1.多轮对话中，如果不同轮次的记忆发生冲突，你如何处理？这个问题本质上不是“删哪条、留哪条”，而是做记忆的版本管理。实际处理时一般会同时看三个维度：时间、来源、置信度。时间上通常新信息优先，但前提是它来自更可信的输入；来源上，用户当前轮明确表达、工具查询结果、系统写入，优先级通常高于模型从历史里自己总结出来的内容；置信度上，如果只是一次低置信抽取，不会直接覆盖长期稳定画像。工程上我会把记忆拆成两层，一层是 event log，完整保留用户每次表达过什么；另一层是 materialized profile，也就是给模型使用的当前画像。冲突发生时，不是直接物理覆盖，而是先记事件，再按规则刷新画像。...

1. 描述一下 langchain 里面的各种 TextSplitter。2. 描述一下 LangGraph 的内部的，就是数据传输机制 和 Arrow有啥区别3. 我的 Kafka 有 9 个 consumer group， 然后我想让第 3 个和第 7 个 consumer group 去互换他们所有的消息，这个怎么做，要怎么保证各自的消息有序性，和不重复性，我意思是让两个cg的所有消息，和之前都是完全一致的顺序；4. 二叉树的遍历方式，不要告诉我前前序、中序、后序，我都知道，还有一种叫 zigzag遍历，这个是怎么做的，时间复杂度 空间复杂度各自多少，适合解决什么问题。5. 设计OSI的第八层架构，你怎么设计，现有的七层设计有什么问题6. https 的HPACK 头部压缩算法，是怎么实现的7. Rust程序OOM了，怎么排查，我想自定义垃圾回收器怎么定义8. redis sds怎么实现的 实现一下，编译要通过9. 今天面试到此结束，感谢你来面试

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

人人都有大厂实习 就我没有 看到好多人收割几个大厂暑期 可是我连约面都没有感慨自己很菜 学的又晚 之前又没实习现在只有一个医疗小厂 会完蛋吗