网上流传的 Agent 学习路线，大多数都错了——不是内容错，是顺序错。 几乎所有路线都从"学框架"开始：LangChain → LangGraph → AutoGen → 整个 demo。结果学了一堆 API，搭出来的东西一遇到真实场景就崩。你根本不知道它为什么崩，也不知道怎么让它不崩。 正确的顺序应该反过来：先搞懂 Agent 在工程上会坏在哪里，再去学怎么用框架把这些坑填上。 第一阶段：底层机制（3-5 天，绝不要跳） 1. Function Calling / Tool Use 怎么工作 LLM 不是真的在"调用"工具，它只是根据你给的 sche...

周一入职培训，下午按照部门经理发的文档学习了一下午。第二天去部门上，客开得去部门上，按mentor的要求读文档看学习资料。第三天，因为通勤时间很长，休息一天，然后hr直接说不合适，走离职流程。工资也不准备发，后面还是争取到了，总之避雷。合同上说是一周至少三天。

1.自我介绍2. 文章分类大概有多少文章？数据规模怎么影响方案？答案：如果文章量只有几千篇，我一般不会一上来就训练很复杂的模型，而是先用预训练模型微调，或者用 embedding 加传统分类器做一个强 baseline。因为数据量太小的时候，复杂模型很容易过拟合，线上效果不稳定。如果有几十万到几百万篇文章，就可以考虑训练一个更稳定的分类模型，包括 BERT 微调、领域继续预训练、层级分类模型，甚至做多任务学习。数据量越大，越要关注标签噪声，因为文章分类里的标注经常不是绝对干净的，尤其是多维度分类，一个文档可能同时属于多个业务类别。实际项目里我会先看三个东西：类别数量、每个类别样本分布、单篇文档...