20260314乐读一面

先给结论：AI 岗位暴涨 12 倍、平均月薪超 6 万是真的，但这份红利，从来不是给普通开发准备的。盲目跟风转型，大概率只会摔得头破血流。先戳破大家最容易被迷惑的泡沫：所谓的平均月薪 6 万，是被头部岗位拉起来的。AI 科学家 / 负责人平均月薪 13.7 万，算法研究员、大模型算法岗月薪普遍 7 万 +，但这些岗位 46.98% 都要求硕士以上学历，还要扎实的数学功底、分布式训练经验，普通开发根本够不上。而门槛相对低的 AI 应用开发岗，月薪大多在 25-50K，和资深后端开发差距并不大，根本不是网传的 “闭眼拿高薪”。再说说岗位暴涨 12 倍的真相：岗位量确实在涨，但企业要的是 “能落地的 AI 人才”，不是只会调 API、跟着教程做个 demo 的转行新手。90% 的普通开发，转型只学了点 Prompt 工程、RAG 的皮毛，没有工程化落地能力，投出去的简历照样石沉大海。最后给普通开发一个明确的判断：到底要不要转 AI？如果你有扎实的数学基础、算法功底，或者有机器学习相关背景，果断转，AI 赛道的红利期还在，薪资和机会确实远超传统岗；如果你是普通业务开发，只会写 CRUD，数学和算法基础薄弱，完全没必要全职转型。与其花半年时间从零开始挤 AI 赛道，不如把 AI 当成提效工具，深耕自己的行业 + 技术栈，做 “传统业务 + AI 落地” 的复合型人才，这才是普通开发者最稳妥的路；如果你是还没选专业的学生，对计算机和数学有兴趣，果断选 AI 相关专业，这是未来十年的大趋势；但如果你只是冲着高薪来，没兴趣也没耐心深耕技术，别凑这个热闹，风口上的钱从来没那么好赚。AI 是时代的趋势，但不是所有人的救命稻草。别被高薪数据冲昏了头，适合自己的路，才是最好的路。

基础面试环节1. 自我介绍（这部分根据个人情况准备）2. 实习/项目经历介绍（根据简历准备，重点突出技术栈和解决的问题）3. 项目中遇到的最大技术挑战是什么，如何解决的答案框架：描述问题背景和影响分析问题原因（技术深度）解决方案和实施过程最终效果和收获示例：多线程下的数据竞争导致偶现崩溃使用AddressSanitizer定位加读写锁保护共享数据重构为无锁设计（原子操作）崩溃率降为0，性能提升20%4. 平时代码量如何，有参与过开源项目吗答案思路：说明日常编码习惯（每天/每周代码量）提及个人项目或开源贡献强调代码质量而非数量展示对技术的热情项目深挖5. 你的网络库项目中，如何实现高并发连接管理...

这是我第一次进大厂外包的二面,对方是一个很资深的工程师,我觉得这次面试不是查缺补漏而是发现了很多没有考虑过的问题分享出来大家可以看一看本人目前是想找一个初级开发,我写的代码很少,平时也都是CRUD,所以这些很多都只是看过八股,没有深究过看很多朋友讨论八股记不住,其实我也是这样,我觉得这符合遗忘曲线,不用焦虑我朋友跟我说,一切都是有原因的大家可以看到底层,串起来帮助理解,虽然我自己也是习惯用ai搜索,但是最近发现去看博客可以学到更完整更全面,ai来打辅助比较合适我看博客首先是确认是否可以看进去,之后他是否有例子+图辅助理解,大脑对图和实际例子的理解要比抽象概念好,当然也有人喜欢专业的表述,大家各凭喜好啦,我贴了我学的时候看的博客,大家可以参考~~希望大家都能有所收获,可以找到好工作~1、优化接口是怎么做的?2、优化之前和之后分别是多少秒?这个位置需要大家关注一下sql查询数值和redis(内存)查询的时间多少是健康,多少是异常,以及接口优化的计算公式3、平时都解决处理什么问题?(这个就是项目相关的)4、说说threadlocal?5、有用过threadlocal吗?大家可以自己用一用!!6、有自己写过注解吗?推荐大家都手动写一些复杂的注解,这个问题很高频7、什么时候会触发full GC?可以看看对象分配:https://javabetter.cn/jvm/whereis-the-object.html再理解GC:https://javaup.chat/java/jvm/gc-process-and-triggers/#gc%E7%9A%84%E5%88%86%E7%B1%BB8、有遇到过full GC的情况吗?9、try-catch- finally,如果try就返回了,执行顺序是什么样的?10、编程简化目录;实现一个单例模型;可以看看这个文章https://www.cnblogs.com/vipstone/p/18584503两数之和;考三个编程是因为前两个都没写出来,我太笨了,大家多写

1、自我介绍2、训练和推理的并行策略大模型训练和推理常见的并行策略主要有数据并行、张量并行、流水线并行和专家并行。数据并行是每张卡放一份完整模型，不同卡处理不同 batch，然后通过 All-Reduce 同步梯度。它实现简单，但模型太大时单卡放不下。张量并行是把同一层的权重按列或者按行切到多张卡上，每张卡只算一部分，再做通信聚合，适合单层参数特别大的场景。流水线并行是把不同层分配到不同 GPU 上，让不同 micro-batch 像流水线一样流动，能解决单卡放不下完整模型的问题，但会有流水线气泡。专家并行主要出现在 MoE 结构里，不同 token 路由到不同专家，参数量可以很大，但每次只激...