这个是4.30的面经 我一直没来得及整理1. 自我介绍，包括个人背景、经历，以及 AI 大模型如何融入学习和实践2. 使用 AI Coding 工具时遇到过什么问题，怎么解决答案：AI Coding 最大的问题不是不会写代码，而是它容易写出“看起来能跑但不符合项目约束”的代码。比如它会新增不必要的抽象层、改动无关文件、吞异常、遗漏权限校验、把敏感字段打进日志，或者生成一个和团队代码风格完全不同的实现。我的做法是先给它明确上下文和边界，不让它自由发挥。比如只允许修改指定文件，不允许改接口签名，不允许新增依赖，不允许修改数据库 schema。生成代码后，我会先看 diff，再跑测试，再重点 rev...

最近写了简历，想找测试相关的工作。想问问大家这个简历有哪些问题?（自己也感觉有很大问题，没有实习经历）可以进面吗？还有哪些能够修改的地方

差点把线上搞崩那次，到现在想起来手心还会出汗。实习第六周，我改了一个配置参数。自测过了，跑了几个case没问题，心想这么小的改动走什么灰度啊，直接上呗。提交MR的时候mentor拦住了我，说走灰度。我当时内心是翻白眼的——至于吗？灰度放了1%的量，五分钟之后监控开始报警。我改的那个阈值，影响了下游一个缓存服务的淘汰策略。我看着监控面板上那条飞起来的红线，感觉自己的血也凉了。mentor倒是很淡定，一键回滚，然后跟我说：这个接口日调用量几千万。如果刚才全量上了，你今天就可以体验什么叫P0事故复盘了。那一刻我是真的怕了。不是怕被骂，是怕影响真实的用户。之前在小厂实习，出了bug重启一下就好了，DAU才几千，没人在意。但大厂不一样，你敲的每一行代码背后都是真实的人在用。从那以后我再也没有跳过任何一个流程。你说大厂的流程烦不烦？烦。但被流程保护过一次之后，你会真心感激这份烦。感谢我师，就我🐶命

Q1：大模型是怎么让生成的文本丰富而不单调的呢？答案：从训练角度来看：基于Transformer的模型参数量巨大，有助于模型学习到多样化的语言模式与结构；各种模型微调技术的出现，例如P-Tuning、Lora，让大模型微调成本更低，也可以让模型在垂直领域有更强的生成能力；在训练过程中加入一些设计好的loss，也可以更好地抑制模型生成单调内容；从推理角度来看：基于Transformer的模型可以通过引入各种参数与策略，例如temperature，nucleus samlper来改变每次生成的内容。Q2：什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？答案：Bert 的...