一面过了之后隔了三天约了二面，同样是视频面试，时长将近一个小时。二面的面试官是技术负责人，上来先深挖项目，然后是几道比较有深度的技术题，最后出了一道系统设计题。整体感觉比一面难不少，很多问题没有标准答案，考察的是思维方式和工程经验。1. 详细讲一下你项目中最复杂的模块，为什么这样设计？有没有做过重构？二面必问，而且会顺着你说的内容一直追问，所以只说自己真正理解的部分。回答框架：背景：这个模块解决什么业务问题，规模有多大（QPS、数据量）设计：核心架构是什么，为什么这样划分，技术选型的理由难点：遇到过什么问题，怎么发现的，怎么解决的演进：如果做过重构，重构前后的对比，重构的收益面试官最想听到的是...

目前进度是codetop前五页+hot100刷完了，八股背完了一轮但是感觉没背熟，求大佬们拷打简历

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...