腾讯PCG运营开发一面-2025-04-02

一面5.23号下午4点半base:深圳，时长1h1.自我介绍2.拷打第一个项目，项目是有关计网的，一直深挖项目还边拷打你计网八股文，问得特别细，考了好几个场景题3.拷打第二个项目，项目是有关Linux的，一直深挖项目，问操作系统以及Linux的各种八股文，还考好几个场景题4.问实习，主要做的什么，技术栈是什么，解决了哪些问题。5.反问全程无手撕，拷打项目和实习，直接被问懵了。面试官人很好，答不出来的细心解答，是我太菜了。

腾讯-校招内推 热乎乎的内推码：EUTPZZRV  在腾讯，你将有机会参与引领行业发展的项目，实现个人与企业共同成长。 走上面链接投递就是我内推，全程push 杜绝石沉大海 分享一些面经： 第一轮技术面  闭包作用及实际应用场景 HTTP/1.1、HTTP/2、HTTP/3的核心差异 实现红绿灯控制效果（异步时序逻辑） React Hooks的设计动机与类组件对比 浏览器事件代理原理及实际应用 手写Promise核心逻辑（包含resolve/reject） 数组去重与高频字符统计算法 Web安全防护措施（XSS、CSRF） 浏览器渲染流程与重排/重绘优化 跨域解决方案（JSONP、CORS、代...

RAG 是啥？RAG，全称 Retrieval-Augmented Generation，意思是 “ 检索增强生成 ” 。以前的 AI 模型知识有限，还可能答错或者答得不靠谱，而且企业用起来也不安全。RAG 就是来解决这些问题的！它能让 AI 在回答前先去 “ 图书馆 ” （知识库）搜资料，再给出答案。RAG 怎么干活？RAG 的工作流程简单来说就是三步走：你问我答：用户问问题，比如 “ 今天吃什么好？”，RAG 系统接收到了。翻书找答案：RAG 的 “ 小助手 ” 会飞快地在知识库里找相关资料，比如美食推荐、营养搭配之类的。整合输出：把找到的资料和问题混合在一起，扔进大模型里加工，生成一个超棒的答案，比如 “ 今天你可以试试清蒸鲈鱼，肉嫩味美，还很营养哦！”。RAG 的核心组件RAG 主要有两个核心组件：检索器（Retriever）：就像在图书馆里负责找书的管理员，能在知识库里快速定位到相关资料。生成器（Generator）：拿到资料后，它就像个作家，把资料和问题结合，生成最终的回答。RAG 跟其他技术比有啥厉害之处？对比直接用大模型 API 或者微调，RAG 有这些牛 X 的地方：知识更新快：知识库能实时更新，AI 就能立马掌握新知识，不用重新训练，省时省力。省钱省心：不用大规模重新训练模型，成本大大降低。不会忘事儿：不会像微调那样，在没训练过的任务上表现不好，稳稳地保留了模型的通用能力。不过呢，RAG 也有点小缺点，比如在特别需要深度理解和风格模仿的问题上，可能就没微调那么厉害。RAG 的关键环节和挑战文档切分（Chunking）：把文档切成合适的大小，就像切蛋糕一样，得找到那个完美的大小，不然可能影响检索效率。Embedding 模型选择：选对模型就像给汽车选发动机，直接决定向量表示的质量，影响后续的检索和生成效果。检索效果评估：得时刻监控检索的召回率和精确率，就像给检索系统做定期体检，有问题及时调整。向量数据库的作用：它是高效存储和检索向量表示的中流砥柱，就像给知识库装上了超级导航，能快速定位到相关信息。整体效果评估：要时不时对 RAG 系统来个全方位体检，从生成答案的准确性、相关性等方面打分，确保系统一直在线。

京东和美团大战后，淘宝闪购现身，也全是大额券现在我想点个奶茶就三家轮流看，比价后，哪家力度大就点哪家。本来一个月喝不到一两次奶茶的，可是打开软件一看就三四块钱的奶茶，不喝真的说不过去了现在每天一杯奶茶，实在是忍不住啊。。。商战害人不浅啊，再喝下去我血液里都是奶茶了。。。