一、 顶部速查对比表
表 1：16 大核心技术概念大白话精讲与选型对比全景表
| 序号 | 技术概念 | ① 平实大白话 | ② 为什么这么做 | ③ 选型对比 | ④ 利与弊 | ⑤ 具体实现代码 |
|---|---|---|---|---|---|---|
| T1 | 试算表 Mapping 自动化 | 用 Python pandas 批量匹配合并总账与标准科目 | 人工比对几万条 Excel 极慢易错，为了少加班 | VBA 慢且难维护；Pandas 矢量化极快 | 利: 效率提升 60% 弊: 需规范模板 |
pd.read_excel(..., dtype=str) 后执行 pd.merge() |
| T2 | Byte Cursor 字节游标 | 记下上次读到的文件字节位置，下次跳过去只读新增 Delta 字节 | 避免每次重复读取几兆的大日志文件 | 全量读浪费磁盘；按行读遇换行易错位；字节指针 100% 精确 | 利: I/O 开销极低 弊: 文件清空需降级 |
f.seek(last_cursor) 读增量，f.tell() 存回位置 |
| T3 | MLX 框架 | 苹果官方为 Apple Silicon 研发的统一内存深度学习框架 | 在本地 Mac 零成本进行小模型微调与推理 | PyTorch (MPS) 易内存泄漏崩溃；MLX 统一内存零拷贝极省显存 | 利: 零拷贝、显存不溢出 弊: 仅限 Mac |
用 mlx_lm.lora 在本地微调 Qwen2.5-3B 并导出 safetensors |
| T5 | RRF 倒数排名融合 | 给向量检索与全文检索结果按排名倒数加权重排 | 向量分与 BM25 分数量纲不同无法直接相加 | Reranker 模型延时高且费显存；RRF 无参计算极快且稳健 | 利: 无须训练、0.1ms 完成 弊: 丢失绝对分数强弱 |
按 Score = 1 / (60 + rank) 累加加权做 min-max 归一化 |
| T7 | 确定性拒答门控 | 搜出的相似度过低时直接代码拦截抛异常拒答 | 严肃财务中，盲目瞎猜危害远大于拒答 | 纯 Prompt 约束模型注意力漂移仍会瞎编；代码门控 100% 硬拦截 | 利: 100% 硬防护 弊: 阈值高可能误伤 |
设置 Top-1 < 0.42 且 Top-3 < 0.40 抛出 AbstainException |
二、 自我介绍与转行优势
个人定位
梁悦（Cassie Liang） | AI 应用研发工程师（Agent / RAG / LLM）
1 分钟现场口述讲稿
“面试官好，我是梁悦（Cassie）。我目前在东北大学攻读人工智能硕士，GPA 3.75，同时担任生成式 AI 课程的 TA；本科毕业于上海财经大学会计学，曾获华为奖学金，毕业后在德勤上海做过一年多审计。
我目前主要专注于 AI Agent 长期记忆、RAG 混合检索、MCP 协议封装以及端侧 / 多模态应用开发。我的特点是既懂前沿模型在本地（Mac/iOS）的微调与应用，又受过严谨的逻辑风控训练，极其注重系统的稳定性和真实落地。很高兴今天能来交流！”
追问 Q&A：会计/审计背景对你做 AI 有什么独特优势？
Q：为什么从会计/审计转行做 AI？你的优势是什么？
“审计这门手艺日复一日训练的就是‘证据意识’——即‘你凭什么相信这个结果是对的？’。
转做 AI 后我发现大模型最大的痛点就是‘一本正经地胡说八道’。这时审计思维就成了优势：我在做 RAG（CorpCheck）时会强制要求‘没有找到财报原文证明就必须代码级确定性拒答’；在做 Agent（Vance）时会在端侧做硬性规则校验，绝不给模型乱编动作的机会。这种对确定性和真实性的执念，让我能写出更稳定、防线更清晰的生产级系统。”
三、 MindBridge｜面向 Agent 的本地优先长期记忆引擎
简历原文 Line 1
可靠摄取：按 byte cursor 增量解析 Claude Code / Codex CLI 日志，实测沉淀 3,067 轮 / 51 个会话。
现场口述讲稿
