这种是不是骗子啊？

前言近一年，大数据面试的风向正在发生明显变化。过去，面试官更关注：数仓分层怎么设计？指标体系如何构建？Spark 调优怎么做的？而现在，越来越多的面试开始追问：你有没有做过 AI 相关项目？LLM 在数据场景中如何落地？RAG 是怎么设计的？AI 不再是「加分项」，而是逐渐成为「基础能力」。但问题是 很多人所谓的 AI 项目，只停留在：调个 API写个简单问答 Demo这在企业级场景里，是远远不够的。真正有含金量的 AI 项目，必须要解决真实业务问题，并具备：检索增强（RAG）落地能力LLM 语义理解与 Prompt 设计能力工程化架构能力（可扩展、可复用、可维护）而在我们当前的数据仓库体系中...

继续来分享下之前的面经~欢迎友好讨论，信息共享1.介绍一下你做过的推荐相关项目。2.为什么不直接用单任务模型去预测 PCVR？这样不是更直接吗？3.为什么多任务模型会比单任务模型效果更好？4.在 ShareBottom 结构中，输入的特征是怎么选择的？5.广告模型中使用的特征主要有哪些类别？6.用户侧特征都包括哪些？7.做模型结构优化之前，有没有考虑过先从特征统计层面做优化？8.PLE 和 MMoE 有没有用过？9.为什么它们的效果不如当前使用的模型结构？10.共享屏幕，随机打开一篇介绍 MMoE 的博客，讲一下它的核心思想。11.MMoE 你觉得最大的亮点在哪里？12.写一下 MMoE 的伪代码13.在做特征优化时，你是从已有特征中选择一部分做增量，而不是不断增加新特征，这个策略是怎么考虑的？14.Q、K、V 的并行计算是怎么实现的？

1、基本情况：是否在学校、家乡、目标城市2、学业安排：课程情况、能否离校实习、是否与学院/导员沟通3、自我介绍：个人情况、技术、项目、竞赛介绍4、学习背景：Java学习途径、投入时间、开始时间、为何选Java5、岗位认知：是否了解岗位工作内容、业务方向6、工作接受度：对开发30%-50%+实施/测试/运维/需求分析的看法7、技能掌握：前端（Vue等）了解程度8、在校情况：成绩、挂科、四六级9、行业认知：如何看IT行业节奏与强度、能接受怎样的加班10、性别观点：如何看女生做开发的优劣势11、职业规划：3-5年规划，坚持开发还是转管理/产品12、到岗与稳定性：一周内到岗？实习6个月以上？13、设备...

这家公司疯了吧，5个人招我，我又不是什么稀缺资源这家看样子应该是外包公司