(00:45) 你好，我是面试官，请开始一下自我介绍吧。(02:45) 你刚刚说你做全栈，那你做了哪些功能？它做了哪些事情？(04:44) 说一下你这个 AI 项目，这个项目是你想的还是团队一起的？(05:21) 你构建的这个知识库，是怎么构建的？来源是哪里？(08:12) 这种基于知识库的问答，我理解应该有比较成熟的工具，你这套相比它们会有哪些优势？(10:56) 讲一下你的实习经历。(12:15) 利用 Gateway 作为服务网关，这个是怎么做到的？能知道它的原理吗？(15:26) 你们这个线上实习，它的需求的背景是什么？以及你觉得哪一部分比较难？(21:20) 为什么使用 Redis 能够提升响应速度和并发能力？(22:37) 这个项目它的 QPS 多高？(26:44) 讲一下 JVM 的垃圾回收。算法：用栈实现队列，感觉自己思路没问题，就是实现出来磕磕绊绊，最后时间不够了(48:49) 你有什么问题，或者我们就结束？(48:58) 贵团队比较看重候选人的哪些品质？我有什么方面可以进行提高吗？(49:58) 如果贵团队负责的业务大概是什么业务？如果我有幸加入，具体会做一些什么样的工作？

后端/AI应用开发实习生 - 技术一面（二面完了和面试官聊的挺顺的，但是没有hc了，面试官申请不下来，把我骗进来杀是吧X﹏X）面试问题速览1. 请做一下自我介绍，挑一些重点的经历聊一聊。2. （针对简历中性能优化项目）查询速度从3秒降到500毫秒，这个性能提升的核心原因是什么？3. 你们项目中，MySQL到Elasticsearch的数据同步方案是怎么做的？如何保证时效性？4. 看你接触的技术很广，能讲讲你是如何学习这些新东西的吗？你的学习方法是什么？5. （针对RAG项目）可以分享一下你对RAG项目中数据切块（Chunking）的理解和优化吗？6. 我看你的技术栈比较全，你未来的职业规划是偏向全栈还是后端？7. 你可以实习多久？每周能来几天？8. 你有什么问题想问我吗？我的回答策略与反思【针对问题】性能优化原理深挖（MySQL vs ES）【回答策略】我没有停留在“因为ES快”的表面结论上，而是直接切入底层原理进行对比。1. 点明核心差异：指出MySQL的B+树结构适合精确查找和范围查询，但在全文模糊搜索场景下效率低下，涉及大量磁盘IO。2. 深入解释ES优势：详细阐述了Elasticsearch的核心机制——倒排索引。我描述了从分词（Tokenization）、创建词条（Term）、到建立“词条 -> 文档ID”映射的完整流程，清晰地解释了为什么它能实现近乎O(1)的查询效率。3. 串联技术点：将底层的数据结构差异与上层的性能表现直接挂钩，使回答逻辑链完整且有说服力。【回答反思】这个问题的回答在技术深度上是过关的，成功展示了我知其然也知其所以然。但现在回想，如果能用STAR原则来包装会更上一层楼。比如，先讲项目背景（Situation）和优化目标（Task），再说我的具体方案和行动（Action），最后用数据化的结果（Result）收尾。这样不仅能展现技术能力，还能体现出色的项目管理和问题解决思路。【针对问题】数据同步方案与时效性【回答策略】我给出了一个业界成熟、标准的解决方案，展现了我的架构知识储备。1. 亮出关键技术：直接点明使用了Canal这个中间件。2. 解释工作流：清晰描述了整个数据流：Canal伪装成MySQL的从库，实时订阅并解析binlog获取增量数据变更。3. 引入解耦与异步：主动提到将变更数据发送到消息队列（如RocketMQ），再由消费端程序异步写入ES。这不仅解决了数据同步问题，还体现了系统解耦和削峰填谷的架构思想，回应了面试官对“时效性”和系统稳定性的隐性关切。【回答反思】这个回答非常成功，简洁、精准、专业。如果想锦上添花，可以在说完方案后，补充一句关于技术选型的思考：“选择这套方案，主要是因为它实现了准实时同步，并且对源数据库的性能侵入性最小，避免了业务高峰期因数据同步影响主流程。”【针对问题】学习方法论【回答策略】这个问题是展示软实力的绝佳机会，我重点突出了自己的自驱力和高效学习策略。