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...

我在公司将谨慎使用AI

投了一千份简历了 没有一个面试

前两天有个读者私信我，说腾讯二面问了这样一个问题：“CLAUDE.md 你是怎么维护的？”他知道的就是“/init 一下”，别的平常也没怎么关注。 这就好比面试官想让你回答“数据库怎么优化的”，结果你回答了“装个 MySQL 就行了”。 说了，但又好像没说。  /init 只是起点。 CLAUDE.md 这个文件，写好了就是超级外挂，你的代码交付质量杠杠的。 写烂了就是 token 噪音。今天这篇内容，给大家来一次硬核拆解。  系好安全带，我们粗粗粗发～  01、CLAUDE.md 到底是个什么东西 先把概念捋清楚。 CLAUDE.md 不是 README，不是注释，不是文档，它是 Claud...