1. 自我介绍2. 项目拷打3. Reward Model 在对齐训练里扮演什么角色Reward Model 本质上是在学一个“人类更偏好什么”的可微近似函数。SFT 学的是“像人那样答”，RM 学的是“人更喜欢哪种答法”。它并不直接生成答案，而是给候选答案打分，把人类偏好从离散排序信号压进一个标量目标里，后续无论是 PPO 还是其他策略优化方法，核心都要依赖这个分数去推动模型往偏好更强的方向移动。RM 最大的价值不是替代人工，而是把人工偏好从逐条监督扩展成可批量泛化的训练信号。真正难的地方在于它很容易学到表面模式，比如更长、更像模板、更会说套话的答案可能被错判成更优，所以 RM 训练的上限很...

太难写了

前两天刷公众号，看到了一个帖子，写如何入门AI工程师/Agent工程师，大概就是学习路径然后卖课这种，本来还想着学一学这碎片化的知识来着，结果点开一看，还是两年前的老一套：LangChain、LangGraph、React……也不是说这些没用吧，但是2026年了，随着OpenClaw、Claude Code这些有意思的小玩意的爆火，Agent开发的学习路径跟以前不太一样了。前面说的这些产品代表了Agent的最高水平，但它们内部的实现几乎看不到传统意义上的编排痕迹尤其是最近从产品经理的视角看很多新的工具或者产品，发现用过去的思维不太合适了0、过去的入门方式2024年的时候，可以说是大模型算法工程...