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...

我觉得我经历很丰富啊，为什么在西安只有7k😭

无八股，全程都在聊AI项目，手撕算法题是lc.15三数之和对于 AIAgent 模式，你如何评判当前系统和切换到另一种模式（如 cline/code 模式）的效果差异？ 你如何设计量化指标来评估不同实现方式的效果？ 你怎么看待 RAG？它的价值是什么？ RAG 和本地知识库有什么差别？ 你说 RAG 有用，那它具体好在哪？优化了什么指标？提升了多少？ 如果把你的项目做成 agent 并对外服务，你如何评估 RAG 的效果（比如准确率、拦截率等）？ 如果不用 RAG，而是用更强的大模型，会怎么样？ 你有没有试过使用最强模型（比如在线 API）替代本地模型 + RAG？ 你有没有做过模型微调？ 你...