今天这场面试，一进门我就觉得不太对。桌上没有常见的算法题白板，也没有让我手写代码。面试官把一副耳机推到我面前，说：“先听一下。我戴上耳机，里面是一段实时语音 AI 的演示。用户刚说到一半，AI 已经开始接话；用户突然插嘴打断，它又能立刻停下来重新听。那种感觉不像以前的语音助手，等你说完一句，转成文字，再慢悠悠回复。它更像一个正在和你抢话的人。她说：“最近 GPT-Live 这类实时语音系统又被讨论

归一化可以理解成统一格式。工具注册时只维护一份标准 JSON Schema，真正调用模型前，系统根据目标 Provider 自动清洗和转换，把 OpenAI、Anthropic、Gemini、xAI 等模型提供商的差异挡在适配层里。这样一来，上层工具只需要描述自己叫什么、接收哪些参数、参数类型是什么。至于某家不支持。

今天鸭鸭刷到一条挺有意思的招聘新闻。外媒 Business Insider 报道称，谷歌内部文件显示，从今年下半年起，计划在软件工程师招聘的“代码理解”面试环节，允许候选人使用谷歌官方认证的 AI 助手；试点阶段将统一使用自研模型 Gemini。谷歌发言人向媒体证实了这一安排。报道里写得很具体：候选人要在现有代码库里做阅读、排错和优化；面试官会重点看“AI 应用熟练度”，包括提示词工程、对 AI

这个上限同时覆盖输入和输出。高频词更容易成为一个 Token，低频词、长单词、特殊符号、代码变量名，可能会被拆成多个 Token。输入 Token 指你发给模型的内容，包括用户问题、系统提示词、上下文、检索到的文档、工具返回结果。做大模型应用时，不能只关心模型效果，也要关心每次请求用了多少输入、生成了多少输出、哪些前缀能缓存、哪些上下文可以裁剪。这题我后来重新整理了一遍，发现完整答案其实要讲 To

这个上限同时覆盖输入和输出。高频词更容易成为一个 Token，低频词、长单词、特殊符号、代码变量名，可能会被拆成多个 Token。输入 Token 指你发给模型的内容，包括用户问题、系统提示词、上下文、检索到的文档、工具返回结果。做大模型应用时，不能只关心模型效果，也要关心每次请求用了多少输入、生成了多少输出、哪些前缀能缓存、哪些上下文可以裁剪。这题我后来重新整理了一遍，发现完整答案其实要讲 To

AI 写代码确实快了。但代码写出来以后，为什么还是很难进生产？CircleCI 今年那份《2026 State of Software Delivery》里有个挺刺眼的数字。他们分析了 2800 多万次 CI/CD workflow。结果发现，AI 确实让开发活动变多了，feature branch 的吞吐提升了。但到了 main branch，也就是代码真要进主干、进生产的地方，吞吐反而下降了。

它最后的回答可能没有直接泄密，但它发出去的一串搜索 query，拼在一起，反而能把内部信息暴露出来。Meta 的 Llama Guard 4 是开源的多模态安全分类模型，基于 Llama 4 Scout 裁剪微调，原生支持文本和图像安全分类，也采用了更标准化的风险分类体系。AI 护栏也是一样，它不该让模型什么都不敢答，重点是在遇到异常输入、恶意指令、敏感信息、违规输出时，把风险挡住。没有护栏的 A

今天鸭鸭刷到一条挺有意思的招聘新闻。外媒 Business Insider 报道称，谷歌内部文件显示，从今年下半年起，计划在软件工程师招聘的“代码理解”面试环节，允许候选人使用谷歌官方认证的 AI 助手；试点阶段将统一使用自研模型 Gemini。谷歌发言人向媒体证实了这一安排。报道里写得很具体：候选人要在现有代码库里做阅读、排错和优化；面试官会重点看“AI 应用熟练度”，包括提示词工程、对 AI

今天鸭鸭刷到脉脉热榜上一条挺扎心的话题：Claude 月烧 5 亿美元，AI 贵到用不起？底下一堆人讨论 AI 到底是省钱还是烧钱。鸭鸭顺手扒了下真实数据，比热榜标题还吓人。SpaceX 上市招股书里写得清清楚楚：Anthropic 每个月要付 12.5 亿美元的算力费，一直签到 2029 年 5 月。一年就是 150 亿美元，单这一份合同。这事一摆出来就有点意思了。以前大家担心的是 AI 会不会

👔 面试官：请描述一下，使用 LangChain 构建一个文档问答系统，需要哪些关键技术组件？实现步骤是什么？🙋‍♂️ 我：这个就是 RAG。先加载文档，然后切分，做 Embedding，存到向量数据库里。用户提问的时候，再检索相关片段，把片段和问题一起给大模型回答。👔 面试官：流程听起来没错。那文档为什么要切？怎么切？chunkSize 怎么定？PDF 里的表格、标题、页码怎么处理？🙋‍