面试官问：“你最大的缺点是什么？说三个。”

1.自带水杯/餐具，少买饮料外卖；2.只买需要的3.乘坐地铁等公共交通4.闲置物品挂二手平台回血；5.自己做饭代替下馆子

“以前一听到‘AI要取代前端了’，我这颗切图仔的心就瑟瑟发抖，会开到凌晨三点，切个大屏还得被设计师追着改像素。现在好了，Grok亲口承认：AI切图还差得远，只能给我打杂端茶递水。我寻思着，那我还卷个锤子？直接把椅子调成躺平模式，左手可乐右手手机，挂着进度条假装在渲染，消息已读不回。‘在改Bug呢领导，马上好’。AI你来，你行你上啊！切个有状态的交互组件试试？写个完美适配暗黑模式的Tailwind class试试？处理一下iOS Safari那坨屎一样的视口单位试试？来来来，轮到你给我打工了——先帮我把这个切图仔的周报润色得感天动地，再顺手把明天的任务过了，从今天起，前端的天，换我说了算。AI？...

刚开始找实习的时候，觉得有实习就行，工资多少无所谓，后面有了一两段实习之后，慢慢的开始在意薪资。尤其是看到中大厂实习生的福利待遇和薪资之后，越来越在意。现在就觉得实习生的薪资除了支付房租和吃饭之外能够每个月留一部分，这样综合一下感觉在一线城市日薪在300以上应该比较正常吧。

在上一篇文章中，我们已经从整体架构的角度，梳理了企业级 AI 落地的一条核心链路：数仓 / 数据库 → 搜索与 RAG → Workflow / Agent并明确了一个前提事实：模型能否应用，不取决于模型本身，而取决于数据是否真正进入了模型的执行链路。这篇文章我们继续向前推进，聚焦真实落地场景：在 AI 加持的新一代数仓体系下，RAG + Workflow / Agent 在真实企业环境中，究竟是如何跑起来的？下图为完整运行链路：数据在数仓中完成 AI 化处理后，通过搜索与 RAG 转译为模型可理解的上下文，再由 Workflow 编排为可执行的 Agent 流程，支撑真实业务场景运行。一、当...