小米评估中

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.项目中实际 QPS、延迟、数据规模是多少？瓶颈在哪，怎么解决的？3.讲一个你做过的技术选型，为什么选它？有没有更优方案？4.设计一个支持多轮对话+工具调用的 Agent，整体架构怎么拆？5.Prompt 如何设计才能降低 hallucination？有哪些工程手段？6.多轮对话中上下文过长怎么处理？裁剪策略有哪些？7.Agent 调多个工具时，如何做调度、重试和兜底？8.function calling / tool calling 的实现原理是什么？9.一条 query 在 RAG 系统中的完整链路是怎样的？10.BM25 和向量召回各自优缺点？线上如何融合？11.embedding 模型选型时要考虑哪些指标？12.query rewrite / 多 query 扩展的原理是什么？有什么风险？13.rerank 模型为什么必要？一般放在哪一层？14.HNSW 的核心结构是什么？为什么查询效率高？15.IVF、PQ、HNSW 的区别和适用场景？16.向量索引如何支持高并发查询和在线更新？17.embedding 维度过高会带来什么问题？如何优化？18.文档 chunk 如何切分？长度和重叠怎么设计？19.如何解决 chunk 切分带来的语义断裂问题？20.知识库如何做增量更新并保证一致性？21.多模态数据（图文/表格）如何统一建索引？

1. BERT 模型的结构答：BERT 本质上是一个 Encoder-only 的 Transformer。输入由 Token Embedding、Segment Embedding、Position Embedding 三部分相加得到，然后经过多层 Transformer Encoder。以 BERT-Base 为例，模型参数通常是：层数 (L=12)，隐藏维度 (H=768)，注意力头数 (A=12)，前馈层维度 (4H=3072)。BERT-Large 则是 (L=24, H=1024, A=16)。每层 Encoder 的结构是：Multi-Head Self-Attention -&...

宇树科技、智元机器人、云深处科技：2026年是机器人量产的关键年，这些公司急缺SLAM算法、运动控制、机器视觉工程师。寒武纪、摩尔线程：国产算力崛起，急需AI芯片软件工程师、高性能计算工程师。智谱AI：国内大模型头部，重点招Agent算法、多模态人才，薪资给得很高

引言每到校招季，这个话题就会吵一轮。一边是"学历不重要，能力说话"，然后贴出某个专科逆袭大厂的励志故事。另一边是"别骗自己了，简历过不了筛选系统一切都是零"，然后贴出某厂"仅限 985/211"的招聘要求截图。两边都对，但都只说了一半。真实情况是：学历重要，但它的"重要"不是你以为的那种重要。 它不是一票否决，也不是无关紧要——它是一个在特定环节起作用的筛选变量，而你完全可以通过其他变量去对冲它的影响。以下不讲鸡汤，只讲机制和策略。第一个事实：学历在校招中的作用被高估了，也被低估了被高估的部分：很多人以为学历决定了...