秋招第三个意向：高德

京东零售-交易产品研发部，base成都抖音电商-商家侧，base杭州鼠鼠四川人，更想回成都，hr说强度早十晚十，但是xhs看帖子了解到京东北京强度比较大，感觉得11.之后了，不知道成都怎么样，京东给的base在成都相当可以了。抖电的话强度也高，不知道和京东比怎么样，目前还没有开奖，求求大佬们帮忙分析，选择😭引流：美团、京东、腾讯、字节、阿里、得物、拼多多、小红书、大疆、滴滴、小米、华为

百度的面试体感很好，但是池子应该很大，泡了三天直接挂掉了0：沟通项目（30min左右）1：redis相比起mysql的优势2：redis独特的数据结构3：bitmap的底层原理和应用，以及不使用BitMap的其他解决方案（比如说int的32位存储）(同样也是位存储)4：每个数据结构的使用场景5：mysql的B+树和B树区别6：mysql索引查询过程7：mysql如何选择索引（一条sql如何选择索引进行执行）(CPU成本和IO成本)8：mysql的隔离级别，mvcc机制9：场景题，规划数据库表和执行流程个人来说百度的面试是整个秋招面试中最让人感到舒适的面试，感谢给到的面试机会，让我更加熟悉自己的...

1. 手撕 合并区间2. 八股1）请介绍 Transformer 的结构组成及各部分作用，在长序列时空数据中，2）如何降低 Transformer 的计算复杂度？常见的稀疏注意力变体有哪些？3）GNN的消息传递机制是怎样的？在时空图中，如何结合时间信息编码节点特征？你接触过哪些时空 GNN 模型？4）LoRA微调的原理是什么？秩 r 的选择会对模型表现产生什么影响？5）RAG的完整流程，在时空出行数据场景里，构建向量检索库时如何处理时间衰减对召回的影响？6）强化学习在 Agent 优化中的应用，结合出行推荐 Agent，你会如何设计 Reward 函数？3. 项目1）微调时的训练数据是怎么构建的？如何保证样本多样性和质量？2）在 RAG+时空知识图谱的 Agent 系统中，知识图谱更新的机制是怎样的？是怎样保证实时性的？3）在大规模轨迹数据下是怎么做负采样（Negative Sampling）的？4）训练 LoRA 模型时，你是如何选择冻结层的？依据是什么？5）在高并发查询 Agent 系统中，你会如何优化召回和生成阶段的延迟？4. 开放题1）大规模 Agent 系统在多线程/多进程场景下的资源调度策略如何设计？2）如果你要在 GPU 资源有限的条件下同时提供推理和微调服务，如何做资源分配和任务调度以保证时延和吞吐？

最终还是选择释放，我的保底offer。选择的原因是虾皮的hr面终于是在下周开了，并且下午刚面完了一下小厂的hr面。赌一把，许愿下周虾皮hr面顺利😭