1. 框架先行，快速上手：我提到会先从一个技术的官方框架或主流框架入手，快速搭建一个能跑起来的Demo，建立体感。2. 横向对比，深化理解：以学习Go语言为例，我会主动与自己熟悉的Java进行横向对比，比如在并发模型（Goroutine vs Thread）、内存管理等核心概念上找异同，这样能极大地加速学习进程。3. 工程驱动，学以致用：我强调我的学习核心是“项目驱动”。不是为了学而学，而是为了解决一个具体问题或实现一个项目去学习。在实践中遇到问题，再去反向深挖底层原理，这样构建的知识体系最扎实。4. 善用工具：提到了会使用AI工具辅助理解和Debug，展示了拥抱新工具的开放心态。【回答反思】这是我本次面试中自我感觉最好的一个回答。它成功地将我塑造成一个“学习能力强、有方法、有热情”的候选人形象。这个问题的关键在于，不要只说“我爱学习”，而是要用具体的例子和可复用的方法论来证明你真的很会学习。

Python后端开发实习生 (AI+硬件) - 高管二面（oc已拒）（鼠鼠第一次1v2，面试官是联创和CEO）一、面试问题速览请你先简单自我介绍一下。请介绍一下你上一份实习的主要工作内容。你的抗压能力怎么样？可以举个例子吗？作为大三学生，你的课程是如何安排的？能保证实习时间吗？你对这次实习的目标和期望是什么？关于毕业后的职业发展，你有什么初步的计划？二、我的回答策略与反思【针对问题】“请介绍一下你上一份实习的主要工作内容。”我的回答策略：我没有平铺直叙地罗列我做了什么，而是采用了 “问题-方案-优化” 的三步法来展开：抛出问题 (Problem)：首先点明项目背景，指出当时鉴权系统面临的核心痛点是设计耦合度高，导致扩展和维护困难。提出方案 (Solution)：接着介绍我负责构建的模块，核心是引入了RBAC（基于角色的访问控制）模型，强调其“解耦”的设计思想是如何解决上述痛点的。补充优化 (Optimization)：最后，主动补充了我在功能之外的性能思考，比如引入Redis缓存高频访问的用户数据，来提升系统的响应速度。这能体现出我的思考深度和主动性。我的回答反思：现在回想，如果能用更标准的STAR原则来包装这个故事会更有冲击力。比如，在最后明确加上Result (成果)，用具体数据（例如“权限验证的平均响应时间因此降低了XX%”）来量化我的贡献，会让说服力上一个台阶。【针对问题】“你的抗压能力怎么样？可以举个例子吗？”我的回答策略：这是典型的行为面试题，我选择拒绝空洞标签（如“我能吃苦耐劳”），而是讲一个具体的、高难度的技术故事来证明：选择硬核案例：我分享了自己独立学习MIT分布式系统课程（6.824）并从零实现Raft一致性算法的经历。这个案例本身就自带“高难度”光环。真诚展示过程：我没有把自己塑造成天才，而是坦诚地描述了过程中遇到的困难（全英文资料的理解障碍、从零构建复杂系统的迷茫），甚至提到了“好几次想放弃”。突出最终坚持：最后强调，尽管困难重重，但我通过一步步推进，最终坚持下来并完成了核心功能的实现。这个故事一石三鸟，同时证明了我的学习能力、坚韧毅力和抗压性。我的回答反思：这个策略非常成功，能明显感觉到面试官对这个例子非常认可。强烈建议大家也准备一个类似能体现自己韧性的硬核技术故事，这远比任何空洞的形容词都有效。【针对问题】“实习目的和职业规划是什么？”我的回答策略：我将这两个问题关联起来，核心思路是将个人成长与公司发展对齐：实习目的 (短期)：清晰地表达我不是来“混实习”的。我提到希望将学校学到的AI理论（如RAG）和后端技能，在贵公司这样前沿的“AI+硬件”生产环境中进行实践和验证，并为团队贡献价值。职业规划 (长期)：我没有只谈时间线，而是阐述了我的“职业愿景”——希望成为一名能将扎实后端工程能力与AI应用开发深度结合的复合型人才。这个方向正好与公司的技术栈和业务高度契合。我的回答反思：在回答职业规划时，切忌只说“大三下找实习，然后准备秋招”这样的时间安排。更重要的是要展示出你对技术趋势的思考和自己的职业定位。把个人成长路径和公司的发展方向巧妙地结合起来，能让面试官觉得你和公司是“双向奔赴”。

