oi 快来吧那就，氛围好还不卷，有内推

自动驾驶方向（超详细真题+复盘）🔥 个人背景：985本硕，一段自动驾驶相关实习，刚走完文远知行算法岗（感知方向）的全流程，热乎的面经分享！📌 面试流程概览笔试：4道编程题（中等难度，动态规划+图遍历为主）。技术一面：代码手撕 + 项目深挖（50分钟）。技术二面：数学题 + 场景设计题（40分钟）。技术三面（总监面）：技术视野 + 业务理解（30分钟）。HR面：常规问题（薪资/职业规划）。全程周期：约3周（中间有等美国面试官时差协调）。💻 技术面真题回忆1. 手撕代码题题目1：零钱兑换变种题干：给定硬币面额数组和总金额，求恰好凑成金额的最少硬币数，若无法凑出返回-1。Follow-up：如果要求输出所有可能的组合，如何优化空间？坑点：面试官追问了滚动数组优化和剪枝策略。题目2：线段交点算法题干：给定二维平面上两条线段（由端点坐标表示），判断是否相交，若相交返回交点坐标。边界情况：线段平行但不重合、端点重合、浮点数精度处理。解法：参数方程法，注意分母为0的情况！题目3（系统设计）：实现 shared_ptr 的引用计数要求：线程安全、支持拷贝构造和赋值操作。考点：RAII思想、锁的使用（面试官让对比mutex和atomic的性能差异）。2. 项目深挖问题问题1：你在点云处理项目中提到的循环推断问题是什么？如何解决？答：详细解释了OD（目标检测）与跟踪模块的相互依赖导致误差累积，最后引入卡尔曼滤波的先验估计做修正。追问：为什么不用粒子滤波？对比过效果吗？问题2：激光雷达与相机的时间戳不同步，会导致哪些问题？你们怎么做的同步？答：提到了硬件触发同步+软件插值法，面试官让手写伪代码描述插值逻辑。3. 场景设计题题目：设计一个停车场车辆调度系统，支持实时路径规划（车辆从入口到车位的最优路径）。要求：如何表示停车场地图？如何处理动态障碍物（如行人）？路径最优的定义（时间最短 vs 转向最少）？我的思路：用栅格地图+A算法，动态障碍物用局部重规划（D Lite），面试官让分析时间复杂度。🚀 备考建议（血泪总结）刷题重点：力扣动态规划（背包问题）、几何计算题（线段/矩形相交）、系统设计（智能指针/线程池）。项目复盘：务必理清项目的技术链条（输入-处理-输出-优化）。准备1-2个失败案例，说明如何定位和解决问题（面试官超爱问这个！）。自动驾驶知识：必看文远知行的技术文章（如多传感器融合方案）。了解行业竞对方案（如Waymo、Cruise的路径规划特点）。💡 最后的小吐槽三面总监疯狂追问：“如果特斯拉FSD和我们的方案在十字路口相遇，谁的决策更优？为什么？”HR面被压力测试：“如果给你发offer，你会多快离职当前实习？”（差点没接住😅）欢迎讨论！ 大家有面过文远或其他自动驾驶公司的吗？求分享经验～✨✨现在文远知行还在招实习！最后附上学长给的内推码以及内推链接，可以更快筛选简历 ！✨内推链接：https://app.mokahr.com/m/campus_apply/jingchi/2137?recommendCode=DSvUVMDa#/jobs【内推码】DSvUVMDa                                                                                                                                     

  现在是找实习为主，所以薪资暂时没有那么重要，主要是看哪个实习能帮助我在秋招更好的找工作offer1：腾讯云智的应用运维安全，听面试官的意思是偏向安服多一点，虽然他说可能还会做别的工作，但我大概率觉得是教客户用安全产品多一点，base武汉offer2：华顺信安是安全研究，主要做漏洞复现，写exp,poc之类的，base长沙所以可能云智背书好一点，但是华顺应该是能学到东西的，纠结中，而且不想再面了，虽然还有很多在流程中，还是说这两个都不行再去等等其他的呢  。      

    问下大家进度

LangChain 是一个开源框架，旨在帮助开发者更高效地构建基于大型语言模型（LLM）的应用程序。其核心思想是通过模块化设计，将语言模型与外部工具、数据源和流程连接起来，从而扩展模型的能力并支持复杂任务的自动化。一、LangChain 的核心概念与功能1. 模块化架构LangChain 提供了六大核心组件，开发者可以像“乐高积木”一样灵活组合这些模块，构建定制化应用。例如：- Models：集成多种语言模型（如 GPT-4）和文本嵌入模型。- Prompts：通过模板管理提示词，优化模型输出质量。- Indexes：支持文档加载、分割、向量存储和检索，增强模型对结构化数据的处理能力。- Memory：维护对话历史或上下文信息，确保交互的连贯性。- Chains：将多个模块串联为固定流程（如问答链、摘要链）。- Agents：动态选择工具执行任务（后文详述）。2. 实际应用场景LangChain 被广泛用于构建智能问答系统、自动化客服、文档分析工具等。例如，一个旅行顾问机器人可通过 LangChain 整合实时天气 API 和航班数据库，提供动态建议。二、Agent 的定义与作用Agent 是 LangChain 中的一个核心组件，其本质是“动态决策引擎”，利用语言模型的推理能力选择工具并执行任务。特点包括：1. 动态流程控制Agent 根据问题类型和上下文选择工具，例如先调用搜索引擎获取信息，再通过数据库检索补充细节，形成多步骤推理（如 ReAct 范式）。2. 工具集成支持内置工具（如 Google 搜索、Wikipedia）和自定义工具（如调用内部 API），通过tool快速注册功能函数。3. 适用场景适用于需要灵活决策的复杂任务，例如多条件数据分析、动态旅行规划等。