合肥工作

目前是郑州大学的研二，想要找大数据开发的工作，目前没有实习，现在已经学了ssg的离线数仓，能找到暑期实习吗？我是应该坚持找暑期实习还是再学一下实时数仓。

我本科一直做 Web 相关开发，技术栈主要是 React / Node / TypeScript / Python。一开始接触大模型，其实和很多人一样：写 prompt、接 API、做点 demo。但很快我就发现，如果只是“调 API + 写 prompt”，其实很难真正做出复杂的 AI 应用。这篇文章主要分享一下：从前端工程师转向 Agent 开发，我的一些经验和踩过的坑。一、很多人刚接触大模型时，会觉得 AI 应用开发就是：写 Prompt调 OpenAI API输出结果但实际上，如果要做复杂应用，真正的问题通常是：上下文管理（Context Engineering）工具调用（Tool Use）任务轨迹设计（Agent Trajectory）状态管理（Memory / State）成本与延迟控制这些其实更接近 系统工程问题，而不仅仅是 prompt 的问题。二、前端背景有几个优势1 状态管理经验前端：state → viewagent：state → reasoning → action本质类似。2 工程能力前端工程师通常很熟悉：模块化API 设计工程结构渐进式披露（很重要）这些在 Agent 框架设计里很重要。3.相关技术栈openclaw，cluade code和opencode均使用typescript作为其主要开发语言，ts在agent项目里的使用比重很高。三、Agent 的核心其实是“轨迹”很多人以为：prompt → answer但 code agent 实际是：thought→ tool call→ observation→ thought→ tool call→ ...所以关键问题变成：如何设计agent loop如何设计 tool如何设计 observation如何管理上下文四、最近面试和做项目的过程中，我也有一些反思：1 多复盘，而不仅仅是做项目很多时候不是做得不够多，而是复盘不够。2 定量大于定性不要只说“优化了性能”，而是尽量给出指标：- latency ↓- token cost ↓- success rate ↑3 多方案 trade-off工程问题通常没有唯一答案，关键是：- 方案 A- 方案 B- 为什么选 B4 技术要服务业务不仅要看技术指标，还要看：- 用户体验- 成本- 整体业务效果5 尽量 close ticket，而不是一直做 demoAI 领域很容易陷入“做很多酷的 demo”但真正的工程能力是：解决具体问题并落地。五、如果你也是 Web 开发背景，其实完全不用焦虑“AI 门槛很高”。很多 AI 应用开发，本质上还是工程问题：系统设计状态管理工程架构只是多了一个新的组件：LLM。如果你已经有扎实的工程基础，再补充一些：LLM 基础Agent 设计Context Engineering其实是可以很自然地转过来的。

后端开发应该必须要刷的OJ题目类型如下双指针滑动窗口二分前缀和模拟分治链表哈希表字符串栈队列 + 宽搜优先级队列BFS 解决 FloodFill 算法BFS 解决最短路问题多源 BFSBFS 解决拓扑排序递归算法搜索算法（主要是深搜）回溯与剪枝floodfill 算法记忆化搜索斐波那契数列模型路径问题简单多状态 dp 问题子数组系列子序列问题回文串问题两个数组的 dp 问题01 背包问题完全背包问题二维费用的背包问题似包非包卡特兰数#面试___岗的必刷题单#

想问下字节Data部门底下的广告架构与工程怎么样啊？拿到了后端开发的offer，但是怕进去干数据开发的活有没有懂的uu说一下