2023年，开源模型刚刚多起来的时候，上手AI做的最多的事情就是微调，那会儿我有一张3090，就足够微调GLM2-7B或者Llama2-8B的模型了，网上还有很多的教程，教你怎么找数据集、怎么构建数据集，怎么微调大模型。仿佛只要学会了微调，我就一脚踏进了大模型工程师的门槛。包括到现在，很多客户一开始就说：“我们要微调一个自己的模型，网上都这样说的。”然后14B也好，32B也好，拉一堆行业数据往里塞，觉得这样才算构建核心壁垒。但连续了解几个项目之后，我现在的结论很清晰：对大多数做AI应用的团队来说，微调就是个坑。甚至面试的时候也会出现这个问题：为什么不建议微调？到现在网上还有很多新发的教程，一张...

不过大厂的面试确实比小厂能学到更多

一、面试题简述Redis 里的Zset你用过吗？它既能按照 score 排序，又能按照 member 快速查找，这是怎么做到的？底层到底用了什么数据结构？为什么这样设计？二、面试官想听的这道题本质不是问Zset 用了什么结构，而是在考察：1、你是否能从需求出发推导结构设计2、你是否理解时间复杂度与操作路径的权衡3、你能不能讲清楚为什么不用别的结构面试官真正想听的是你能不能从工程约束推导出 Hash + SkipList 是一种必然，而不是偶然。三、面试回答举例Zset 的核心需求其实很矛盾：第一，它要按 score 有序； 第二，它要支持根据 member 快速查找和更新。这两个需求如果拆开来...