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...

实习岗居然要微服务实习经验

大二大三那会非常的向往互联网大厂，进去之后刚开始会觉得各个都很牛，只有自己是菜狗，干了一段时间会发现外表光鲜靓丽的某个人或者公司原来内部也就这样。即使是你的领导或者你的导师一样都会有不会的不懂的。实习或者找工作也都是这样，别把别人想的太厉害，大家可能会觉得自己的经历或者项目什么的比较拉不好说，不用怕，大胆的吹，你的面试官大多时候都不了解你的细节，只要你能自圆其说就行了。不过大厂之所以能成为大厂肯定也是有厉害的地方的，厉害在有几个天赋型的选手搭建出一套完整可执行的规则，后人照着做就不会出大问题。

一、核心项目深挖请详细介绍一下实习项目，包括项目背景、你的核心职责、落地成果。请讲一下系统的完整优化过程，包括根因定位、解决方案和最终效果。请详细介绍项目里的Memory复用机制，包括设计初衷、核心实现、存储与管理方案。你为什么选择主从多Agent架构？对比其他架构做了哪些选型取舍？这个项目目前还有哪些技术瓶颈？后续的迭代优化方向是什么？你了解哪些主流的Agent架构？请讲一下ReAct、Self-Discovery、Plan-and-Execute等架构的核心原理与适用场景。二、RAG项目深挖（电商智能导购项目）请详细介绍一下这个电商RAG智能导购项目，包括核心功能、完整实现链路、落地效果。...