面试官很和善，引导的很好，技术理解的题答不出来会讲解然后跳过，感谢1.主要拷打项目和实习工作时的主观能动性，比如为了解决什么样的问题或者需求做的，工作时对项目的整体架构探索和需求背景的了解；2.提问hook和工具函数的区别，只从复用角度为什么还要用的自定义hook而不是封装成工具函数；3.前端框架的意义；4.diff和如何降低多叉树复杂度；5.找出无序数组的连续区间（思路有但没写出来，刷题刷傻了，想复杂了）；6.如何使用ai工具，使用哪些编译器，项目编译前后分别是什么；7.vite，webpack如何配置；总之考察思维和开放题为主。收获：提升了自信，以及还是要提升解决问题的能力，不能一味刷八股...

这种要去吗？

说个可能不太"ZZ正确"的大实话：大厂实习经历在找工作中的加成，比你想象的大太多了。我去年暑期在某大厂做推荐系统实习，说实话活不算特别有深度，主要是做特征工程和一些AB实验。但秋招的时候，简历上这一行带来的好处是全方位的。首先是过筛。投了20家，70%的简历通过率。我室友背景跟我差不多，但实习是一家没听过名字的小公司，15家过了3家。你说是能力差距吗？不是，纯粹HR看到大厂名字就默认你至少不差。其次是面试氛围。面试官看到你在xx厂实习过，态度明显不一样，会默认你的基础能力没问题，更多地聊项目思路和方向判断，而不是从头盘问你基础知识。我室友面试经常被追问八股文，我反而很少被问到。

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...