从Claude发布了最新的Opus4.6模型之后，我就开始把搜索推荐场景的策略PRD交给Claude来写了。给它喂了业务背景、用户画像、现有策略逻辑、几组AB实验数据，让它输出一版完整的PRD。结果出来我看了半天，说实话，打个70分不过分。框架完整，数据引用准确，甚至连实验分组逻辑和新用户的兜底方案都写得有模有样。这个质量，比8年前刚转策略方向时的我写得好，更比现在的校招生写的好太多了。那天晚上我躺在床上想了很久。不是焦虑那种想，是认真地在盘，我这么多年积累的东西，到底哪些有护城河，哪些其实只是熟练度？下面是我自己的思考，和大家分享一下。先说能被替代的部分我觉得，AI能替代策略PM大概80%的...

Timeline3.5一面3.8 二面3.12 三面3.18 hr面4.2 offer

对不住了bro哈哈哈哈哈

1. 自我介绍 简单聊聊你写的这个项目2. bge-m3 的预训练过程是什么，为什么它可以高效检索bge-m3 的核心不只是“做 embedding”，而是把多种检索信号统一进同一个模型框架里。它同时支持 dense、sparse 和 multi-vector 三种表示。dense 负责语义层面的相似性，sparse 更接近词项权重匹配，multi-vector 则适合处理长文档、多粒度语义对齐。这样一个 query 不再只依赖单一路径召回，所以在复杂检索场景里更稳。从训练角度看，它一般不是只靠单一对比学习目标，而是会结合多任务数据，让模型既学语义匹配，也学词面相关性和局部对齐能力。高效检索的...