一、 认知重构：简历不是“档案”，而是“产品说明书”很多人写简历像是在填档案：“我叫什么、我会什么、我做过什么”。这是典型的“工程师思维”，只顾输出，不顾接收。在产品和面试官的眼里，简历的本质是什么？是一个 “价值交付物” 。HR看简历的平均时长只有6秒，这6秒里，她只关心一个核心问题：这个人来了能不能帮我解决问题？高手的结构应该是：定位（你是谁）→ 代表作（解决过什么难事）→ 信任状（凭什么证明你行）。所以，不要再把“技术栈”放在最前面了。没有人关心你会多少工具，他们只关心你用这些工具创造了什么价值。普通结构： 基本信息 → 教育背景 → 技能树（罗列20个技术名词） → 工作经历爆款结构：...

大四上学期在某厂实习了三个月，说说真实感受吧。进去之前幻想的是参与核心项目、接触前沿技术。实际上每天就是写一些边角需求，改改前人的代码，开不完的会。mentor人挺好但也很忙，大部分时间还是自己摸索。最大的感触是：大厂没有想象中那么光鲜。工位很挤，实习生能接触到的东西真的有限，很多核心代码权限都没有。现在春招我反而没那么执着大厂了，更看重具体做什么、团队氛围怎么样。实习过一次之后你就会发现，公司名字真的只是个壳子，每天干的活才是实实在在的。

这种实习能去吗？    

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...