嵌入式能拿下那么多 offer，从来不是靠“会点单片机”这么简单，而是靠一整套扎实到能打穿面试的能力体系。第一，基础必须硬。C 语言不是会写 if/for 就够了，指针、函数指针、结构体对齐、内存布局、volatile、const 的本质、栈和堆的区别，这些都要能讲清楚底层逻辑。很多人死在“看起来会写代码，但解释不清为什么这样写”。面试官要的不是语法熟练工，而是能理解编译器和内存行为的人。第二，数据结构不是摆设。链表、队列、栈这些在嵌入式里是常用工具，而不是考试题。你要能在没有 STL 的情况下自己实现，并且知道时间复杂度、使用场景，以及在资源受限情况下如何取舍。比如环形缓冲区、内存池，这些都...

本人9本无实习经历，二月初开始面试，快手xhs简历都挂，京东一直泡池子，腾子三面挂，滴滴大模型算法一面挂，美团二面挂，亚麻OA都A了也挂，Google一面也挂。反正都是在挂中度过的，其实二月也是比较焦虑和陷入自我否定当中吧。但是还是比较感谢节子的速度的，而且面试的过程里面的氛围和节奏都很舒服，介绍业务和发展方向也是很明晰的。hr小姐姐人也挺好的，而且全程都是hr加我微信进行推进的，有什么情况和我说和和及时帮我推进流程，每次面试前都会提醒我今天的面试以及祝我顺利。（我感觉体感上面，志节是我面过的体验最好的一个了，从hr到面试官人都不错）timeline:3.6投简历推进评估3.7 hr打电话来约面3.9一面，20min后约二面3.11二面，二小时后约三面3.13三面，两小时后约hr面3.13hr面，面完就差不多oc了3.17 收到正式的offer

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...