1. hashmap底层原理2. hashset与Treeset3. 自动拆箱和自动装箱4. equals和hashcode（），不重写hashcode会怎么样5. 项目中使用了validation做参数校验，说说底层原理6. 项目中使用了agent智能体，用来做什么的7. 反射8. Rag有什么作用9. 遇到多个文件需要存放到rag，怎么解决10. 平时如何学习新知识的11. 反问面完面试官口头给了offer，因为工作内容是给ai写的代码进行评分和review，没去

如果你现在想入行AI，别一上来就啃什么反向传播、数学推导，大概率坚持不下来。直接奔着RAG去，这是企业最缺、上手最快、简历最好写的方向。RAG到底是啥？全称检索增强生成，说白了就一句话：让AI学会翻资料再回答问题。以前的大模型全凭“脑子里的知识”答题，问它“咱们公司年假怎么休”，它直接懵——它又没在你公司上过班。RAG不一样：你先把自己公司的员工手册、技术文档、会议纪要、客服聊天记录全喂进去，存在一个叫“向量数据库”的地方。员工来问问题，系统先去库里找相关材料，然后把材料+问题一起给大模型，模型照着材料回答。效果立竿见影：客服不用翻几百页手册了，秒回客户问题新员工入职，自己问AI就能熟悉业务代码报错了，AI自动查历史bug库给解决方案销售要写方案，AI去库里翻过往中标文档做参考为啥企业抢着要？因为每个公司都有自己的知识积累，通用的GPT用不上。而RAG能把公司内部经验和AI能力打通，成本低、见效快、不出错。老板一听就两眼放光。入门学啥？就两样：1. 向量数据库——存知识的地方。学学怎么把文档切碎、转成向量、存进去、搜出来。主流的Chroma、Milvus、Pinecone挑一个玩熟。2. LangChain——搭流程的工具。学学怎么把“查资料+问模型”串成一条流水线，文档怎么切、怎么搜、怎么拼给模型。怎么做项目？就做一个：公司内部知识库问答机器人。拿几百页员工手册或者技术文档，搭一个能回答任何内部问题的机器人。部署到飞书、钉钉或者企业微信上，真能让同事用起来。这个项目往简历上一写，面试官一看：这人来了就能干活。

1、自我介绍2、讲一下你做过的一个最有代表性的项目3、RAG 里 chunk 怎么切，为什么这是个关键点chunk 切分会直接影响召回质量和最终回答质量。因为向量检索不是按整篇文档检，而是按切分后的片段检。如果切得太长，一个 chunk 里会混入很多无关信息，虽然语义覆盖大，但相似度不一定集中，模型拿到后也不容易抓住重点。如果切得太短，单个 chunk 虽然很纯，但上下文不完整，容易导致召回回来的内容缺少关键信息。实际做的时候一般会根据文档类型来定。像制度文档、说明文档，可以按标题、段落、语义边界切；如果是 FAQ 或问答对，本身就天然适合按条切。通常还会设置 overlap，避免一个关键信息...

12晚上面的，今天还是在初试阶段，是不是已经寄了