亚马逊笔试

Vibe Coding 搭配 AI 工具的普及，不会直接“干掉”初级岗位，但一定会淘汰只会机械写基础代码的初级开发者，重构初级岗位的核心价值。过去，初级工程师的核心任务是写 CRUD、做简单模块开发，成长靠“堆时间+踩坑”，公司愿意招聘是因为人力成本低，能解放资深工程师的精力。但现在，一个熟练用 AI 的正式员工，几分钟就能生成高质量的基础代码、自动补全接口文档、排查常见 Bug，效率远超带新人——这直接让“纯编码劳动力”的价值大幅缩水。那些只会复制粘贴、不懂底层逻辑、依赖指导才能干活的初级开发者，确实会被 AI 替代。但这并不意味着初级岗位会消失。未来的初级岗位，会从“编码执行者”升级为“AI 协作助手”。能留下来的初级开发者，核心能力不再是“写代码”，而是“拆解需求、校验 AI 输出、解决 AI 搞不定的问题”。比如，AI 能生成代码，但不知道业务场景的特殊逻辑；AI 能给出解决方案，但不懂公司技术栈的适配要求；AI 能排查通用 Bug，但搞不定跨系统的复杂故障——这些都是初级开发者的新价值点。说到底，Vibe Coding 和 AI 不是在消灭初级岗位，而是在抬高初级岗位的门槛：它淘汰的是“懒人”，奖励的是“会思考、能协作、懂原理”的新人，但是hc基本都会缩减的。

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.介绍召回3.场景细节提问4.常见的召回的模型有了解嘛，大概是如何做的召回的模型、目标、样本哪个更重要介绍粗精排5.为什么要建立一个独立精排模型，样本占比多少6.主模型为什么不能加特征7.新加的特征具体是怎么得到的8.独立模型实际打过主模型了嘛，为什么没有打过独立模型当前的结构是什么样子的9.主模型的模型结构10.当前业务有多少人迭代，其他人在做什么方向

1.自我介绍2.拷打项目:针对长短期记忆，讲讲你是如何设计记忆的提取、压缩与冲突更新机制的？如果检测到用户存在极端情绪，你的Agent如何在不中断对话流的前提下进行干预？3.讲一下稠密向量与稀疏向量的区别，分别适合处理什么样的搜索需求？4.在向量化之前，为什么要对长文档进行切片？如果不切片会有什么后果？5.切片时设置重叠区域的作用是什么？这个比例你通常怎么来确定？6.余弦相似度和欧氏距离在衡量文本相似性时，各自的优缺点是什么？7.向量库检索出的Top-K结果，如果K值设置得过大，对后续的生成质量有哪些负面影响？8.为什么在初筛召回之后，还要加一个Rerank模型？它能解决向量搜索的哪些局限？9.如果文档发生了局部更新，如何通过增量索引来避免全量重新向量化？10.在RAG的生成阶段，如何在Prompt中设定边界条件来防止模型在没搜到内容时产生幻觉？11.调用大模型API时，为什么要使用asyncio异步编程？它在处理高并发请求时有何优势？12.了解HyDE吗？介绍一下原理，它在处理模糊提问时有哪些优势？13.随着超长上下文模型的出现，你认为传统RAG架构的必要性是否降低了？14.你了解哪些大模型推理框架？SGLang相比vLLM的PagedAttention在推理延迟上有哪些优势？15.手撕：第k大元素20.反问📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

如果在面试中遇到不会的问题，我不会直接说“不会”然后结束，而是采取一种结构化的应对方式来体现自己的分析能力和工程思维：首先我会先复述问题，确认自己理解是否正确，同时尝试从已知知识出发进行拆解，比如这个问题属于哪个领域（并发、数据库、系统设计等），有没有相似的问题或模型可以类比；如果能想到部分思路，我会把自己的推理过程说出来，即使不能给出完整答案，也尽量展示“我是如何逼近答案的”，例如先给出一个基础方案，再分析它的不足和可能的优化方向；如果确实完全没有思路，我会坦诚说明这一点，但不会停在这里，而是会补充我会如何在实际工作中解决，比如查官方文档、阅读源码、定位关键模块、或者通过日志与实验验证问题，并且可以简单给出一个可能的学习路径；最后我通常会主动做一个收束，比如总结这个问题背后考察的核心能力（例如并发控制、系统设计权衡等），表明自己虽然当前没有完全掌握，但具备快速补齐的能力，这样可以把“不会”转化为“有潜力、有方法论”的信号。