题解 | #从 Customers 表中检索所有的 ID#

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...

求内推

春招约不到面试，太难受了

7、你们redis用的是哪里的集群版8、Redis 主备机制是怎么实现的呢？9、Redis 选主机制10、Pulsar 有哪些集群的实现版本？11、Redis 的 ZSet 详细说说，再说说插入、查找的过程15、CAP 理论说一说，然后什么场景、中间件用什么？16、OpenClaw (OpenHands/Agent) 的底层实现机制17、Agent 的 Memory 机制有了解吗？18、Redis 慢查询怎么排查？19、MySQL 一致性的实现是怎么做的呢？20、MySQL 是怎么保证数据不丢，怎么保证数据不错的呢？21、Undo Log, Binlog, Redo Log 的作用22、事务的...