度小满 校招 大数据引擎开发工程师面经

面试官说理解校招生不理解引擎相关知识点,主要提问项目。即使我的项目很水很简单,也一直在提问与项目技术栈相关的知识点。
还有手撕代码。
最后好像问了几个spark、数据倾斜的简单八股。
全部评论

相关推荐

昨天 20:26
已编辑
南京大学 Java
刷到最近牛客上好多学弟学妹在纠结“流量场景还是业务场景”“大厂还是银行”,想起我当年找工作的样子,忍不住说两句。我学计算机的,毕业那会儿最火的是外贸,大家挤破头想进外贸公司,觉得能赚钱、有前途。后来外企火了,IBM、微软、甲骨文,谁要是进了外企,那真是走路带风。我身边好几个同学跳槽去了外企,薪资翻倍,我当时也挺羡慕的。再后来房地产起来了,做IT的同学跑去地产公司做信息化,收入比外企还高。那几年地产公司招技术岗,开的薪资一点不比互联网低。然后就是互联网大厂的黄金十年,BAT、TMD,一个比一个猛。技术人的梦想,就是进大厂拿高薪、分期权。这些年,风口换了一个又一个。外贸、外企、房地产、互联网……每个时代都有它的“单选题”。但你们发现没有?不管风口怎么变,有一个行业始终在“第二、第三”的位置上稳稳待着——金融行业。它不像外贸那样大起大落,不像房地产那样周期性明显,也不像互联网那样风口来去匆匆。它一直都在。从银行到证券,从保险到资管,金融行业就像站在上帝视角,看着各行各业潮起潮落,自己始终是那个“压舱石”。金融行业给的不是“风口上的猪”那种刺激,而是“穿越周期”的底气。不是说其他行业不好,而是想说:选择没有绝对的对错,但有些选择,能让你在风起风落的时候,站得更稳一点。现在的你们,面对AI浪潮,纠结是正常的。但也许可以换个角度想:什么行业能穿越周期?什么平台能陪你走得更远?别被眼前的“单选题”困住,多看看那些一直在默默发光的选项。
点赞 评论 收藏
分享
“我靠,刚才面阿里某部门,项目聊得很好,手撕没撕出来,挂了。”前两天听朋友这样吐槽时,我正处在一种类似的焦虑中:发现自己越来越依赖各种 Coding Agent,开始担心代码能力会退化。朋友的情况在面试中很典型,但有点特殊。很多人觉得刷算法题对实际工作帮助不大,但在目前某些厂的考核体系下,这依然是刚需,要面试只能去刷题,没办法。我想聊的是更本质的问题:在解决实际问题的场景中,我们该如何平衡 AI 工具与自己的代码能力?“代码能力”本身其实有点难定义,不仅是熟悉语言特性或数据结构,更重要的是能把一个实际问题转化成解决它的脚本。现在 Agent 用多了,最直观的感受是:坐在 IDE 面前,不知道该干什么。其实这不是coding能力退化了,是根本没定义清楚自己要解决什么问题,以及用什么方式去解决。手搓代码这件事,早些年大家也是靠CV解决问题,并不是每一行都自己敲。但现在的趋势是很多 Agent 会隐藏内部工作细节,只在特定时刻让你检查进度。这种做法能减少信息干扰,但也极大地依赖模型能力。如果模型本身能力不够,它可能会在后台陷入反复调用一个工具的死循环,没有任何结果,token一直在跑,而你甚至不知道。即便模型能力足够,agents也把规划、调试和审查的过程藏了起来,只留下一个“working”的状态,时间一长,导致我们再次面对代码时会产生一点抗拒感。关于对代码的掌握度,Anthropic 曾做过一项研究,调研了不同模式下开发者对代码的掌握程度:全部交给Agent:最快,但对代码的掌握度为0;纯手搓组: 对代码掌握程度最高,但速度最慢;人机协作组(生成后解释): 模型不仅输出代码,也输出理由。这一组的得分往往也较高,对代码的掌握也更平衡。话又说回来,现在有一种观点认为,大模型已经发展到不需要我们去关注代码细节了,人只需要有“产品思维”,从业务和需求角度给 AI 分任务就行。但我个人认为,鉴于大模型是有幻觉的,我们对编程语言的常用库和特性依然要有基本的认知,因为你的追问也许可以发现大模型错误的认知,从而在早期避免错误的设计。否则,在后续的调试阶段,你可能要花费比别人多得多的沟通成本和 Token。所以,即便有工具辅助,依然要对代码有一定了解。比如它设计了哪些数据结构,用了什么框架,为什么要这样实现。当 Agent 调试成功后,我们可以多问它几个问题:刚才是哪里错了?你怎么知道的?这个命令具体是什么意思?......这种让大模型进行自我解释的过程,能有效增加你对代码维护的了解程度。
AI求职实录
点赞 评论 收藏
分享
评论
点赞
收藏
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务