1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

emmm没想到以这种方式被挂了

二面和一面完全不同，二面基本不问八股，上来就问项目，然后是系统设计，最后才有几道深度技术题。整场面试节奏很慢但每个问题都很深，他会顺着你的回答一直追问，感觉是在考察你解决实际问题的能力，而不是背答案。1. 介绍一下你做过的最复杂的项目，遇到的最难的技术问题是什么，怎么解决的？答：（结合自身项目回答，以下是参考思路）以一个电商订单系统为例，最难的问题是高并发下的库存超卖问题。问题背景：秒杀活动时大量请求同时到来，数据库的乐观锁方案在高并发下冲突率极高，大量请求失败重试，反而加重了数据库压力，最终导致数据库连接池耗尽，整个服务不可用。分析过程：用压测工具模拟秒杀场景，发现瓶颈在数据库层，乐观锁的 ...