“像 Claude Code 这种终端命令行工具，日志是追加写的。如果每次都重新读几兆的大文件，电脑会卡爆。我设计了 Byte Cursor（字节游标），记下上次读到的文件字节位置（Byte Offset），下次直接 seek 跳过去只读新加的几 KB Delta 增量字节，高效沉淀了 3,067 轮对话。”
追问 Q&A：Byte Cursor 核心原理与代码
Q：什么是 Delta 字节？按行数读为什么会错位？游标怎么定义的？
Delta 字节代表“增量/差值”，即上次读取（1000 字节处）到本次读取（1500 字节处）之间新增的这 500 字节文本。
按行易错位原因：日志里一条对话或 Traceback 本身常包含换行符（
按行易错位原因：日志里一条对话或 Traceback 本身常包含换行符（
\n），按行跳遇到自带换行时会切碎错位；而字节游标是操作系统底层二进制 Byte 指针，位置 1000 就是第 1000 字节，不论中间有多少换行符都 100% 精确。
with open(log_path, 'rb') as f:
f.seek(last_cursor) # 跳到上次读取的字节位置
delta_bytes = f.read() # 只读取增量内容
new_cursor = f.tell() # 获取新位置并保存
简历原文 Line 4
本地微调：以 198 条样本训练 MLX LoRA；45 条日期隔离 holdout 首次结构通过率 86.7%，teacher 为 82.2%。
追问 Q&A：PCIe 瓶颈、统一内存与 PyTorch (MPS) 崩溃与 MLX 惰性求值深挖
Q：PCIe 是什么？Unified Memory (统一内存) 零拷贝是怎么做到的？吞吐高不溢出指什么？
PCIe 是传统 PC 主板插显卡的通道。传统 PC 必须通过窄带宽的 PCIe 把数据从内存复制到 GPU 显存，极易造成数据排队阻塞与爆显存。
苹果统一内存零拷贝：CPU、GPU 和内存集成在同一晶圆上。数据在内存里只存 1 份，CPU 预处理完数据后直接把指针给 GPU，物理上零数据复制 (Zero-Copy)。传输无排队，吞吐量极大提升，且整个 64GB 内存全能当显存用，彻底解决爆显存崩溃。
苹果统一内存零拷贝：CPU、GPU 和内存集成在同一晶圆上。数据在内存里只存 1 份，CPU 预处理完数据后直接把指针给 GPU，物理上零数据复制 (Zero-Copy)。传输无排队，吞吐量极大提升，且整个 64GB 内存全能当显存用，彻底解决爆显存崩溃。
Q：PyTorch (MPS) 为什么易溢出？MLX 为什么用“惰性求值 (Lazy Evaluation)”？
PyTorch (MPS) 易溢出：PyTorch 底层假定了 CPU 和 GPU 内存是两块物理隔绝的空间，移植到 Mac 后依然频繁创建临时副本，垃圾回收不及时导致 OOM。
MLX 惰性求值：计算时不立刻分配显存，而是先记录“计算图”，只有需要输出时才把多步计算合并为一次 GPU Kernel 运行，直接省掉产生中间临时数组的巨额显存！
MLX 惰性求值：计算时不立刻分配显存，而是先记录“计算图”，只有需要输出时才把多步计算合并为一次 GPU Kernel 运行，直接省掉产生中间临时数组的巨额显存！
四、 Vance｜可执行训练计划的 AI 健身搭子 iOS App
简历原文 Line 2
计划约束：D1 种子库收录 1,324 条动作，端侧精选 50 条结构化定义并按伤病、场地过滤。
追问 Q&A：端侧硬性代码过滤 (Swift 实现)
Q：端侧硬性代码过滤怎么做的？为什么不在 Prompt 里过滤？
Prompt 约束依然有模型注意力漂移和违规生成的概率；而端侧代码过滤 100% 确定性保证安全。
struct Exercise {
let id: String
let contraindications: [BodyCondition] // [.knee, .lowerBack]
}
// 请求发给 AI 前，在端侧硬性过滤
let safeExercises = allExercises.filter { exercise in
!exercise.contraindications.contains(where: { userConditions.contains($0) })
}