鼠鼠是27届的，双非本，一段伪实习（线上），然后最近面了四家，小厂给了offer，然后小红书估计凉了，投了很多大厂都没机会面试，我现在应该是边刷算法八股边等面试呢？还是先去小厂历练一下呢？小厂在上海，薪资差不多在200一天，感觉覆盖食宿都有点难啊，不过感觉业务蛮不错，做ai+硬件的。

数据库平台开发实习生 - 技术一面（算法太烂了，建个链表建半天，面试官等不住了，居然还用了c++语法，太招笑了）面试问题速览1. 请做个自我介绍。2. 能讲一下你实习项目中，分布式锁这块你是怎么实现的吗？3. 讲一下你自学的 Raft 一致性算法。4. （追问）讲一下 Raft 的日志复制这块。5. 你的 AI 项目里，RAG 是怎么做的？向量数据库是怎么选型的？6. 讲一下 Function Calling 的概念和应用。7. 现场算法编程：删除链表的倒数第 N 个节点。（LeetCode 19）我的回答策略与分析【针对问题】分布式锁的实现原理【回答策略】：我采用了“方案演进式”的回答方法。1. 起点：从最基础的 SETNX + EXPIRE 方案讲起，这是最容易想到的起点。2. 主动暴露问题：立刻指出该方案的缺陷，即两条命令非原子性，在极端情况下会导致死锁。这能体现出你思考的严谨性。3. 方案升级：提出使用 Redis 2.6.12 之后提供的原子性命令 SET key value NX PX milliseconds 来解决上述问题。4. 再次深入：继续主动挖掘该方案的潜在问题，即“锁过期了但业务没执行完怎么办？”，引出更高级的“锁续期”概念。5. 最终方案：最后点出 Redisson 等成熟框架是如何通过“看门狗（Watchdog）”机制来自动续期，保证业务执行期间锁的有效性。【回答分析】：这个回答策略的效果非常好。它向面试官展示的不仅仅是你“知道”分布式锁，更是你“理解”它背后的设计权衡和技术演进逻辑。这种结构化的、由浅入深的讲解方式，能清晰地展现出你的技术深度和体系化的知识结构，是面试中一个巨大的加分项。【针对问题】Raft 共识算法的核心原理【回答策略】：我使用了“框架先行，细节填充”的策略来解释这个复杂的理论。1. 理论破题：先用一句话的 CAP 理论来给 Raft 定位，表明它是一个保证一致性（C）和分区容错性（P）的系统，这能快速和面试官对齐上下文。2. 结构化拆解：直接引用 Raft 论文的核心思想，即“将复杂问题拆解为三个子问题：领导者选举、日志复制、安全性”，为后续的讲解搭建清晰的框架。3. 分点阐述：逐一讲解“领导者选举”（Follower -> Candidate -> Leader 的状态转换、心跳、任期、投票过半）和“日志复制”（日志强制覆盖、复制到大多数节点才 commit）的核心机制。【回答分析】：对于复杂的理论问题，最忌讳的是一上来就陷入细节。先搭框架再填充细节，能让你的讲解非常有条理，也方便面试官跟上你的思路。能够清晰阐述自学的底层理论，是展现学习能力和技术热情的绝佳机会。【针对问题】现场算法编程（复盘与反思）【回答策略】：我的第一反应是采用最稳妥的“两次遍历”解法：第一次遍历计算链表总长度 L，从而确定要删除的是正数第 L-n+1 个节点；第二次遍历找到该节点的前一个节点，执行删除操作。【回答分析】：这个思路本身是完全正确的，能够解决问题。但在这次面试中，我最大的不足暴露在了编码的熟练度上。1. “辅助代码”耗时过长：我在“如何根据输入数组构建一个测试用的链表”这个环节卡了比较久，占用了宝贵的思考和编码时间。2. 语法细节混淆：在紧张状态下，写出了 int* 这种非 Java 语法，说明对语言细节的肌肉记忆不够牢固。3. 核心反思：这提醒我，平时刷题不能只停留在 LeetCode 网页上写核心函数。一定要在本地 IDE 里，进行从零开始的、包含数据结构定义和测试用例的“实战模拟”，才能真正提升现场编码的速度和准确率。对于“快慢指针”这种更优解法，也应当做到熟练掌握。

