攒人品中，祝大家都能拿到满意的Offer！Q1 平常接触的大模型有哪些？都做了哪些工作？Q2 模型的测评指标都有哪些？Q3 针对简历中的项目经历进行提问Q4 项目经历中的产品指标，系统集成以及算法指标以及用户体验相关指标Q5 自身如何看大做过的这些项目？有何优化空间？

先说一个让双非选手感到不公平的真相2026年春招，全国应届毕业生数量预计超过1300万。985和211的毕业生大概占其中的30%，但他们拿走的大厂offer比例超过60%。这个数字确实不公平。但不公平的根源，未必完全是“能力差距”，更多是系统性的信息差和方法论的差距。我接触过大量双非选手：他们中的很多人技术能力并不弱，但在求职竞争中屡屡败给能力相当甚至更弱的名校生。原因往往不是面试表现，而是在面试之前就输了——简历筛选、内推渠道、赛道选择，这三个地方双非选手要么没意识到，要么走了错误的路。✨破局一：内推渠道，你可能没用对双非选手最应该走的渠道是内推，而大多数人却在官网海投浪费时间。内推渠道的三个来源：第一，牛客网——找到目标公司、目标岗位的内推码，联系时附上你的简历摘要（3到5行核心信息）和一句说明你为什么适合这个岗位的话；第二，领英——搜索目标公司的在职员工发送连接申请，很多在职员工有内推奖金激励，他们主动愿意帮你；第三，校友网络——每一所学校都有进入大厂的校友，他们因为情感纽带更愿意帮助同校学弟学妹。一个真实数据：同等简历质量下，走内推渠道的简历通过初筛率约为直投的3到5倍。这个倍数足以抵消双非学历带来的劣势。🎈破局二：简历改写，让经历开口说话双非选手的简历普遍存在一个问题：有东西，但不会写。改写前：“参与开发了一个在线考试平台，负责后端接口开发，使用Spring Boot和MySQL，完成了用户管理和题目管理模块。”改写后：“参与开发一个面向1000+用户的在线考试平台（团队3人，我主导后端）。针对高并发考试场景，设计了基于Redis的考试状态缓存方案，将并发用户数从200提升至1500+，接口响应时间从平均800ms降至120ms。同时通过MySQL索引优化减少了60%的慢查询。”改写后的版本有：团队规模、个人贡献比重、具体技术方案、可量化的性能提升数据。这四个要素才能让面试官感受到你的能力。如果你的项目真的比较简单，数据有限，可以通过比较来体现进步：绝对数字不大不要紧，相对提升幅度同样有说服力。🤳破局三：反向选择赛道，避开红海这可能是这篇文章里最重要的一点。很多双非选手陷入Java后端内卷的死局——Java赛道竞争者最多，双非学历在这条赛道上处于劣势最明显。2026年春招数据显示，以下几个方向供需比相对更友好：Go/Rust后端，大量云计算公司需要Go工程师，市场上有经验的Go工程师供给远少于Java，学历维度的筛选更宽松；全栈开发（Node.js+React），中小型互联网公司大量需要，竞争不如纯后端激烈；数据工程（Flink、Spark），需求稳定，技能门槛偏高导致供给有限；Android/iOS移动开发，近两年移动开发人才供给减少，但需求依然稳定。赛道选择是双非选手最容易被忽视的策略。在竞争对手最少的地方展示你的能力，胜率会高得多。👀破局四：项目加分项，让简历更有竞争力如果你没有大厂实习，也没有顶级竞赛成绩，三个方向可以快速补足：第一，开源贡献。在GitHub上为活跃项目提交PR，找标注了“good first issue”的问题。哪怕只有一个小PR被合并，写进简历的价值远超“学习过XXX框架”。第二，技术博客。在掘金、知乎上发布3到5篇有深度的技术文章（不要是入门级别的），把博客链接放在简历个人信息区，面试官如果点进去看了，你已经有了一定优势。第三，竞赛和资质证书。参加天池大数据、Kaggle等技术竞赛，或者考取AWS认证、谷歌云认证，这些能在一定程度上弥补学历标签的劣势。最后说一句让你宽心的话我遇到过太多双非选手，他们在求职路上走弯路不是因为能力不够，而是因为信息差。大厂不是只招985的，很多一线团队的面试官根本不看学历，他们看的是你在面试过程中能不能解决问题，是否有思考深度，能否快速学习。学历是门槛，不是上限。用对方法，把精力放在内推渠道、简历改写、赛道选择这三件事上，你会发现双非和985之间的距离，比你想象的近得多。

继续来分享下之前的面经~欢迎友好讨论，信息共享1- RAG痛点2- 检索精度与召回率的平衡（如chunk粒度优化） 如何解决多跳推理问题？3- 知识更新机制（小红书UGC内容高频更新如何应对4- LLM针对RAG的优化5- 是否用LLM直接生成Embedding？如何解决生成式检索的稳定性6- 提示工程优化（如HyDE技术在小红书的应用场景）。7- 幻觉问题8- 检索结果置信度过滤方案？是否引入知识图谱作为验证层9- 检索污染处理10- 用户生成内容（如错误美妆知识）如何清洗？实时性（如突发谣言）如何应对11- 图文对RAG产品设计12- 多模态检索方案（图文联合Embedding vs. 分离对齐）13- 如何将用户评论/标签纳入检索增强