1.skills和tools是怎么区分的？2.skills真正的优点是什么？能做到什么？3.mcp的讲解？ mcp要定义接口的话，必须把参数那些都定义到上下文中，他是一个比较冗余的信息，会污染到上下文。正常的工具调用是不需要这些冗杂语义的，而skill会隔离这些东西在上下文里面会去隔离这些东西，不光是token消耗量。还有一个重点就是做到按需加载，渐进式加载的问题。4.长期记忆是怎么做的？用户的记忆属于实体记忆，实体记忆应该更偏向于关键词记忆，并非rag。5.接触过融合检索吗？融合检索是什么？6.混合检索的融合算法是什么样的？他的比重是什么样子的？有可能rag找回了top5，es召回了top5...

这俩就是包装的外卖和点评，我boss投了十多天了一个面都没有，哎人都要焦虑死了，感觉暑假实习都拿不到，只能去学校实训了，到时候秋招能不能找到好工作都感觉有点难，有没有大佬指点一下，拜托了🙏🏻

25届本科生，简历写成这样可以吗，毕业回家了过完年来找工作，很迷茫，不知道投什么岗写项目完全离不开ai，就是投小厂开发岗也感觉过不去面试

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...