与「考察」相关的搜索结果

此套《马达汉亚洲旅行摄影集》由芬兰探险家 Carl Gustaf Emil Mannerheim（中文名：马达汉，或译名曼纳海姆）拍摄。此次共整理了 1164 幅，记录了其 1906-1908 年在中国西部的探险考察，涉及新疆、甘肃、陕西、河南、山西、内蒙古等地。此套现藏于芬兰国家遗产局。介绍下载：

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

马斯克曾经为了争取到奔驰母公司的订单， 直接买了一辆对方的Smart，然后把车给拆了🤣 这一拆，直接帮当时的特斯拉走出了困境，还得到了对方5000万美元的投资。 2007年底，特斯拉还在为第一款电动跑车 Roadster 的生产问题发愁，研发和生产又不断花钱。 马斯克想给公司找一项新收入，把电池技术卖给大车企，于是找上了正在推进电动 Smart 的奔驰母公司戴姆勒。 但戴姆勒的高管听完介绍，对这家小公司的技术很有顾虑，他们提出想来特斯拉考察。 于是，马斯克决定提前改出一辆电动 Smart，让他们亲自开一开。 他让团队买来一辆 Smart。新车一到，当天就把它拆了。 他们取下燃油发动机，准备装进特斯拉的电池和电机。 为了把这些东西放进小车里，团队重新制作了电池包，又改装了特斯拉跑车上的电机，等车重新装好，外观和内饰几乎没变，开起来却完全不同。 马斯克后来说，这辆改装后的 Smart 动力大到能在停车场里把前轮翘起来。 戴姆勒的高管来考察时，马斯克先介绍了技术，对方反应十分冷淡。 随后他把人带到车前，告诉对方，这辆 Smart 已经换上了特斯拉的电池和电机，可以直接试驾。 对方坐进驾驶座，马斯克坐在旁边，一踩加速踏板，车就冲出了车库。 大约15分钟后，原本不苟言笑的高管把车开回来，已经有些藏不住笑意，主动提出，可以谈谈合作。 随后，特斯拉拿到了电动 Smart 的电池包和充电系统开发合同，收到的开发款缓解了公司的资金压力。 合作继续推进，到2009年5月，戴姆勒又投资5000万美元，买下特斯拉近一成股份。 马斯克后来回忆，如果没有当时拿下的开发合同，特斯拉就撑不下去了。

关于减持英伟达（NASDAQ：NVDA）股份的公告 基于本机构资产配置安排及阶段性资金使用计划，萃猫资本拟于2026年9月23日起，择机减持所持英伟达公司（NVIDIA Corporation，NASDAQ：NVDA）股份1,000股。 本次减持所得资金，拟用于国庆期间消费市场实地调研，重点考察餐饮、零售及周边生活服务行业景气度，并开展相关产业研究工作。 本次减持属于正常的资产配置调整，不代表萃猫资本对英伟达（NVDA）基本面及长期发展前景的判断发生变化。 相关交易将根据市场情况择机实施，实际成交价格、数量及最终结果以实际执行情况为准。 敬请市场参与者理性看待，注意投资风险。 特此公告。 萃猫资本 2026年9月23日