[后端/AI工程实习生] - [CEO面]（oc已拒）面试问题速览1. 请简单介绍一下自己。2. 你是从什么时候开始接触编程的？第一个项目是什么时候做的？3. 看你简历上提到了Go语言，可以讲讲它的优劣吗？4. 你提到用Python做过模型微调，可以具体讲讲吗？（基于什么模型、用了多少数据等）5. （深挖RAG项目）可以详细介绍一下你在智慧农业项目中RAG问答引擎的实现方案吗？为什么选择将PDF转为Markdown再处理，而不是直接用框架提供的工具？6. （压力面/追问）RAG的局限性是什么？请举一个具体的负面例子，在什么场景下RAG并不能解决得很好？7. 你对未来的技术方向有什么规划？更倾向于Java后端还是AI工程？8. 考虑到你还在校，如何安排实习时间以确保投入度？我的回答策略与分析【针对问题】：Go语言的优劣势分析【我的回答策略】我重点阐述了Go语言在并发处理上的核心优势，提到了goroutine的轻量级特性和基于channel的CSP并发模型，并强调了它在高并发场景下相对于传统多线程模型的低开销。【回答分析】亮点：准确抓住了Go的核心特性，并提及了关键技术goroutine和channel。复盘反思：这是一个明显的失分点。面试官问的是“优劣”，而我只答了“优”没答“劣”，这会显得对技术的理解不够全面和辩证。改进建议：面试前应准备好技术的两面性。对于Go，可以补充几点不足，例如：1. 错误处理机制（大量的if err != nil）相对繁琐；2. 依赖管理在go mod出现前比较混乱；3. 泛型支持较晚，在某些场景下代码复用性不如Java。最好能结合与Java线程模型的对比，更能体现思考深度。【针对问题】：RAG技术的局限性，并要求举出具体的负面案例【我的回答策略】我首先从理论层面切入，提出RAG依赖向量相似度检索，如果关键信息不包含明确的关键词或语义关联较弱时，可能会检索失败。但在面试官的持续追问下，我未能主动给出一个具体、有说服力的负面应用场景。【回答分析】亮点：在压力下没有放弃思考，尝试跟上面试官的思路。复盘反思：这是本次面试的最大挑战和暴露出的主要不足。我的回答暴露了对技术的理解更多停留在“如何实现”，而缺乏对“技术边界和失效场景”的深入思考。这道题的本质是考察候选人的批判性思维和技术深度。改进建议：对于这类开放性问题，一定要提前准备具体、有画面感的例子。复盘后，我认为以下几个RAG的负面案例会是更好的回答：1. 多跳推理问题：当一个问题的答案需要结合多个独立的知识片段进行逻辑推理才能得出时，单次检索召回的上下文很可能是不完备的。2. 精确统计与计算：例如提问“知识库中关于‘A项目’的文档，过去三个月更新了多少次？” RAG无法执行计数或精确计算。3. 非结构化数据中的隐含关系：例如，无法直接回答“A和B两位作者合作过几篇论文？”除非知识库中有直接陈述这个事实的文本。4. 反事实或否定性问题：例如提问“请给我念一首你知识库里没有的诗”，RAG的机制决定了它无法处理这种“在不存在中寻找”的问题。

后端开发/AI工程实习生 - 技术一面面试问题速览1. 请做个自我介绍。2. （针对RAG项目）为什么选择用Elasticsearch来做存储？3. Elasticsearch和其它常规的向量数据库有什么不一样的地方？4. （针对AI Agent项目）整个Agent你是怎么去设计的？5. （针对多轮对话）持久对话是怎么实现的？6. 了解CAP理论吗？Redis属于哪一种？7. （针对分布式项目）怎么去选一个leader节点？（Raft协议）8. （针对后端项目）你这边用了一个RocketMQ，能简单说一说这种消息队列有什么用，具体用在什么场景？9. （个人情况）现在是开学到大三是吧？实习时间大概是多少？我的回答策略与复盘【针对问题】RAG项目中为何选择Elasticsearch？它和专用向量数据库有何不同？* 【回答策略】我主要从两个层面回答了这个问题：1. 工程实践角度：强调了基于已有技术栈和经验进行选型的务实考量。比如，我提到自己熟悉ES，且团队已有的ELK生态便于集成和运维，这展示了成本和效率意识。2. 技术特性角度：点出了ES的核心优势在于其综合搜索能力。