快手日常实习一二面面经

发面经攒后面的人品，我攒我攒一面：1.组内业务介绍2.自我介绍3.上下文压缩怎么做的4.压缩的时候信息丢失怎么做5.这样上下文工程还有什么，比如引入长期记忆，讲了讲mem06.openclaw的记忆系统怎么设计的7.openclaw的多智能体协作是怎么做的反转链表---二面：自我介绍说一下最深的点，感觉有点为了表现自己说错了，是自己做的最深的点，我说的是最近比较关注的深入研究的点(hhh查询的接口，问我数据量到底有多少?我不知道啊！确实是扣分点Agent范式是怎么做的？混合查询怎么做的？组合总数---感觉还是自己太菜了

TimeLine3.22 投递3.26一面3.30 二面1. 实习2. kafka架构，broker,consumer,consumer group3. sql题  count(*),count(1),count(x),java题，程序栈帧4. vibe coding5. merge rebase6. mysql b+树，为什么不用二叉树7. java堆分区（年轻代，老年代）,为什么这么划分，为什么按照特定的比例划分8. 内存泄露9. merge rebase区别10. 判断回文串，一开始心想题目这么简单，写完后，说来个加强版，如果最多删除一个字符后还能是回文串吗写完之后提醒了一下有点bug改了一下写出来了，然后发现代码写的比较长，重构一下，提个方法出去，感觉好久没动的脑子突然转起来了，以比较优雅的方法提出去了反问：1. 做什么的：内部系统2. 做agent用python多吗,python java都用二面：1. 自我介绍2. 讲一下实习中遇到的难点3. 问了一些ai相关的，完全不会4. 手撕了一道二叉树的右视图，看了一眼说没问题不用运行了5. 到这才20分钟不到，然后开始反问，聊对ai的一些看法，组里的一些业务6. 感觉要凉，但是他又问了一句什么时候来实习，感觉这种大概率不能过，还给你点希望的面试真难受啊二面第二天上午约 4.2 hr面，许愿.....hr面完了，估计要泡池子，没变成录用评估，会不会挂在hr面

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...

学校的事情一堆，大厂面的心累，基础差的太多了，决定去中厂沉淀几个月刷段实习经历然后备战秋招吧。