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...

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

没必要在学校疯狂卷了

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 ...