let validIDs = safeExercises.map { $0.id }
五、 CorpCheck｜SEC 财报检索与确定性拒答系统
简历原文 Line 1
检索规模：在 1,662 份 SEC filing / 469,874 个文本块上融合 pgvector、BM25 与 RRF。
追问 Q&A：bge-reranker-large 解析与为什么选 RRF
Q：bge-reranker-large 是什么？常见的 Reranker 模型是什么？为什么选 RRF？
bge-reranker-large 是智源开源的大尺寸重排模型（约 3.35 亿~5.6 亿参数）。
为什么选 RRF：Reranker 需要把 Question + Passage 拼接重新送入大 Transformer 模型，搜 100 个段落就要算 100 次前向传播，延迟高达 300~500ms 且极消耗显存；而 RRF 使用公式
为什么选 RRF：Reranker 需要把 Question + Passage 拼接重新送入大 Transformer 模型，搜 100 个段落就要算 100 次前向传播，延迟高达 300~500ms 且极消耗显存；而 RRF 使用公式
1 / (60 + rank) 算排名倒数，CPU 0.1 毫秒算完，无参且效果极稳定。
Q：确定性拒答门控相似度怎么算？0.42 / 0.40 怎么定的？
将问题 Embedding 向量与搜出的每个 Chunk 向量算余弦相似度。在
calibrate_abstain.py 脚本中实验测得：领域内问题的 Top-1 都在 0.56 以上，领域外无关问题的 Top-1 都在 0.34 以下。设定 0.42 (Top-1) 和 0.40 (Top-3 平均) 正好在空白缓冲区完美切割。
六、 德勤审计自动化与拓展项目
简历原文
德勤自动映射：开发 Python 试算表工具，对齐 30,000+ 条总账记录，单项目复核效率提升 60%。
追问 Q&A：df_gl = pd.read_excel(..., dtype={'client_account_code': str}) 作用
Q：为什么读取 Excel 时必须指定 dtype=str？
如果不设
dtype=str，Pandas 会默认把科目代码当成数字解析！例如原本是字符串 "000101"，会自动变成数字 101，前面的三个 000 直接被吃掉了！导致后续做 merge 对账时科目代码完全对不上！所以必须强指定为 str。
VisoCode (AdventureX 2025 最佳技术奖)
以 LangGraph 多 Agent 与 Docker 沙箱生成 Manim 教学动画
现场口述讲稿
“基于 LangGraph 搭建多 Agent 状态机：Generator Agent 写代码 ➔ Sandbox Agent 在隔离 Docker 里运行渲染 ➔ 若报错反馈给 Fixer Agent 自动修正闭环。”
追问 Q&A：LangGraph、Manim 与 Docker 沙箱自愈闭环
Q：什么是 LangGraph？为什么要结合 Docker 沙箱？自愈闭环怎么做到的？
LangGraph 是专为多 Agent 循环状态机研发的框架。定义条件边：当 Sandbox 渲染失败时将 Traceback 重新连线给 Fixer Agent 循环修复。
Docker 沙箱原因：大模型代码可能有危险命令（如误写
自愈闭环：渲染成功返回 MP4 视频；退出码非 0 则捕获 Traceback 触发条件边自动重修代码，最多重试 3 次。
Docker 沙箱原因：大模型代码可能有危险命令（如误写
rm -rf /），在限制了 CPU/内存且切断外网的 Docker 容器运行绝对安全。自愈闭环：渲染成功返回 MP4 视频；退出码非 0 则捕获 Traceback 触发条件边自动重修代码，最多重试 3 次。
Cassie Capture (Chrome MV3 超长网页 PDF)
以 Content Script ➔ Service Worker ➔ Offscreen 流式管线分卷生成超长网页 PDF
现场口述讲稿
