一、先搞清楚：大厂到底在考什么C++ 面试从来不是“会不会语法”，而是三层能力筛选：1. 语言掌控力（基础但不基础）重点不是“会用”，而是“知道底层发生了什么”：对象模型（虚函数表 / 内存布局）构造 / 拷贝 / 移动语义RAII 与资源管理智能指针本质（shared_ptr 引用计数怎么实现）👉 面试官真正想听的是：“你能不能解释编译器帮你做了什么”2. 工程能力（拉开差距的核心）大厂非常看重：STL 是否“真的用对了”是否理解 allocator / iterator / 容器复杂度是否写过线程安全代码是否踩过内存泄漏 / 数据竞争坑典型追问：vector 扩容为什么是 1.5/2 倍...

年前一面通过，后面问是否考虑外包岗位，撤回的消息说的是“没办法，学历是硬性指标”，难绷那你面我干啥呢，浪费双方时间，你早说是外包岗我还接你面试干啥😂

在这个喜结良缘的日子里，起初帮我哥带了一路的花束，没想到最后是我接到了嫂嫂抛的花[转圈]，这就是幸福的传递吧🥰。再次祝福哥哥嫂嫂永结同心，甜甜蜜蜜。也祝福我自己顺利度过校园旅程，不枉这段时间的努力成功收到offer，能在下一段旅途更进一步

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...