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...

学java第六天，效率太慢了把游戏删了我再玩是sb

Timeline3.5一面3.8 二面3.12 三面3.18 hr面4.2 offer

1. 提问艺术 (Prompt Engineering)指定角色：“你是一位资深 Java 后端工程师”。明确任务：“编写/重构/解释/优化” + 具体功能描述。设定约束：“不使用第三方库”、“遵循 PEP8 规范”、“添加详细注释”。要求输出：“只输出代码”、“先解释思路再给代码”、“用 Markdown 格式”。2. 上下文管理 (Context)提供报错：直接粘贴完整的 Error Log 或 Stack Trace。相关代码：只粘贴与问题相关的函数/类，避免过长（注意 Token 限制）。数据结构：明确输入/输出的 JSON 结构或数据库 Schema。技术栈：说明版本（如 React...