实习第三周，我第一次参加架构评审会。 会议室里七八个人，PPT 翻了二十多页，大家在讨论一个微服务拆分方案。 逻辑我基本听懂了，但有一处一直卡着我： 新的服务拆分之后，调用链路会多出两跳。日常流量下，问题不大。 但大促流量峰值呢？ 我翻了翻压测历史数据，高峰期 QPS 能冲到平时的十几倍。 我举了手："这个方案，在高流量场景下，级联超时的概率会不会放大？" 会议室安静了两秒。 架构师转过头，看了我一眼："你怎么算的？" 我把压测数据和延迟预估的推导过程说了一遍，大概三分钟。 他点了点头："这个问题值得拉个专项。" 散会后，导师发来私信...

要招就招，每次一脚踢开，挂完一两小时后 发面试邀请，我又乖乖接受 还有机会吗

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

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...