Grok Bot 设计之旅 来自 Grok Bot Design Lead @johnbai 是 Cursor 纽约办公室的第一位设计师，John 在这期访谈中首次公开其幕后设计过程。 # Grok Bot 产品起源：为什么 Cursor 要"另起炉灶"？ Cursor 桌面端对非技术用户门槛过高，工程化概念让设计师等群体难以上手。John 入职后长期负责增长与 onboarding，核心命题一直是"降低门槛"。 内部曾有两派：一派主张改造现有产品（John 甚至提过类似 Codex 后来采用的"双模式切换"方案：coding vs. tasks）；另一派主张彻底重做。最终共识是：Cursor 品牌技术感太强、包袱太重，对非工程师缺乏吸引力，于是高层自上而下拍板，由几名资深工程师闭门探索全新产品。 Grok Bot 初版是精简版 Cursor Glass（agents 窗口）+ iMessage 式聊天界面。这是关键的"秘密武器"——AI 圈用户习惯了流式输出和思考状态，但普通用户最熟悉的是 iMessage/WhatsApp 的消息形态。这一选择奠定了产品的亲和力。 # 设计探索：从"激进重构"到"回归聊天" John 展示了大量未采用的探索，其演进逻辑值得注意： 1. 质疑范式：他最初质疑"为什么又是左栏列表 + 中间聊天 + 右侧详情的三栏结构"，尝试了大量替代形态——任务清单悬浮窗、"Mission Control"多 Agent 监控视图、便签式界面、Raycast 式唤起、常驻桌面的 "Notch（灵动岛）"概念、Clippy 式桌面角落角色等。 2. 用产品打造产品：他用内部原型（代号 Sand，即 Grok Bot 前身）来构建自己理想中的 Notch 形态。亲手使用后他发现：Notch 形态会丢失上下文，而聊天仍是管理 "Agent 舰队" 的正确交互范式。这是本期最重要的认知反转——设计师通过快速原型证伪了自己的激进方案。 3. 收敛逻辑：领导层对"退居后台"的 ambient 方案反应冷淡，因为产品需要品牌存在感；而探索中诞生的碎片（如六边形 Cursor logo 加双眼的像素小人）最终演化为 Grok Bot 的吉祥物。两条设计路线——"给工程版抛光"与"彻底重做"——最终融合为现有形态。 4. 拟人化的来源：早期内部用户自发给 Agent 起名、上传表情包当头像，团队从中捕捉到"用户想赋予 Agent 人格"的信号，遂将角色形象设为默认状态。 # Onboarding 哲学（本期最有方法论价值的部分） John "在 Cursor 的全部时间都在设计 onboarding"，其核心原则： 1. 衡量负担的标准是概念数量，而非步骤数量。只要价值传达清晰、过程有吸引力，用户愿意走完多步流程；反之，塞入过多概念（他点名 Buzz 的 onboarding）会让人流失。 2. 不要迷信 Skip 按钮。AI 工具跳过引导后，用户被丢进空白输入框，直接陷入"行动瘫痪"（action paralysis）。先教会用户产品能做什么，比让他们快速进入产品更重要。 3. 最终落地的三步：① 你拥有的是一个 Agent 团队（各有分工）；② 每个 Agent 有自己的电脑（嵌入式 computer-use 窗口 + takeover 接管按钮——主持人称这是他的 "aha moment"，因为云端电脑的运作首次变得透明可信）；③ 任务可自动化运行。 4. 被砍掉的方案及原因：连接 Google 做个性化定制（信任未建立，用户不愿授权）；语音引导（跟风 ChatGPT/Claude 语音模式，但新用户"不知道该说什么"，时机错误）。 5. 用动效"买时间"：信息逐步流入的动画，既表现 AI 在思考，又掩盖了加载延迟。 # Cursor 的设计文化 没有两个设计师流程相同：有人纯代码起手（做 Cloud Agents 的 Maya 甚至没有 Figma 文件，只交付 Vercel 可交互原型），有人用 Paper，John 自己仍以 Figma 起草——但 Figma 的定位已变为"喂给 Agent 的素材与故事板"，文件本身是完全一次性的（throwaway）。 Agent 深度参与设计执行：John 把 Notion 文档丢给 Bot，让它在 Figma 里自动布局数十个 logo 变体、填充组件网格——过去需要手动 Google 找 SVG、缩放对齐的重复劳动全部外包。后期他甚至跳过 Cursor，直接让 Agent 在浏览器里生成多个方案。 高保真评审文化：每个想法必须附带可交互原型，crit 时发链接让所有人亲手试用。"静态走查已经不够用了"——这迫使设计师在分享前就验证方案是否成立，避免"给烂方案抛光"。 沙堡心态与 unshipping：设计师不能对自己的概念有执念（"can't be precious"），早期探索注定大量被丢弃，但碎片会进入最终产品；公司内部有强烈的"反上线"（unshipping）文化，靠删除来收敛复杂性。 他引用 Colin Dunn 的 "informed simplicity"：用户觉得"理所当然"的简洁，来自设计者先极度发散、再极度收敛的过程。 # 团队、招聘与反馈机制 团队：冲刺期共 5 名设计师，按各自强项自然分工（John 做探索与 onboarding，Pong、Keith、Tyler、Mamuso 抛光主壳），品牌团队主导命名与形象迭代。 招聘标准：基本功优先于工具数量、出活速度或"模型优化技巧"。核心考察能否真正 ship 产品、是否有体现 PMF 寻找循环的工作流程——"现在什么都能造，但不是什么都值得造。" 反馈处理：坚持用户研究 + 数据驱动。重视深度用户（如主动向 power user 私信索取详细反馈，再让 Bot 汇编成 Notion 文档同步团队）；数据洞见直接指导迭代——用户常用 Bot 少于 5 个（影响信息架构）、授权认证是主要卡点、吉祥物反响强烈（故提升其存在感）；同时密切观察用户自发"hack"出的用法（如 iMessage 版 Bot），顺势纳入设计。 # 实际使用场景（产品能力的具象化） John 本人：妻子申请绿卡，让 Bot 扫描邮箱自动找出过去 5 年的租约与账单；租房监控（定时抓 StreetEasy 房源，按"靠近地铁蓝线"等条件排序）；跨工具流水线（Slack 反馈频道 → Notion 数据库 → 自动更新 Figma 设计，人只需验收）。 主持人 Rid：梦幻橄榄球 GM Bot（抓取公开交易数据 + 动态竞价模型）；QA Bot（每日自动跑完全部产品流程、生成工单，置信度达标即直接派给 Cursor Agent 修复）——他在机场行李提取处用手机修好了此前两次都没修好的 bug。 John 的总结颇具代表性："我现在默认它什么都能做，因为我还没碰到过墙。"

