《ChatGPT成长简史：从数据喂养到智能助手》本文用通俗语言梳理了ChatGPT的发展历程：胚胎期（预训练）：模型通过海量文本学习语言规律，掌握"预测下一个词"的核心能力，形成知识丰富的BaseModel；成长期（后训练）：SFT微调教会模型对话技巧RLHF/DPO对齐人类偏好，提升回答质量与安全性成年期（Agent化）：通过系统提示、记忆管理、工具调用等组件，使模型从"会说话"升级为能执行任务

《ChatGPT成长简史：从数据喂养到智能助手》本文用通俗语言梳理了ChatGPT的发展历程：胚胎期（预训练）：模型通过海量文本学习语言规律，掌握"预测下一个词"的核心能力，形成知识丰富的BaseModel；成长期（后训练）：SFT微调教会模型对话技巧RLHF/DPO对齐人类偏好，提升回答质量与安全性成年期（Agent化）：通过系统提示、记忆管理、工具调用等组件，使模型从"会说话"升级为能执行任务

从零造 Agent 系列第二篇。上一篇做了 demo 跑通，这一篇让它真正能用——直接吃飞书/微信聊天记录，分析完自动发通知到每个人。

由于这次是双表，需凭借empId列将两张表拼接在一起才能获得结果，所以考虑join关键词。结合题目要求为“每个奖金少于 1000 的员工的姓名和奖金数额”，所以使用left join关键词（需要找的是员工的姓名和奖金数额，那么select寻找的就是name、bonus。该表的每一行都表示员工的姓名和 id，以及他们的工资和经理的 id。编写解决方案，报告每个奖金少于 1000 的员工的姓名和奖金数

考虑到(subject_id, dept_id) 是该表的主键，且该题目的查询条件为“与每位老师在大学里教授的科目种类的数量”，与之相关的是科目种类，并非为系名，所以使用GROUP BY语句，先根据老师的id将其分组，后使用DISTINCT关键词，去重subject_id。该表中的每一行都表示带有 teacher_id 的教师在系 dept_id 中教授科目 subject_id。在 SQL 中，