问的很保守，也很简单1. 自我介绍2. 实习经历3. rpc和http的区别4. 为什么微服务用rpc不用http5. rpc协议会有什么上下文内容（这个问的很怪..感觉没必要）6. dsn了解吗7. mq了解吗8. 用没用过kafka（没用过，但说了一下kafka零拷贝）9. 手撕岛屿数量10. 反问

问排查问题问的特别细，结合巨多场景，崩1. 自我介绍2. 实习经历接下来开始一套极其详细且折磨的排查问题的经历，在参与排查问题的时候真的记不住qps，一般就是按照曲线图来查相关日志，复现，但面试官很介意这个。3. 你认为该怎么设计来避免类似的线上问题（我这边答加缓存与中间件 看样子不是很满意）4. 如果数据量继续激增，你所说的那些还是扛不住该怎么办。5. 拷打实习项目，不继续赘述第一次讲实习讲了将近50min6. 手撕LRU这里鼠鼠有一些疑惑想问大家，可能是我所处的事业群的缘故，对于线上问题的修复更多都在定位，如果数据量大一般的处理方案都是加机器或者中间件集群，做个限流这样，除此之外真的也没啥特别好的处理方案了。不知道大家那边是怎么样的面试官可能还是比较介意我这边没有特别深入的思考吧。以此为戒。

发一下问题给大家参考，攒攒人品！1.你提到自己部署过Deepseek的模型，具体的部署脚本流程你了解吗，还是仅作为执行方?2.你们有自己的GPU吗?3.为什么要自己部署语言模型，API其实并不贵?4.模型参数量对语言模型有什么影响?5.若要使用大参数量模型，如何解决其自由发挥的问题?6.在提示词方面你熟悉吗?通用情况下，如何通过提示词获得更高质量的回答?7.我们岗位要做多样场景的AI工具机器人(如服务器运维巡检、网络巡检、市场分析等AI应用开发)，你是否能接受?8.你知道什么是向量数据库吗(结合AI+RAG场景)?9.为什么需要用向量数据库?它解决了传统大模型的什么问题?10.若要做企业知识问答机器人，利用企业内部的Word、PDF文档实现检索增强，你会如何完成这个需求?11.文档存入向量数据库的中间流程是什么?12.你提到的向量化是embedding吗?一般怎么做embedding，你有实践过吗?13.如何判断RAG的召回质量是否符合期望?若不满足，可调整什么参数优化?14.向量相似度度量有哪些计算公式(算法)余弦相似度15.你有没有做过AIAgent(如工具调用相关)，可以介绍一下吗16.做意图识别时，如何确保LLM能根据用户输入准确识别要调用的工具?写prompt17，若工具数量较多(如10-20个)，每个工具都写描述和示例会让prompt过长，有没有其他解决办法18.若20个工具可分为3-4类，如何设计两层工具调用提升意图识别准确率?

这个能去吗有含金量吗想问下