“利用 Chrome MV3 架构，Content Script 抓取 DOM，Service Worker 调度，离屏 Offscreen Document 用 Canvas 分卷生成 PDF。”
追问 Q&A：MV3 架构限制与 Offscreen Document 分卷流式解法
Q：MV3 限制了什么？为什么需要 Offscreen Document？超长网页 PDF 如何防卡死？
MV3 限制：禁止 Background Page，改用 Service Worker，且完全禁止在 Service Worker 内部操作 DOM 与 Canvas。
Offscreen 作用：MV3 专门提供的隐形离屏 HTML 环境，用来在后台 Canvas 上拼卷绘制 PDF 字节流。
分卷流式解法：按视口切片。每滚一屏截一张图，画满一页 PDF 后立刻调用
Offscreen 作用：MV3 专门提供的隐形离屏 HTML 环境，用来在后台 Canvas 上拼卷绘制 PDF 字节流。
分卷流式解法：按视口切片。每滚一屏截一张图，画满一页 PDF 后立刻调用
pdf.addPage() 写入磁盘流并释放上一页 Canvas 内存，彻底解决了超长网页超出浏览器 4096x4096px Canvas 内存上限导致的黑屏崩溃崩溃。
Tabspace (Chrome 新标签页工作台)
本地优先 Chrome 新标签页工作台，支持 review-before-apply
追问 Q&A：Local-first 原理与 Review-before-apply 机制
Q：什么是 Local-first 本地优先？什么是 Review-before-apply？解决了什么痛点？
Local-first：所有 50+ 标签页标题和分组存放在浏览器 IndexedDB 本地数据库，0 毫秒秒开且 100% 保护隐私。
Review-before-apply (先预览再应用)：借鉴 Git 提交前的
Review-before-apply (先预览再应用)：借鉴 Git 提交前的
git diff 预览。当算法建议收纳 20 个标签页时，系统绝不自动关闭页面，而是弹模态框列出页面，允许用户取消勾选其中 3 个重要页面，二次确认后再应用，彻底解决了传统工具（如 OneTab）盲目一键收纳误关重要页面的硬伤。
10. 四大项目的下一步 Roadmap 优化思考（面试加分项）
MindBridge 记忆引擎：树状摘要与无监督聚类
层次化长文本摘要 (Hierarchical Summarization)：借鉴 RAPTOR / MemWalker 建立树状记忆（L0 原始对话 ➔ L1 会话小结 ➔ L2 主题/月度偏好），粗粒度路由下钻，大幅提升检索效率并消融旧数据冲突。
无监督聚类去重：用 HDBSCAN 计算余弦距离，对相似度 > 0.88 的卡片触发 LLM
无监督聚类去重：用 HDBSCAN 计算余弦距离，对相似度 > 0.88 的卡片触发 LLM
merge_memory_cards 合并更新。
Vance AI 健身搭子：端侧 CoreML 姿态捕捉与评估
NPU 硬件加速姿态识别：集成 CoreML MoveNet / Vision 框架，在 Apple NPU 上 60 FPS 实时提取 17 个关键骨骼点，判断深蹲膝盖内扣与弯腰代偿，100% 隐私保护且零延时。
CorpCheck 财报 RAG：GraphRAG 知识图谱与公司别名字典
GraphRAG 实体图谱：建立 Neo4j 关系图谱（Nodes: 公司/供应商/原材料），以双向 BFS 锁定产业链路径，解决跨公司供应链风险问答。
公司别名映射字典：结合 SEC 官方 CIK 字典（Central Index Key），将别名统一归一化为 CIK 代码（如 AAPL ➔ 0000320193）。
公司别名映射字典：结合 SEC 官方 CIK 字典（Central Index Key），将别名统一归一化为 CIK 代码（如 AAPL ➔ 0000320193）。
1Day 视频日记：Metal Compute Shaders 硬件加速渲染
Metal GPU 并行加速：底层管线升级为 Metal 计算着色器 (MSL)，在 unified memory 统一内存中直接并行做像素变换与转场，4K 视频导出速度提升 3~5 倍。