1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

感觉我的简历在本科生中也不算差，面试的时候八股和算法只要不挖的太深都回答的上来，为什么老是被一面挂😭最近被一面挂麻了，即使问了面试官对我的印象说还不错也仍然被一面挂，真有点怀疑人生了😭

在前端性能优化中，懒加载几乎是必考概念。但很多人一提懒加载，只能说出两句话：路由懒加载用 import()图片懒加载用 IntersectionObserver这在真实项目和面试中，远远不够。这篇文章从加载对象、作用层级、真实业务动机三个维度，系统讲清楚——前端里到底有哪些懒加载，以及它们各自解决什么问题。什么是懒加载？一句话定义：懒加载 = 把“现在不需要的东西”，从初始化阶段推迟到真正需要时再加载。本质目标只有三个减少首屏资源体积降低初始化 JS 执行压力提升关键性能指标（FCP / LCP / TTI）前端懒加载的完整分类总览可以按 懒什么 来分类：分类懒加载对象路由级懒加载页面模块组件...