在使用AI编程的过程中，我逐渐发现，高效的关键不是“让AI替我写代码”，而是“让我和AI一起写代码”。首先，我会把需求拆得足够清晰再提问。与其说“帮我写一个系统”，不如具体说明功能、语言、框架和预期效果。描述越清楚，AI给出的代码越准确，也能减少反复修改的时间。其次，我把AI当作编程助手，而不是一次性生成器。我常用它来生成函数、优化逻辑、排查报错或解释代码，而不是直接复制整段代码运行。通过逐段验证和理解，我既提高效率，也不会失去对项目的掌控。同时，我会持续迭代提问。如果第一次结果不理想，我会补充条件、指出问题、要求优化。把对话当作协作过程，而不是单次请求，效果往往更好。对我来说，高效使用AI ...

攒人品中，祝大家都能拿到满意的Offer！1.项目拷打2.说说你的大模型实习：做了什么、遇到什么问题、怎么评估效果3.YaRN 你怎么理解？跟其他长文本/外推方案相比差异在哪4.RoPE 怎么跟 MLA 放一起讲；只在短文本训过的模型，长文本外推你会怎么做5.flash-attn / Megatron-LM：你了解哪些点6.词你了解哪些；像 DeepSeek 这类的分词思路跟 BPE 有什么不同6.字符串解码这类题一般怎么考，你会怎么处理边界7.手写 FFN：结构怎么写，维度怎么对

这个问题，绝对是这两年新出现的，不知道大家什么时候开始做NLP的，我是22年的时候开始接触，那时候的NLP下面还有很多很多细分领域，就包括NER、RE这类知识抽取类工作，BERT几乎是我们绕不开的一个模型，如果说绕开了，用的也是类似RoBERTa这类改进模型。所以看到题目里的这个问题，很多人的第一反应是：还不是因为22年GPT一炮走红了，所以大家都跟着做。这个回答不能说错，但面试官通常不会继续追问，因为这说明你没有真正思考过这个问题。要把这个问题回答好，需要从历史演进和技术逻辑两个层面逐步拆解。（回答建议在文末）一、历史背景：2018年的分叉点先回到2018年。这一年NLP领域出现了两件标志性...

3月份基本都会逐渐开启暑期了，可以去投tme,字节，vivo，美团，一般推荐参加第一批笔试，因为笔试可以按最高成绩来，至少要达到5A3,3A1.8左右的级别，不会骗分的先去学学骗分的技巧，另外就是一些图，树，dfs,bfs的模板题了，背完还是很容易降时间复杂度的，笔试会比面试的题目要难，因此要做好充分准备。