日常实习-海天AI后端开发一面

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

继续来分享下最近的面经~欢迎友好讨论，信息共享1.MySQL 的数据查询如何做到高并发？事务是怎么处理的？2.点赞业务表是怎么设计的？表结构如何设计索引？3.如果用 Redis 存点赞数据，用的是什么数据结构？数据是怎么存的？4.如何实现查看最近点赞的人这个功能？5.Redis 的 zset 底层结构是什么？6.Redis 的数据有没有落到 MySQL？是怎么保证数据一致性的？7.当前项目整体架构是什么？8.Redis 提升了 MySQL 50% 的效率，这个结论是怎么得出的？9.之前实习用过 Python 开发工具，Python 和 Java 的区别是什么？10.Python 开发的工具是如何提升效率的？11.你是怎么了解 AI 的？12.AI Agent 大概有哪些模型或类型？13.介绍一下常见的排序算法。14.归并排序和快速排序的时间复杂度、空间复杂度分别是多少？

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

自从Ai发展以来，感觉代码水平一天不如一天每次想认真学一两个小时ai几秒种搞定，感觉学的毫无意义大家是怎么解决的，感觉好无助啊