今年春招我感觉更像“金一银二”：一开年岗位放量、流程推进快，面试邀约也更集中；但热门方向还是卷，门槛更看项目匹配和实习含金量。整体不是全面回暖，更像“有机会，但更挑人”。

1.面试官自我介绍2.自我介绍3.项目问题深挖4.String hash底层数据结构 探讨哪个存储更合理5.项目相关的一些问题 用户画像标签啥的6.本地缓存相关7.java8 的垃圾回收算法8.反问面试官人很好 ，主要都在问项目上的一些问题 是我太菜了 很多问题没答好

作为已经工作半年的Java开发，日常处理业务需求时经常会感到与数据交互的效率受限于传统的ORM框架和查询逻辑。Python在数据处理和机器学习领域的生态成熟度远超Java，NumPy和Pandas让数据清洗变得异常简单，而Scikit-learn更是将机器学习算法的使用门槛降到了极低。这不是要完全放弃Java，而是给自己装上另一条腿，当后端架构需要融入智能推荐、异常检测这类AI能力时，掌握Python就能让你在团队中发挥关键作用，毕竟技术选型往往由那些能跨越语言边界的人来主导。另一方面，云原生技术栈正在重塑应用交付的方式，Docker和Kubernetes不再是运维的专属工具，而是开发人员必须理解的基础设施概念。这半年里看到项目从传统部署转向容器化的过程，那些懂得K8s编排原理、了解服务网格和微服务治理的同事，在架构讨论中明显更有话语权。与其被动等待技术栈更新换代，不如主动拥抱云原生，让自己的视野从单个应用拓展到整个分布式系统的运行层面，这种从微观编码到宏观架构的视角转变，正是资深工程师与普通开发者的分水岭所在。

感觉对于具身智能的了解不足，有些问题回答得也不好，遗憾离场1.训练的数据是怎么构建的2.模型的参数规模是多少3.模型参数规模，例如100b、7b，主要差异体现在哪里4.是否熟悉moe架构5.介绍transformer架构6.SFT过程中loss是怎么计算的7.Token向量化具体怎么计算8.是否观察过训练时的loss变化9.Grpo的group大小怎么影响算法效果10.对GRPO算法本身有什么了解11.对clip是否有了解12.对于VLM模型的架构是否熟悉13.视觉编码器是否了解14.文生图模型的架构是否了解15.是否了解多卡分布式训练的相关逻辑，遇到过什么问题，怎么解决的16.对于强化学习有什么了解，如PPO、TD317.是否了解VLA、具身智能这些