中国太平笔试

给准备投这家公司的友友提供一下面经作为参考八股顺序不太记得了。1.自我介绍2.项目介绍（这块答得很烂，感觉面试官不感兴趣，都没怎么追问细节）3.讲讲mysql b+树（提到b+树基本结构，减少磁盘OI）4.事务的隔离级别（四个都提到了）5.讲讲JVM内存模型，双亲委派机制（基本都回答上来了）追问类加载器能不更改掉双亲委派 （这个回答了无法轻易更改，因为安全问题）6.线程池的类型（这个忘记了）线程池核心参数（这个答上了）7.syn和reen的区别（这个当时只记得后者可以实现公平锁，现在才意识到还有很多不同）8.谈谈spring的IOC    （讲了一下控制反转，解耦）9.讲一下如何处理循环依赖（提到了三级缓存，和只能解决单例下的循环依赖）10.容器了解吗（不太了解，只了解了一些docker但没真的部署过）11.大模型开发软件cursor和trae有使用过吗（没使用过)补充一点：追问了项目中事务是怎么实现的（这个确实不了解，只会用@Transactional）面试官建议：了解一些前端的知识，在校要主动多使用大模型开发，了解前沿技术。提到我代码能力还是基础不是很充足。一共面了20分钟，面完就知道大概率无了，感觉还是项目都没有怎么细问,个人感觉像是因为没有上线过的原因。有点疑问想咨询一下：这是我第一次面试，感觉面试官都是让我主动谈谈项目啊，八股啊。我感觉我如果一下把点都回答了，那面试官问的就都是我没准备的，但如果刻意讲讲的时候没有答完整，留一些让面试追问的又可能不会追问而是跳过，再觉得你基础不行。所以我很纠结这种讲讲谈谈要怎么回答合适，怎么把握那个度。也可能是我太菜了,前面项目那回答太差就挂了，后面只是走流程，所以才会这样。平常自己找AI面试都是AI会追问细节和具体内容，今天实际面一下发现差别还是好多。

最近有不少同学问我关于 AI 应用开发方向的求职思路，尤其是背景不算顶尖时该怎么规划。我自己是专升本出身、双非硕士，经历过两段实习——一家小厂和一家物流中厂，做的都是比较核心的业务，时至今日，也是拿了几个薪资还比较客观的offer。这篇帖子不讲鸡汤，只讲方法论，希望对正处于春招的同学们有参考价值。一、先把自己的背景看清楚，再谈规划很多人求职时第一步就去刷题、背八股，却没有想清楚一件事：自己究竟适合投哪类公司、哪类岗位？背景决定初始路径，这一点在 AI 应用开发方向尤为明显。以我的情况为例：专升本 + 双非硕，意味着在简历筛选阶段会被部分大厂直接过滤。接受这个现实，不是认命，而是为了把精力集中在...

1.面向对象：封装，继承，多态2.Java数据结构类型&集合类型&异常处理3.hashmap怎么全部在控制台输出（不会。。）4.并发编程，线程池之类的5.常用sql语句（连create建表都宕机没想到）6.一些开发常识：前后端联调（apifox）,git，腾讯CNB7.JVM拷打（只说了gc，就不会了。。）8.sping哪些注解9.jav项目打包发布（答的maven,jar啥的）10.实习的开发流程11.做项目过程中解决不了的经历12.AI coding经历13.项目拷打14.考虑高可用高并非没（答的MQ，分库分表）15.遇到新技术的思路，个人规划无手撕，45min总结：还得练，继续沉淀八股反问：组织架构和工作时间（朝九晚六，会加班）后续：第二天hr面后续：感觉是业务主管，面了一小时，没啥技术问题，口头offer了，考虑ing

作为一名正在摸索入行的 AI 应用工程师新人，我把近期收集的资料做了一次系统梳理，聚焦岗位核心能力，把从大模型应用开发、模型调优到工程化部署的全链路技术栈拆解开。一方面给自己定一个清晰的学习方向，避免在海量知识点里越学越乱；另一方面也分享给同样在入门的牛友，一起参考、一起进步。一、核心应用技术1. 提示工程 Prompt Engineering需要熟练掌握角色设定、思维链 CoT、零样本 / 少样本学习、格式约束、抗幻觉等通用技巧；针对 GPT-4o、LLaMA 3、Qwen、Claude 等不同模型做提示词适配，根据问答、摘要、翻译、代码生成等任务做针对性优化。实战上要能搭建可复用的提示词模板库，支持参数化调用和效果评估，解决模型输出不稳定、格式乱、语义跑偏等问题。2. 检索增强生成 RAGRAG 是解决大模型幻觉、落地知识密集型场景的关键，要求能完整搭建一套端到端系统。核心流程包括：文档处理：多格式加载（PDF/Word/TXT/ 网页）、多种文本切分策略向量工程：嵌入模型选型、向量生成与效率优化检索优化：向量检索、混合检索、重排序，提升召回与准确率生成优化：上下文压缩、查询改写、检索结果融合进阶方向可以了解模块化 RAG、GraphRAG、知识库增量更新等方案。3. LLM Agent 开发基于 LangChain /llamaIndex 搭建 Agent，掌握任务拆解、工具调用、结果整合、记忆管理的完整流程；能自定义工具（API、数据库、计算器、外部服务等），设计调用逻辑与失败重试机制。实战要求实现多工具协同、长短记忆管理，能处理数据分析 + 报告生成、多轮复杂问答等场景。二、模型调优与后训练1. 监督微调 SFT能完整设计 SFT 流程：数据集构建与清洗、模型选型、学习率等超参调优；熟练使用 LoRA / QLoRA 轻量化微调，基于 PEFT 库在普通显卡上完成训练，控制显存和成本。最终要能在分类、对话、意图识别等任务上落地微调，并输出对比评估结果。2. 强化学习与偏好对齐了解 RLHF、DPO 的基本思路，能用 TRL 等开源库做简单的偏好对齐训练，减少模型幻觉、违规输出，让生成内容更贴合业务规则。3. 模型压缩与推理优化掌握 INT4/INT8 量化、剪枝、知识蒸馏，用 BitsAndBytes、GPTQ 等工具在可控效果损失下压缩模型；能将模型转为 ONNX / TensorRT，支持本地与边缘部署，提升推理速度。三、工具与框架体系语言与基础：Python、Pandas、Numpy 数据处理深度学习框架：PyTorch、TensorFlow，Hugging Face 全套生态应用开发框架：LangChain、llamaIndexAPI 服务：FastAPI、Flask 封装接口，对接 OpenAI、智谱、通义千问等商用 API四、数据存储与检索结构化存储：MySQL/PostgreSQL 存用户、配置、日志缓存：Redis 做缓存、会话管理、降低重复调用成本搜索引擎：Elasticsearch 做关键词检索向量库：FAISS、Milvus 搭建向量知识库，支撑高并发 RAG 检索五、工程化部署与监控Docker 容器化打包，docker-compose 多组件部署日志与监控：ELK、Prometheus + Grafana 监控接口、推理性能、资源占用安全合规：密钥加密、权限控制、数据脱敏，满足企业安全要求六、前沿技术与行业认知持续关注 LLaMA 3、Qwen、Mistral 等开源模型迭代，以及 LangChain 等工具更新；了解多模态、智能体进化、Modular RAG、知识图谱融合等方向；结合企业服务、智能制造、智能客服等落地案例，学会把技术和业务场景结合，给出可落地方案。