停在「参数不够分」这一层。但真正决定你能不能在这道题上拿高分、能不能在工程里把多模态模型调好的，是信息密度不对等、权
为什么腾讯系员工离职后很少骂老东家：研发管理视角拆解组织文化
为什么很多腾讯系的人离职后，对腾讯还有很深感情？这个问题很值得技术管理者琢磨。表面看，这是员工福利、食堂、年终奖、办公环境的问题。但往深一层看，它其实是组织文化、管理颗粒度、职业训练体系和员工心理契约的问题。我的核心观点是：一个公司能不能被离职员工善待，不取决于口号喊得多响，而取决于它有没有在员工身上留下可带走的东西。钱会花完，title会失效，但做事标准、职业习惯、人脉网络和被认真对待过的感受，会留下来。这篇文章不做饭圈式吹捧，
滴滴二面追问：你做了一堆 skill，它们之间怎么传数据、怎么建立依赖？
前段时间圈子里有人去面滴滴，二面聊到Agent系统设计，他项目里做了好几个skill串起来跑，面试官就顺着问了一句："你做了一堆skill，它们之间怎么传数据的？或者说怎么建立依赖的？"他想了想，说把前面skill的结果放进context，后面的skill读整个context就能拿到了。面试官点点头，又追问："那如果skill数量多了，context越来越长怎么办？模型还能注意到中间的信息吗？"他愣了一下
AI泡沫还能持续多久：研发总监拆解To C、To B和OpenAI三条线
AI泡沫还能持续多久？这个问题最近又被反复拿出来讨论。一边是英伟达、光模块、HBM、算力租赁继续往上冲；另一边是普通人每天问AI"晚上吃什么"、"周末去哪玩"、"这道题怎么解"，看起来又不像能撑起万亿级估值。我的判断比较直接：AI肯定有泡沫，但泡沫不等于骗局。真正要拆的是三条线：ToC能不能赚钱、ToB能不能扩大需求、OpenAI能不能撑住行业叙事。如果你只看C端聊天机器人，会觉得泡沫很大；如果你看B端试错成本下降，又会发现A
Java 开发者从零实操 Qwen LoRA 微调：Mac 虚拟机环境搭建、训练、踩坑与验证
##一、为什么我要写这篇最近我在学习大模型微调，目标很简单：不是一上来训练一个能上生产的模型，而是先把LoRA微调的完整流程跑通。我手头环境比较普通：所以这篇不是那种“上来A100跑Qwen-7B”的教程，而是一篇更贴近日常学习的实操记录：在没有GPU的Ubuntu虚拟机里，如何从零搭环境，跑通Qwen小模型的LoRA微调流程。整个过程包括：这篇文章适合：###Java开发者为什么要懂一点
AI编程时代“古法编程“还有没有用：15年研发总监的实战拆解
!img_01.png网上有个问题火了——"如何看待现阶段坚持不用AI的古法编程？"。最高赞回答拿了9968个赞，作者叫飞天红猪侠，从VSCode用到Cursor再用到ClaudeCode，对AI编程的看法几经反转。这个话题之所以炸，是因为它戳中了一个普遍焦虑：AI编程工具这么猛，手动写代码的人是不是要被淘汰了？但真用起来的人又发现，完全交给AI这事不靠谱。我是做了15年技术的人，从Eclipse时代一路走到今天的AI编程工具
蚂蚁二面：怎么省 Claude Code 缓存？四大缓存杀手与三条核心原则
前几天圈子里有人去面蚂蚁，岗位是大模型应用开发，简历上写"熟练使用ClaudeCode进行日常开发"。一面聊项目聊得挺顺利，面试官对他做的Agent方案挺感兴趣，追问了好几个细节，他都答上来了。气氛不错，他心里还暗暗松了口气。然后面试官话锋一转，问了一句："你ClaudeCode用了三个月了，那你知道怎么省缓存吗？"这个他背了一些，自己确实也积累了一些实操经验，就慢慢说："我平时会用Subagent隔离不同模型，
英伟达“技术没有秘密“合理吗：研发总监拆解护城河的真相
!img_01.png前阵子有个话题在技术圈炸开：DeepSeek创始人梁文锋说英伟达"技术没有秘密"。媒体一渲染，瞬间变成了"英伟达不行了""国产显卡马上就能追上"的论调。但你去看原话，完全不是那个意思。梁文锋的完整表述是这样的：技术没有秘密，但重置需要时间和成本。英伟达的显卡，理论上没有任何技术秘密，很容易复制，但重新组织团队以及追赶下一代技术都需要时间，所以实际的护城河还是很宽。看清楚没有？他说的核心是"护城河还是很宽"。
