TP-LINK普联一面

Claude Code 51 万行源码泄露，是一场低级失误引发的行业地震，更是一次免费的技术普惠。它证明：顶级 AI 编程助手≠大模型堆参数，而是架构设计 + 工具编排 + 上下文管理 + 安全机制的综合工程。从六层架构到 Multi-Agent、智能压缩，这套设计已经成为 AI Coding Agent 的事实标准。1.用户交互层：终端 UI，自研引擎不卡技术：React + 自研 Ink 渲染引擎（重写 Reconciler，80 + 文件）。核心：解决 AI 流式输出（每秒几十次更新）的卡顿问题，用双缓冲渲染实现 16ms 级流畅刷新。形态：CLI 命令行、支持彩色 / 滚动 / 实时编辑、多面板布局。2. 命令与技能层：100 + 斜杠命令，降低门槛作用：把复杂 Agent 能力包装成/commit、/diff、/tasks、/agents等Slash 命令，开发者不用记复杂语法。能力：覆盖 Git 工作流、多 Agent 管理、任务调度、外部工具接入（MCP 协议）。3. 核心引擎层（大脑）：QueryEngine + 工具 + 权限三驾马车这是 Claude Code 的灵魂，4.6 万行代码的 QueryEngine 是绝对核心。QueryEngine：对话编排中枢，负责任务拆解、思维链、工具选择、循环重试、结果汇总，把自然语言转成可执行步骤。工具系统：定义 40 + 标准工具（文件、Bash、Git、搜索、子 Agent），支持动态扩展、并行调用。权限框架：细粒度工具审批（自动 / 手动确认）、危险命令黑名单（rm -rf）、沙箱降权、审计日志。4. 服务层：对接大模型与外部能力核心服务：claude.ts封装所有 Anthropic API 通信，管理请求 / 响应 / 长连接、流式输出。外部集成：MCP 协议（Model Context Protocol）接入第三方工具、Git/GitHub API、文件系统、终端命令。5. 上下文与记忆层：解决 AI “失忆”，长对话不崩Claude Code 最惊艳的设计之一 ——四层记忆 + 智能压缩，支持超长会话、项目级理解。系统提示（claude.md）：项目级规则（技术栈、规范、风格）。目录状态：代码树结构、关键文件、依赖关系。对话摘要：历史压缩，保留关键信息、剔除冗余。实时上下文：工具调用最新结果、当前编辑内容。压缩机制：上下文用到 75%~92% 时自动触发，按信息密度（代码占比）优先压缩低价值内容，避免 Token 爆炸。6. 基础设施层：运行底座运行时：Bun（非 Node.js）—— 更快启动、更低内存、原生 TS 支持。状态管理：React Hooks 全局状态、文件持久化、跨会话记忆。安全沙箱：本地权限隔离、命令白名单、操作审计。三、藏在代码里的 5 大黑科技：为什么 Claude Code 比普通 AI 助手强？1. Multi-Agent 蜂群协作：一个需求，一群 AI 干活泄露代码曝光了未发布的多 Agent 系统—— 彻底告别 “单个 AI 串行干活”。主 Agent（协调器）：拆解任务、分发、汇总结果。子 Agent（分工）：前端、后端、测试、文档各守一职，独立上下文、并行执行。通信：共享消息总线，直接对话、无需人工中转。效果：200k Token 任务拆成 3 个 70k 并行，速度 ×3、质量更高、不丢上下文。2. 双模式推理引擎：快任务秒回，复杂任务深度啃快速路径：轻量子模型，延迟 < 50ms，处理简单查询（解释代码、查函数）。深度路径：全模型 + 多阶段推理 + 工具循环，支持7 小时 + 无中断代码重构。3. Hook 自动化：开发流程 “自动驾驶”事件驱动触发器，7 类核心 Hook（文件编辑、消息、工具 / 任务前后），改 JSON 就能配置自动化：改测试→自动跑 Lint；提交前→自动跑测试；写入文件→自动规范校验。4. 代理式搜索（Agentic Search）：不上传代码库，更安全传统助手（Copilot）要把整个代码库上传云端索引，隐私风险大。Claude Code：按需调用工具，只读需要的文件、本地处理，不把全库发云端。5. 反竞争防御：偷偷塞 “假工具”源码曝光：每次 API 调用会混入几个假工具—— 专门污染偷数据训练竞品的人，属于 Anthropic 的 “商业防御黑科技”。

前言我的速成找实习/春招的经验帖子：链接我的学习后端和agent2手抓的专栏：链接第一类(头部大厂)阿里巴巴(总部)(余杭区/滨江区)：多元电商生态腾讯(分部)(西湖区/拱墅区)：多元互联网服务字节跳动(分部)(余杭区)：短视频及衍生业务百度(分部)(拱墅区)：搜索与AI服务京东(分部)(上城区)：自营电商+物流美团(分部)(萧山区)：本地生活服务网易(总部)(滨江区)：游戏及多元业务华为(企业业务分部)(滨江区)：云计算装备技术服务第二类(细分领域突出)Deepseek(总部)(拱墅区)：深度求索AI菜鸟网络(总部)(余杭区)：智慧物流蚂蚁集团(总部)(西湖区)：金融科技服务阿里云(总部)(...

【一面】 1）介绍一个最能代表自己的项目2）项目里负责的边界是什么？哪些内容是亲手实现／验证的？3）电商领域预训练数据：低质过滤与去重会怎么做？用哪些简单指标快速判断数据质量？4) Pretrain 和 SFT 分别解决什么问题？5) Transformer 的基本结构怎么理解？6）多模态模型的大致结构是什么（图像编码器+连接层+ LLM )？最容易踩坑的点通常在哪里？7) SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？8）对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？【二面】1）做过的最有影响力的一件事是什么？具体推动了什么变化？2）训练不稳定怎么排查（ loss NaN 、 OOM 、吞吐下降）3) Long Context 常见思路有哪些？在业务里如何做"能看长文本但不太贵"的折中（摘要／分段／滑窗等）?4）如何做一套简单可执行的离线评测集？如何覆盖不同语言与类目？5）多模态场景怎么评估：如何检查"图文一致性／不编造信息"？优先加哪些自动化检查？6) Prompt ／模板如何管理：如何版本化、如何回滚、如何避免一次改动导致整体波动？7) 手撕：实现一个最简单的 top - k 采样（给定 logits ／概率，取 top - k 后重新归一化采样），并说明边界情况怎么处理。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

🏢 3.6 - 杭州数美科技 - Java 面试状态：一面（3.20 HR 打电话通知面试通过） 🗣️ 1. 自我介绍 常规自我介绍。 🏥 2. PDAD 项目拷打  医患实时通信是如何实现的？（答：WebSocket） 在项目中负责哪一块？ 详细讲解负责的部分（医生工作台及病历系统）  难点与解决：病历系统的数据比较分散，存在各个表中。解决方案是为医生提供统一接口，封装病历 DTO，并在 Mapper 层进行处理。 追问：这跟传统的开发模式有什么区别？(没区别)   权限设置问题：如何区分医生、患者、管理员？（顺势转入场景题）  🌐 3. HTTP 项目拷打  HTTP 服务器是如何...