Nanobot**是香港大学数据科学实验室（HKUDS）开源的一个项目，号称是 OpenClaw 的精简版实现。**整个框架核心代码只有约 4000 行**，比 OpenClaw 小了 99%，但功能一点都不含糊：工具调用、定时任务、记忆系统、多模型兼容、多平台支持，该有的都有。

你是不是也踩过这种坑：本地测试跑得飞快，上线之后用户说「你这 AI 咋这么慢」；或者月初信心满满上了新功能，月底对账单看到数字翻了三倍，却找不到是哪儿吃掉了那么多 Token？

最近一位三年后端转AI方向的朋友，连拿三个Agent岗offer，最高包和最低包差了**40万**。我把他的面经和我收集的大厂真题合在一起，整理出这份面试指南——**18个高频问题，每个都给你最精炼的回答思路**。

每到节假日，各大购物网站平台都会发放各种“秒杀”优惠券，从一两块到两三百甚至“零元购”的都有，但问题是，自己永远抢不到。不值钱的优惠券一堆人推荐，真正好的优惠券你就得花时间去抢，而抢到的概率几乎为零。如下图：对于商家来说，初心是好的，限时秒杀优惠券则是通过优惠营造稀缺氛围，节日促销的时候回馈老用户，以让利获得更多销量，用户购买的开心，口碑传播动力就越大，互利共赢的买卖。能够真正抢到好的优惠券，关键

想拥有自己的专属 AI 模型，却被动辄数百 GB 的显存需求劝退？

想拥有自己的专属 AI 模型，却被动辄数百 GB 的显存需求劝退？

大语言模型之所以能在不同任务上表现出很强的迁移能力，一个重要原因是：文本可以被切分成 token。一句话可以拆成词、子词或符号；图像可以被看成像素或图像块。这些 token 构成了模型能够反复使用的“基础单位”。

在之前的 Naive RAG 阶段，AI 学会了一件事：回答问题前，先去资料库里翻一翻。但很快，人们发现这个“翻一翻”的动作太粗糙了——用户说一句口语，它找不到；用户问一个专业术语，它也找不到。就像一个刚学会用索引卡片的小管理员，稍微复杂一点的查询就束手无策。

很多团队把 80% 的精力花在调 Embedding 模型、优化 Prompt、换 LLM 上，却忽略了决定 RAG 上限的关键环节——**文档预处理**。分块方式差，再好的检索算法也召回不准；文本没清洗，Embedding 模型产生的向量就是"带噪声"的。本文以 TMC 差旅财务系统为业务背景，系统梳理文档预处理的全流程技术。

这周我把 Unsloth Studio 这个新工具试了下，结论是：**真的可以零代码跑通一次完整微调**。从加载模型、上传数据集、调超参到导出模型，全在浏览器界面里点。我用 Qwen3.5-4B 跑了一个"客服话术"风格化微调，整个流程不到一小时，显存峰值才 6GB 多一点。