catl 宁德时代 内推码

1. 先说结论 我先把话撂在这：AI 编程不是 35 岁程序员的催命符，反而是他们的第二春。 尤其是那些真正做过几年后端、踩过生产事故、带过复杂系统的老鸟，市场价值正在被重新定价。 这跟年龄溢价无关，而是 AI 把"会写代码"和"能把系统做成"这两件事，彻底拆开了。 2. 很多人把 AI 编程看浅了 以前大家觉得，年轻人手速快、加班猛、学新框架快，35 岁以后就越来越卷不动。这个逻辑在纯手撸代码时代还成立，因为公司买的是产能，谁写得快、谁便宜，谁就有优势。 但 AI 编程把这套规则打碎了。 现在最不值钱的，恰恰是"把需求翻译成几百行代码&quo...

如题，tl：3.3 投递3.9 一面3.17 二面3.25 三面3.26 hr面4.1 offer给同样面了腾讯的同志们一点参考。说好的字节才是双非友好大厂呢，为什么我简历是投一次锁一次，以后要当节恨子！鹅是人生第一次面试，本来以为要挂几次，没想到流程还算顺利，初面就直接给我过了，我要感谢腾讯，感谢面试官，感谢hr，感谢所有人。真心是体会到了，找日常实习就是七分运气三分实力。鹅的黑卡有点帅

主播27号面完，到现在还显示这个是不是要挂了啊

1. 做一下自我介绍2. RAG 分块策略应该怎么选，真正影响效果的核心因素是什么分块策略不是越细越好，也不是统一按 token 长度切就行。真正影响效果的是 chunk 是否保留了完整语义单元、是否带有足够的定位信息、是否能在召回后被模型直接利用。像制度文档、规则文档、FAQ、表格和多层级说明，最佳切法差异很大。比较稳的方式通常是结构优先、语义补充、长度兜底，也就是先尊重标题、段落、表格、列表，再在超长片段内部做语义切分。这样做的目标不是生成整齐块，而是让每个 chunk 自带最小可回答上下文。3. 怎么评估 RAG 的效果，除了准确率还能看什么RAG 效果不能只看最终回答对不对，因为那样很...