小伙伴投稿一面在5.10 二面在5.15 HR面在5.17, 211本+韩硕1. 自我介绍答案：我主要做大模型应用、RAG、Agent 编排、向量检索、Prompt 工程、模型微调和后端工程化相关方向。之前做过一个 跨境商家合规审核与风险问答平台，面向国际电商平台里的商品合规、商家风控、客服质检和运营审核场景。这个系统接入了商品标题、商品详情、平台规则、违规案例、审核工单、商家申诉记录和多语言政策文档。用户可以问“这个商品为什么被判定为高风险”“某类商品在欧盟站点能不能上架”“这条申诉该怎么回复”，系统会先做 query 重写和意图识别，再通过混合检索召回规则和案例，最后由大模型生成带引用的审...

很聪明很活泼的一个女孩，虽然每天干的大部分都是dritywork，但从来没抱怨过，每天乐呵呵的，帮我们在需求群里“骂”甲方需求(正职不太好骂)，经常吐槽校招的困难，看到她一边做毕设，一边找工作面试，一边又要兼顾实习忙的焦头烂额，每天顶着黑眼圈上班的样子，回想自己当年也是这样的，最后给了她一些建议，帮改了简历，希望她以后一切顺利！

1. 自我介绍2. 为什么要通过微调模型来做代码生成？为什么不用纯 prompt 或 spec coding？答案：纯 prompt 和 spec coding 确实可以提升模型在单次任务上的表现，但它们更多是推理时约束，解决的是“让模型按要求做事”的问题。微调解决的是模型行为分布的问题，比如固定代码风格、内部框架 API 使用习惯、异常处理模式、日志规范、单测模板、目录结构约定，这些如果全部靠 prompt 塞进去，成本很高，也容易在长任务里被稀释。在缺陷修复 Agent 里，我选择微调不是为了让模型记住业务代码，而是让它学习稳定的工程动作：先读测试，再定位调用链，再改最小范围，再补回归测试...