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...

有没有大佬可以看一下这个简历目前能投嘛，26届

这个部门太黑暗了，真的校招去这个部门，建议赶紧找别的offer

最近刷了不少AI应用、Agent开发的岗位JD，发现一个很统一的招聘趋势：企业不再认可只会用AI工具的能力，真正卡人的是项目经验。这也是大部分同学求职的痛点：学了一堆AI相关知识，但从来没做过一套能落地、可上线的真实AI项目。目前企业刚需的能力，基本就这几类：RAG知识库系统、AI Agent开发、Dify/Coze工作流搭建、飞书/钉钉/OA等企业系统对接。这里有个很关键的误区：教程里这些都是零散的单一工具，但企业工作中，这些能力是一套完整的业务系统。单点会用没用，能整合落地才是面试加分项。针对这个缺口，我最近在带一批人做实战训练：基于真实业务需求，完整落地一套AI项目。不做无效练习、不拼凑...