1. 什么是 LoRA？LoRA 全称是 Low-Rank Adaptation，核心思想是在微调大模型时不直接更新原始大权重矩阵，而是冻结预训练权重，只额外学习两个低秩矩阵，用这两个小矩阵的乘积去近似原权重的增量。原来如果某层权重是： W ∈ R^(d×k) LoRA 不直接学习 ΔW 的完整矩阵，而是写成： ΔW = B A A ∈ R^(r×k), B ∈ R^(d×r), 且 r << min(d, k) 最终前向变成： h = W x + ΔW x = W x + B A x 这样训练参数量会大幅下降。2. LoRA 的思路是什么？LoRA 的基本假设是：大模型在迁移到下...

不是我应聘个it技术支持岗位4-6k 还学历歧视上了😭

看来得重新踏上征程了。后悔之前oc之后没有走其他的流程。

最近重度使用Claude，特别是配合GPT和官方的Claude Code，最大的感受就是：它对复杂工程架构的理解力简直是降维打击。写简单的增删改查可能各家大模型都差不多，但当你让它处理分布式底层的业务流。它极少出现幻觉，而是能精准顺着庞杂的上下文把链路理清。我的心得是，千万别只把它当成普通的“语法补全器”，直接把你业务里最痛的数据处理架构、海量并发场景抛给它，用CLI代理去跑脚本和定位Bug。把这套AI原生工具链玩明白，用大模型来做核心底层的重构与调优，绝对是咱们做后端开发提效的核心壁垒。