1. 自我介绍2. 为什么要通过微调模型来做代码生成？为什么不用纯 prompt 或 spec coding？答案：纯 prompt 和 spec coding 确实可以提升模型在单次任务上的表现，但它们更多是推理时约束，解决的是“让模型按要求做事”的问题。微调解决的是模型行为分布的问题，比如固定代码风格、内部框架 API 使用习惯、异常处理模式、日志规范、单测模板、目录结构约定，这些如果全部靠 prompt 塞进去，成本很高，也容易在长任务里被稀释。在缺陷修复 Agent 里，我选择微调不是为了让模型记住业务代码，而是让它学习稳定的工程动作：先读测试，再定位调用链，再改最小范围，再补回归测试...

求分析简历，在boss上面投了很多，都没有回复😥感谢感谢感谢大佬😸

github原来还有挂人的作用搞大模型真是能狠赚笔xxx在coding补课：一个普通的大厂前端实习，可以被包装成 AI Infra；一个并不算核心的工作内容，可以被描述成“关键项目负责人”；一个算不上核心的开源贡献，可以被渲染成项目核心 Maintainer网络上很多博主借助AI包装自己，卖课割韭菜的一堆，大家还是保持理智，有钱不如给AI

题目大意n 个魔法石围成环形，能量可正可负。选一段连续石子（可跨首尾），要求总和能被 k 整除，求最大总和，无满足条件则输出 0。数据范围：\(n\le 2\times 10^5，k\le 1000\)。核心考点环形数组 + 前缀和 + 同余定理 + 哈希表 + 滑动窗口解题难点环形可跨首尾，普通线性解法不行有负数，模运算容易出错数据量大，暴力必超时，需线性复杂度解题思路环形转线性：数组拼接自身变 2n 长度，只取长度不超过 n 的子数组，避免重复选元素。同余原理：\(pre[j]-pre[i]\) 能被 k 整除 \(\iff pre[j]\%k = pre[i]\%k\)。负数取模修正：m...