1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...

老哥看看是简历的问题吗？还是投的少了，打招呼咋没几个回的呀😥

大佬们看看，有没有什么还要修改的地方，第一个项目做的是黑马点评，加了一个rabbitMQ，第二个项目是鱼皮的API开放平台结合了一下鱼皮的大语言对话模型项目

最近发现一个宝藏开源项目 learn-claude-code，特别适合想入门 AI Agent 开发的同学。这个项目不是教你"怎么用 Claude"，而是带你从零搭建一个类似 Claude Code 的 AI Agent 系统，理解背后的架构原理。 项目地址：https://github.com/shareAI-lab/learn-claude-code  三个核心概念你必须掌握 1. Context Engineering（上下文工程） 确保 Agent 能访问正确的信息。静态知识（AGENTS.md、架构文档）+ 动态数据（日志、CI/CD 状态）共同构成 Agent ...