1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

28届准备最近找个小厂这个简历可以吗？

如果用 userId 分表，要用merchantId 查询的话，如何查询？维护索引表：用一张单独的索引表存储 merchantId -> userId，查询时先查索引表拿到 userId。自己手写实现 一致性哈希分表一、核心原理（3 句话记住）把 userId 哈希成一个 0 ~ 2^32-1 的整数把 分表（表名后缀 0、1、2、3...） 也哈希后放到哈希环上userId 顺时针找最近的表 → 得到表序号（0、1、2...）关键：加表只影响少量数据二、手写实现一致性哈希（完整可复制）结构哈希环（排序的 Map）物理节点（真实表：0、1、2、3）虚拟节点（让数据分布更均匀）路由方法：输...