Claude Code vs Codex 前端设计哪家强？8 组同题网站构建实测对比！ 作者 @nateherk 让 Claude Code 和 Codex（OpenAI 的编程智能体）在完全相同的条件下，各自独立构建 8 个网站，然后从设计质量、子 agent 数量、耗时、输出 token 量、折算成本五个维度做横向对比，哪个 Coding Agent 做前端设计更强。 # 实验设计：尽量消除变量 输入完全一致：每组构建使用相同的提示词、相同的品牌规范、相同的 logo 和文案素材，尽可能排除输入差异带来的干扰。 三种任务类型递进： 1. 半开放式（第 1–5 组）：给定文案、痛点、目标人群和品牌素材，只要求"做一个落地页"，留出设计自由度； 2. 全开放式（第 6 组）："虚构一个业务，做一个能惊艳我的网站"，考察工具的自主创造力； 3. 超具体指令式（第 7、8 组）：提示词精确到页面每个细节，考察工具的执行忠实度。 量化指标全程记录：子 agent 调用数、耗时、输出 token 数、按 API 价格折算的成本。 # 八组对决的结果 Codex 5 : 1 Claude Code 另有 2 组平局 第 1 组｜Bowl & Bloom（产后护理餐订阅）——Codex 胜 Codex 首屏信息清晰、导航与行动按钮明确；Claude 文字堆砌、叙事冗长。 Claude：4 子 agent / 2 小时 / 50 万 token / $53。Codex：1 子 agent / 50 分钟 / 10 万 token / <$20。 第 2 组｜Minutecraft（AI 会议纪要）——Codex 胜 两边都更像仪表盘而非落地页，但 Claude 文字过载，且存在全屏下仍未修复的 bug。 Claude：2.5 小时 / 50 万 token / $65。Codex：1.2 小时 / 10 万 token / $20。 第 3 组｜Trail Latch（露营厨房装备）——Claude 胜 全场唯一。Claude 的单页滚动交互、部件展开演示一气呵成；Codex 首屏焦点混乱，仅内页尚可。 Claude：4 子 agent / 2 小时 / 40 万 token / $42。Codex：1 子 agent / 1 小时 / 10 万 token / <$20。 第 4 组｜Present & Clear（演讲训练营）——Codex 胜 Codex 文案克制、视觉细节巧妙（划掉"魅力"、高亮"清晰"）；Claude 再次文字过载。 Claude：4 子 agent / 2 小时 / 44 万 token / $42。Codex：1 子 agent / 1 小时 / 9.2 万 token / <$20。 第 5 组｜North Ledger（机构 CFO 服务）——Codex 胜 Codex 用路径式滚动讲出品牌故事；Claude 像"没人想读完的报告"。 Claude：2 小时 / 50 万 token / $52。Codex：1 小时 / 10 万 token / $18。 第 6 组｜开放命题"惊艳我"——Codex 胜 考察自主创造力。Codex 的宇宙信号主题完成度更高；Claude 的声学主题出现布局拉伸 bug。 成本全场最悬殊：Codex 仅 8 分钟 / $1.5；Claude 近 3 小时 / 33 万 token / $50。 第 7 组｜超具体提示词网站——平局 提示词精确到每个细节后，两者产出几乎一模一样。但 token 与成本差距依旧。 第 8 组｜超具体提示词 HTML 报告——平局 设计无法区分高下；Codex 仍更快、更省。 汇总数据：效率差距是数量级的 · 子 agent 总数：Claude Code 25 个 vs Codex 9 个 · 总耗时：Claude Code 约 14 小时 vs Codex 约 5 小时 · 总输出 token：Claude Code 约 300 万 vs Codex 约 55 万（约 5.5 倍差距） · 按 API 计费折算：Claude Code 约 $444 vs Codex 约 $100

快手校招明确要考察学生使用AI的能力了，投递简历时有一项明确的AI应用经验，可以上传跟AI的对话记录，来作为AI能力的证明。 虽然是选填，但是你不填别人填，肯定是更难简历初筛。

马斯克他妹也是个神人，从小就坚信，跟着她哥混有肉吃🤣 为了去加拿大投奔马斯克，居然瞒着老妈把南非家里的房和车都卖了... 马斯克17岁时离开南非去了加拿大，刚满15岁的妹妹托斯卡想跟他一起。 但是老妈梅耶表示，要再等几年才能搬过去，托斯卡就趁老妈去加拿大考察城市，联系了房地产经纪人，把家里的家具，水晶器皿几乎全卖了。 还替房子和汽车找好了买家，老妈回来后，只能签字办手续，她11月11日回到南非，一家人12月11日就离开了。 托斯卡还说，如果妈妈不肯搬，她就一个人去加拿大投奔马斯克😂