为什么传统 NLP 评估指标（BLEU、ROUGE）对现代 LLM 局限性很大？  传统指标核心是比较生成文本与参考答案在 n-gram 上的表层重合度，存在以下问题：  语义缺失：只关心词汇匹配，不理解语义。如"今天天气很好"与"今天日光很灿烂"意思相近，但得分很低。 无法评估事实准确性：无法检测幻觉，流畅但包含错误事实的回答可能得高分。 忽略多样性与创造性：开放式任务没有唯一标准答案，基于固定答案的评估会惩罚优秀但不同的回答。 长文本评估能力差：无法评估长篇内容的连贯性、逻辑性和结构性。 无视推理过程：只能比较最终答案字符串，无法评估思维链步骤是否正...

大二双非请牛爷爷指导，投了 200+，0 约面。Python agent 项目我也没底不知道要不要写上去。

一开始填一下个人信息表，接着扫码做一下基础题，时间在三四十分钟,题目各种各样：1.JDBC API的核心接口2.string类变量的equal比较，以及String变量为空时输出的结果3.运行时异常 vs 检查型异常4.继承下的 new 对象 & 输出（构造方法、多态）5.抽象类和接口的知识6.mybatis知识等等然后就是hr一面聊一下个人的情况，结束后等了一会开始技术面：1.面试官结合你的简历项目内容，出数据库表一对多和多对多的情景题，问如何处理？答：逻辑外键和中间表2.说一下事务的原理3.说一下在try...catch里面出现异常，事务会回滚吗？答：try...catch已经把异...