1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...

0实习，什么都没有，一问三不知简历如下求建议，算法什么的也不懂

我朋友接了美团，后面又拿了字节，跑去字节提前实习，天天抑郁症，天天内耗，哎，字节毁了一个年轻人，哎，还不如去美团蹲着

“企业微信开源的CLI是啥？为啥大厂都在做？”“Skill 和 MCP 又是啥？这俩有啥区别？”“说了小半年的 OpenClaw 又是个啥？为啥企业、个人都在紧急学？”这些都是粉丝问过的。为了搞懂这些，我研究了一周。搞清了谁是谁、谁套着谁、谁与谁的区别是啥。今天这篇文章，我就把这些难懂的名词，梳理成一个你能听懂的故事，把这些概念一次性理清楚。听完你会发现：它们不是一堆孤立的AI术语，而是一支协同作战的“智能特工队”。先记住这张“翻译表”：大模型（LLM）天才员工聪明绝顶，但刚入职，不熟你家规矩Prompt口头交代你临时说的任务，说完就没了Agent领班\领导自己不做具体事，但能拆解目标、调度员...