我解释了它不仅支持向量搜索，还能利用其强大的倒排索引进行传统的关键词检索，这对于需要结合多种搜索方式的场景非常有利。* 【复盘与思考】* 亮点：面试官对我从工程实践角度出发的回答表示了认可，这表明在初创公司，务实和快速落地的能力很受重视。* 待优化：现在回想，我的回答应该优先强调技术优势。比如，可以更专业地指出ES的“混合搜索（Hybrid Search）”能力是其在RAG场景下相比Milvus等专用向量库的核心差异点和优势。先说技术核心，再说工程便利性，逻辑会更清晰。【针对问题】如何设计一个AI Agent？* 【回答策略】我将Agent的设计思路拆分成了两个核心部分：1. 核心大脑（LLM & Prompt Engineering）：讲解了如何通过精心设计的提示词工程（Prompt）来赋予Agent“专家角色”，并引导其进行多轮、有逻辑的提问，而不是一次性给出所有答案。2. 知识外挂（RAG）：详细说明了如何通过检索增强生成（RAG）技术为Agent挂载外部知识库，确保回答的专业性和准确性，避免模型幻觉。同时，我还提到了对原始数据（如PDF论文）进行清洗、切块和向量化的预处理流程。* 【复盘与思考】* 亮点：这个回答展示了系统性思维，将一个复杂问题拆解成了具体的技术模块，并且每个模块都有清晰的实现思路。特别是提到了数据预处理的细节，增加了回答的深度。* 待优化：可以进一步引入Tool Calling/Function Calling的概念，说明Agent如何调用外部API（如查询天气、数据库）来增强其能力，这样会让设计显得更完整和前沿。【针对问题】Raft协议的Leader选举过程是怎样的？* 【回答策略】因为这是我亲手实现过的项目，所以我非常有信心地按照时间线和状态机转换的逻辑，一步步地阐述了整个流程：1. 触发条件：从Follower收不到Leader的心跳超时开始讲起。2. 状态转换：描述节点如何将自己的term加一，并转变为Candidate状态。3. 选举过程：讲解Candidate如何向其他节点发起投票请求。4. 达成共识：强调需要获得超过半数的选票才能成为新的Leader。5. 新王登基：说明新Leader会立即发送心跳给所有Follower，以巩固自己的地位。* 【复盘与思考】* 亮点：这是本场面试回答得最好的问题。清晰的逻辑、准确的术语、自信的表达，强有力地证明了我的动手能力和对分布式协议的深刻理解。对于简历上的核心项目，一定要做到这个熟悉程度。【针对问题】消息队列（RocketMQ）用在什么场景，解决了什么问题？* 【回答策略】我没有泛泛地谈理论，而是直接用了一个项目中的具体场景——“大数据量异步导出”——来回答，遵循了经典的STAR原则：* （S）场景：用户请求导出大量数据，同步处理会导致页面长时间等待，甚至请求超时。* （T）任务：优化用户体验，同时避免后端服务因长时间重度计算而崩溃。* （A）行动：引入RocketMQ。Web服务接收到请求后，立即返回“处理中”的响应，并将导出任务作为一个消息扔进队列。后端有一个专门的消费服务去队列里取任务，慢慢处理。* （R）结果：实现了异步化，前端响应速度极快；同时起到了削峰填谷的作用，保护了后端服务，提升了系统的稳定性和吞吐量。* 【复盘与思考】* 亮点：用一个具体的业务故事来包装技术，非常有说服力。这展示了我不仅懂技术，更懂得如何用技术解决实际的业务痛点，这是面试中非常重要的加分项。

后端开发实习生 - 技术一面（oc已拒）面试问题速览1. 自我介绍一下。2. 大学课程和专业背景是什么？3. 为什么在学习了C++之后，选择Java和Python作为主攻方向？4. 你的学习方法是怎样的？如何保证学习的系统性？5. 具体谈谈你是如何学习Java的？6. 详细介绍一下你的AI Agent项目，它是如何实现的？7. 你使用的Spring AI框架和常见的开源基座有什么区别？8. 你的知识库是如何构建的？为什么选择自定义数据处理流程？9. 如果需要开发一个能扮演特定游戏角色的定制化Agent，你会如何设计？10. 在这个定制化Agent项目中，数据的重要性如何？