1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

感觉就是那种，背景也不够硬，实习也不够硬，啥都不够硬，除了硬着头皮在各个招聘软件和官网平台投没有任何收获，已经不知道自己能干啥了……

目前0大厂面试睡觉前看了会八股还有牛客感觉自己太菜了一不小心熬穿了，天都亮了

Claude Code 51万行源码泄露后，技术圈都在拆架构、看代码。但对产品经理来说，这份源码里藏着的不是技术细节——是一整套"如何让用户信任 AI 去做真实工作"的产品方法论。  一、Prompt 不是文案，是产品规则引擎 大多数 PM 理解的 prompt = "写一段好的提示词"。Claude Code 的做法完全不同：  7 层动态拼装：静态宪法（行为准则）+ 动态政策（环境/记忆/会话状态） 每个工具配独立使用手册（prompt.ts），不是一段通用说明 缓存边界精确划分：静态部分走缓存省钱，动态部分按需注入  PM 启发：如果你在做 AI ...