Spark 3.x AQE 与 DPP题目一：AQE 的三大能力与适用场景场景：你们的离线数仓从 Spark 2.x 升级到 Spark 3.x 之后，发现同一份 TPC-DS 报表整体性能提升了不少，但有些 SQL 在数据倾斜场景下表现差异更明显。Leader 让你梳理并落地 Spark 3.x 的 AQE（Adaptive Query Execution，自适应查询执行）能力，用来统一优化 SQL。要求：说明 Spark 3.x AQE 相比 Spark 2.x 的核心目标是什么，解决了 Spark 2.x 哪些「静态优化」的痛点？结合实际查询场景，分别举例说明 AQE 的 三大能力： 动...

作为刚毕业的运营，日常用AI做内容、写脚本、处理数据时，被幻觉问题坑过好多次——凭空编数据、造来源、逻辑自相矛盾，返工超磨人。试了不少方法，终于摸出些能有效减少幻觉的实操技巧，分享给同频的小伙伴，亲测有用不鸡肋～✅ 注入精准指令+限定规则，从源头定框架不会只说“写一篇XX文案”，而是明确加“所有信息需有依据，禁止编造数据/来源”“仅基于已知信息作答，未知内容标注‘无相关信息’”，甚至限定格式和核心要点，让AI没有瞎发挥的空间。✅ 注入具体参考资料，让AI有据可依不管是做行业分析还是写产品文案，都会把官方数据、品牌资料、权威报告等粘贴给AI，标注“基于以下资料创作，严格贴合内容，不额外延伸”，尤其涉及数据、专业术语时，参考资料越具体，幻觉概率越低。✅ 注入清晰的约束条件，圈定作答范围比如写运营方案时，会明确“仅围绕XX平台、XX用户群体展开，不涉及其他平台/群体”；查行业信息时，限定“仅参考2025-2026年最新数据，不使用过期信息”，避免AI跨范围脑补。✅ 注入分步提问的逻辑，拆解复杂需求不会让AI一步完成复杂任务，而是拆分步骤：先让它梳理核心信息，再让它基于梳理结果做分析，最后再生成方案，每一步都基于上一步的结果约束，既减少幻觉，也能让输出更贴合需求。✅ 注入反向验证指令，让AI自查自纠完成生成后，会追加一句“核对以上内容是否有编造/矛盾/无依据的信息，逐一标注并修正”，相当于让AI先自查一遍，再人工复核，双重把关能筛掉大部分低级幻觉。其实AI的幻觉，大多是因为指令模糊、无参考依据、需求太复杂导致的。与其事后返工，不如事前把“规矩”立好，给AI注入清晰的指令、靠谱的参考、明确的约束，让它只能在设定的框架内作答。当然，最后一步永远是人工复核，尤其是涉及数据、专业内容、正式文案时，AI再靠谱，也抵不过自己逐字核对一遍，这才是杜绝幻觉的最后一道防线。

1.自我介绍2.介绍一下你的XXX项目？说一下你做了哪些工作？3.SOC和均衡是如何实现的？4.均衡的条件是什么？5.有没有用上位机做过boot刷写？6.C语言掌握的怎么样？7.结构体对齐规则？8.一个变量放在函数外和放在函数内有什么区别？9.在函数内部，变量加static修饰有什么作用？它存在哪里？10.如果使用CAN通信，你会如何设计boot刷新？11.你有什么想问的？

1. ZDNS二线技术支持,北京1w,双休,六险一金,公积金12%2. 私募基金运维,无锡8k,大小周,基础五险一金双非民办本科，女，都是实习转正