为啥HRBP老是挂啊？

3.19（周四）一面3.24（周二）二面3.27 （周五） 三面 当天 oc3.30 （周一） 正式 offer一面是两个面试官，应该是+1 和技术 leader，面试氛围特别好，两个面试官讲话都很亲和，主要是 AI 相关的概念题和场景题，前端八股问得比较少二面居然是 hrbp 面，始料未及的一面，不过还好问得是比较常规的 hr 面问题三面是主管面，终于给我想起来录音了！下面是具体面经：1. 请简要地做一个自我介绍。2. 你的 UI 组件库是完全手写的还是基于现有开源库修改的，选择自己手写的原因是什么？3. 请讲讲 React 组件的生命周期。4. 如果需要优化一个前端页面的打开速度与性能，具体可以采取哪些举措？5. 在浏览器输入网址后直到页面完全展示出来，背后究竟发生了什么事情？6. 请尽可能多地列举 HTTP 状态码及其含义，并解释 206 状态码的意思。7. 原生 JS 写得多不多？原型链的存在意义是什么，它的最上层又是什么？8. ES6 中的 class 关键字与传统的组合式继承之间有什么关系？9. JS 中 this 指针的传递和判断机制是怎样的？箭头函数是否拥有 this 指针？10. 近期对 AI 领域的了解情况如何，是否有在本地部署试玩过大模型（如 OpenClaw）？11. 在 AI 代码生成能力日益强大的背景下，前端工程师未来的出路和发展方向在哪里？12. 如果向产品经理方向发展，需要额外补充哪些新增的素质或能力？13. 对大模型应用开发相关技术栈（如 LangChain、RAG、Agent 等）是否有过具体的实践了解？14. 接下来的学校时间安排是怎样的，能否满足长期实习，未来是打算直接工作还是继续深造？

一面-来自其它组的技术面1、自我介绍2、负责的较难的模块3、工作里的风险点你为什么不上报？4、个人项目5、工作内容，上家公司情况6、值类型与引用类型区别7、装箱拆箱8、GC9、MVC和ECS10、分帧加载11、抽奖如何做到公平，以及抽奖函数设计12、AI对于编程有哪些方面的益处？你会用在工作里的哪些方面？13、在工期紧张的前提下，你需要在一堆屎山里完成超预期的工作，你会怎么处理？会不会优化屎山？何时优化屎山？二面-来自面试组的技术面1、自我介绍2、上家客户端大概多少人，怎么分工3、对ai的使用4、对于ai的看法5、你对于哪些方面知识不想让ai来代替你操作？6、AI有些方面已经做的很好了，我们有...

一、 深度技术方案设计（高并发与可靠性）消息系统设计：在高并发场景下，如何设计一个小程序消息推送系统，同时兼顾实时性和可靠性？如何解决消息重复推送和延迟的问题？消息队列（MQ）细节权衡：为了保证不丢消息，如果要求写入所有 Partition 副本再返回，会如何影响实时性？如何在性能与安全之间做权衡？当主副本（Leader）宕机且数据未同步到从副本时，产生的消息丢失问题该如何解决？（考察对 Offset 水位、ACK 机制的理解）。并发与幂等性控制：在消费者端做幂等判断时，如果两个并发请求同时查 Redis 发现都没消费过，导致重复处理，该如何解决？高并发下单场景：同一个用户瞬间发送多个下单请求（如限购1件），如何控制并发以防止超卖或重复下单？追问：如何具体保证操作的原子性？（如 Lua 脚本的应用场景）。二、 架构能力与跨团队协作（软素质与流程）面试官明确表示这一环节侧重于团队协作和技术架构层面的思维：推动技术标准统一：假设不同业务线使用的加密标准（如 AES 密钥管理）不统一，你如何推动大家执行统一的标准？如何撰写技术提案？跨团队的沟通策略是什么？冲突处理与说服力：如果某个团队以“业务极其紧急”为由拒绝配合统一标准或系统优化，你该如何说服他们？系统重构与风险控制：推动系统重构时，需要考虑哪些层面？如何保证安全切换？（考察灰度发布、切流策略、监控指标 TP99、客诉观察等）。故障复盘与流程优化：场景模拟：上游算法团队修改了接口字段名，导致前后端崩溃，如何快速止损？深度思考：除了代码回滚，从组织协作和流程规范层面，如何避免此类问题再次发生？（引导回答：契约测试、变更规范、回归测试等）。三、 编程与算法考察面试官提供了三道笔试题，并针对代码逻辑进行了追问：任务调度逻辑题：考察在给定时间限制内能完成的任务数量（需考虑任务的前后依赖或时间重叠）。整数反转：追问：如果反转后的结果超出了 int 的上限，在代码中如何处理溢出问题？数学逻辑题（容器倒水/量水问题）：考察如何通过两个不同容量的容器得到目标水量的逻辑推导能力。

1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...