AI Infra / 数据岗考察:大模型训练 / 推理框架 + 算力调度 + 数据工程 + 性能优化。硬核工程岗。   1、工程 / 部署 / Infra  vLLM 的核心优化是什么  思路:PagedAttention(分页 KV cache) + Continuous batching(动态合批) + 量化 + prefix cache;吞吐比 HF 高数倍。   模型量化 / 蒸馏的区别  思路:量化: 降精度(FP16→INT8/INT4),结构不变;蒸馏: 教师→学生,结构变了;可叠加。   端侧部署的挑战  思路:算力/显存/电耗受限;要小模型(SLM 1-7B) + 量化 + ...

开源了一个新的项目，可以让你像vibe coding一样编辑你的简历：VibeResume 是一个 AI 友好、可导出 PDF 的简历模板。你不需要在 Word、LaTeX 或浏览器打印预览里反复对齐版式；把简历维护成 HTML + CSS，让 AI 帮你改内容和排版，然后用脚本把网页看到的布局稳定导出成一页 PDF。此前我们已开源过寻找项目、进行项目优化、简历优化的工具，本次开源的 VibeResume 负责最后一公里：把简历内容维护成漂亮网页，并稳定导出 PDF，让你像 vibe coding 一样编辑你的简历！项目开源在https://github.com/LiuMengxuan04/vibe-resume如果对你有帮助的话，求star！也欢迎pr&issues！

1. 自我介绍2. 什么是 RAG？它和普通大模型问答有什么区别？答案：RAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它不是让大模型完全依赖参数记忆回答问题，而是在生成答案前，先从外部知识库里检索相关资料，再把检索结果作为上下文交给大模型生成答案。普通大模型问答依赖模型训练时学到的知识，容易出现知识过期、幻觉、无法引用来源等问题。RAG 的优势是可以接入企业私有知识、实时文档和业务数据库，并且答案可以追溯到原始证据。它更适合企业内部知识问答、客服、运维、法规、医疗、金融等知识更新频繁且要求可追溯的场景。 def rag_pipeline(quer...