1. 介绍实习，我这边实习做的是web3和ai，跟他讲了好久业务背景。主要围绕工作量证明以及如何结算代币和激励2. 介绍transformer的架构，qkv的作用，注意力机制3. 大模型推理的两个阶段？没太get到4. vllm：kv cache对于业务的优化，page attention稍微提了一嘴5. spring：ioc和aop的理解，aop什么时候失效。两种动态代理模式详细说说6. redis：五种数据结构底层原理，跳表和红黑树的对比，跳表什么时候退化，跳表最后会退化成什么样，红黑树什么时候退化，最后会变成二叉平衡树吗7. innodb为什么用b+树，与前面两个比较8. kafka的结构有什么，生产者消费者数量设置探讨，如何指定到某个partition9. agent相关：说说mcp，function calling，ReAct以及一些常见的设计范式，比如Plan & Exec10. 算法：无重复字符的最长字串11. 追问业务的时候还在问算法相关内容，说说stable diffusion和vit，视觉怎么样被大模型处理的误闯天家了，算法内容仅限了解过一点，广度深度都很一般。

1. 上次一面聊了你的项目，能再深入说说项目中遇到的最大挑战吗？最大的挑战是处理秒杀场景的高并发问题。当时模拟了一个促销活动，瞬间有几千个请求抢购商品。最初的实现是直接查数据库库存，然后扣减，结果出现了超卖问题，而且数据库压力特别大，响应很慢。我分析后发现主要有三个问题：数据库成为瓶颈，库存扣减不是原子操作，没有做流量控制。解决方案是多层优化。首先把库存预热到Redis，用Lua脚本保证扣减的原子性。Lua脚本先判断库存是否充足，充足才扣减，整个过程是原子的。然后在网关层用Sentinel做限流，超过阈值直接拒绝。订单创建改成异步的，扣完库存就返回，通过RabbitMQ慢慢处理订单。还做了一些...

自我介绍 有没有大模型相关的经历，聊了半天大模型挑个熟悉的项目讲下分布式锁一人一单https的s（对称加密之类的）websocket原理以及项目中怎么用的jwt原理以及项目中怎么用的（面试官很喜欢问这两个的底层原理）redis三剑客最后给了几个建议，比如简历融合些大模型相关的元素。处女面，问题都很简单，大部分答出来了但是有些原理没讲清楚，30min就结束了，感觉凉了，自己的问题，还得继续努力

发点面经攒攒人品1、你在线上或离线训练时，过拟合怎么处理？直接说你最有效的三个方法和拿到的收益。2、把 BN 讲透：原理是什么；训练期和推理期用的统计量有何不同；跟 LN、GN 比，分别什么时候用、怎么取舍。3、分类和回归你最常用哪些损失？你更偏好哪几个，为什么（从鲁棒性、梯度、数值稳定性上谈）。4、L1 和 L2 正则你怎么选？它们各自的效果与风险是什么，工程里你是怎么权衡的。5、二元和多分类的交叉熵你怎么写？在工程里你怎么做数值稳定实现。6、AUC 到底在统计上代表什么？你怎么计算它，在线上业务里你如何解释“这次 AUC 提升”的含义。7、你做 CTR/CVR/CTCVR 联合建模时，ESMM/ESMM2 是怎么推导与工程落地的？线上到底带来了什么收益。8、Transformer 里因果注意力的 Q/K/V 各从哪来？Mask 具体怎么实现。9、Scaled Dot‑Product Attention 为啥要除以 √dk？如果不除会出什么数值或训练问题。10、把 Transformer / Decoder‑only 的整体结构过一遍，各个组件分别在干什么，有哪些常见变体。11、位置编码这条线你怎么选：绝对 PE、相对 PE、RoPE 各自的思路、优势和局限，结合你的项目谈取舍。12、长上下文怎么搞？Rope scaling、Position Interpolation、KV Cache 管理、检索增强、窗口注意力，你的实战方案是什么。13、KV Cache 在训练和推理中的差异是什么？它的加速价值有多大，吞吐与延迟你是如何权衡的，vLLM/paged‑attention 需要注意什么。14、PEFT 方案里（LoRA/QLoRA/Prefix/Prompt‑Tuning/Adapter）你怎么选？说说稳定训练的经验。15、SFT 和对齐（RLHF/DPO/IPO/PPO）原理差在哪？在不同数据与资源条件下，你怎么选路线。16、RAG 系统你怎么设计？切分、索引、召回/重排、压缩/融合、兜底策略怎么串。17、提示词工程你是怎么搞的？System/角色/约束/分步指令怎么写，如何防越狱