离谱 合合信息这都能挂简历

1.问AI项目是企业的嘛，还是自己搞着玩的2.在一次http请求中涉及的协议栈都有哪些3.输入域名会发生什么4.ARP协议介绍5.http常用方法介绍，优缺点6.抓包是什么原理，为什么可以抓包7.介绍CAS8.java的线程池核心参数有哪些，介绍9.你一般会采用什么样的类型的线程池，什么情景会用10.拒绝策略介绍，他们的优缺点11.介绍hashmap的扩容机制12.为什么是翻倍扩容13，为什么翻两倍，三倍，四倍不行嘛14，你提到的方法还有没有代替方案15，什么是token16.token怎么来的，怎么识别token，怎么划分token17.介绍mcp18，不同mcp工具的共同点，为什么叫MCP19.你提到的AI自动审核代码，怎么样自动审核，那些规则审核20.AI审核代码具体流程是什么21.什么样的提示词能使得更加准确的审核代码23.手撕二叉树路径和反问业务，几点上下班大部分都答上来了，太深层的回答一般，感觉春招HC很少，竞争激烈，随缘把

缓存方案的读链路和写链路缓存雪崩击穿穿透缓存用了什么ttl，数据结构用的是什么分表如何保证数据一致性项目里面哪里用到了多线程  进程线程  进程底层区别数据库acid，隔离性为啥用b树原子性在操作系统和硬件层面如何实现抖音刷视频的请求链路抖音要求高qps低延迟  在哪些层面优化算法题：和谐数

给我面没招了。。。1. 项目拷打2. 详细阐述Transformer的底层原理，并说明其能够替代RNN的核心优势；结合Transformer架构的成熟度，分析Self-Attention机制在多模态对齐任务中是否存在瓶颈，以及在实际业务场景中，是否出现过注意力权重完全偏移的情况。3. 讲解LoRA的技术原理，说明LoRA是否仅能嵌入Linear层；分析LoRA无法在LayerNorm层之后插入的原因，以及该操作会对模型训练稳定性产生哪些具体影响。4. 结合实操经验，说明QLoRA降低训练资源成本的核心逻辑；列举常见的模型量化方式，并解释QLoRA选择NF4与FP16组合而非其他方案的原因，阐述NF4的分布拟合逻辑。5. 针对采用multi-query attention优化后，decoder延迟仍居高不下的问题，分析潜在性能瓶颈；探讨vLLM自带的KV Cache是否会成为推理过程中的负担。6. 分别说明Embedding模型与Rerank模型处理文本语料的核心流程，并结合实际应用场景举例说明。7. 结合过往RAG项目经验，讲解从数据清洗到检索服务上线的完整链路搭建流程，重点说明chunk切分的具体策略。8. 分析当前RAG技术落地的最大瓶颈，并阐述你在项目中采取过哪些优化手段来提升检索召回率（Recall）。9. 针对XX领域大模型的训练工作，说明SFT（监督微调）数据集的构造方法与核心思路。10. 结合LoRA微调实操经历，说明rank值的选择依据；在合并adapter权重的过程中，是否遇到过梯度爆炸问题，以及对应的解决方法。11. 结合你的模型部署相关经验，说明模型参数量与硬件算力需求之间的对应关系（例如不同参数量级模型所需的算力配置标准）；以部署一个稀疏率千分之三的235B参数量MOE架构模型为例，估算其所需的算力规模。12. 在搭建RAG知识库时，若需对文档进行动态更新，你采用的是全量嵌入还是增量处理方案？若为增量处理，如何规避新旧文档数据分布不一致导致的检索偏差问题。