如何获取和处理这些数据？11. Docker和K8s有什么区别？12. 微服务架构和单体架构的区别与优势是什么？13. 如何设计一个高并发系统的架构？14. 常见的负载均衡算法有哪些？15. Java中遇到死锁该如何分析和解决？16. 如何处理前端的跨域问题？17. MySQL查询性能如何优化？18. 你对前端技术了解多少？我的回答策略与核心亮点针对问题：开场自我介绍，展示个人技术全貌回答策略/框架：我采用了“技术栈 → 项目经验 → 学习理念 → 全栈能力”的结构化叙述方式，旨在快速建立一个技术扎实、有实践、爱钻研的立体形象。核心案例与亮点：项目经验具体化：通过“库存管理系统”引出性能优化能力（ES提升检索、RocketMQ削峰、Redis缓存热点）。突出前沿技术：通过“智慧农业项目”展示AI应用开发能力（Spring AI, RAG问答引擎），并用“大创国家级”奖项来量化成果。展现学习深度：主动提及学习MIT课程并实现Raft算法，强调自己对底层原理的追求和强大的自驱力。针对问题：考察学习能力、技术视野和决策逻辑回答策略/框架：我提出了一个“实践驱动”的学习模型：“先概览框架 → 快速上手实战 → 深入底层查漏补缺”。对于技术选型问题，我从“场景适用性”（如C++底层 vs. Java业务）和“技术趋势”（如Python for AI）两个维度进行阐述，展示了我的决策逻辑。核心案例与亮点：这个回答的亮点不在于某个具体案例，而在于其方法论本身。它向面试官清晰地传递了我的核心优势：拥有高效、系统化的自学能力，能够快速掌握并应用新技术，同时具备清晰的技术判断力。针对问题：深入考察AI应用项目的技术实现细节和原理理解回答策略/框架：我采用了“What-How-Why”的解释框架。What：这是一个基于Spring AI的RAG Agent。How：通过添加外部知识库、使用Redis持久化对话记忆等方式实现。Why：着重解释了为何自定义数据处理流程（PDF转Markdown、语义分块、向量化），而不是直接使用框架自带功能。核心案例与亮点：本环节最大的亮点在于对“PDF按页切分会破坏语义完整性，从而影响检索精度”这一细节的深入分析。这不仅展示了我对RAG原理的深刻理解，更体现了我在工程实践中追求细节、主动优化、解决问题的能力。此外，在回答定制化Agent问题时，我提出了从提示工程 → RAG → 模型微调 (LoRA) 的分层解决方案，展现了全面的技术视野和对成本效益的考量。针对问题：考察后端核心架构与概念（分布式、高并发、数据库等）回答策略/框架：对于架构设计类问题（如高并发），我采用“多维度拆解法”，从多级缓存、熔断机制、高可用架构（主从/集群）等多个角度系统性地展开。对于概念类问题（如死锁），我采用“原理+解决方案”的模式，先清晰阐述其形成的四个必要条件，再讲解如何通过破坏其中条件来解决。核心案例与亮点：回答的系统性和深度是关键。例如，在谈论负载均衡时，不仅能罗列出轮询、哈希等算法，还能进一步分析“最少连接/空闲实例算法”相比于简单轮询的优势，这体现了对技术背后原理的深入思考，而非简单背诵。针对问题：考察技术广度和知识边界（前端/容器）回答策略/框架：对于熟悉的部分（前端跨域），同样采用“原理+解决方案”模式，并提供了前端（反向代理）和后端（CORS配置）两种维度的解法，展示了全栈视野。对于不熟悉的部分（K8s），采取“诚实承认+阐述已知基础”的策略，先表明自己主要使用Docker Compose，然后从理论层面尽力对比二者。核心案例与亮点：对跨域问题的双端解决方案是加分项。同时，坦诚自己对K8s实践经验不足，并尝试进行理论分析，展现了诚实和积极思考的态度。这也提醒大家，面试中遇到知识盲区，诚实是最好的策略，如果能补充一些理论理解会更好。

今天才开始面试，面了两场。每次都是提前五分钟进入面试间，第一场面试官差不多是在面试时间开始后五分钟才到的。第二场面试甚至在开始时间后10分钟才进来。鼠鼠直接打电话过去问，结果说原本和我面的那个面试官摔伤了，现在在医院，马上换一个面试官来和我面。结果面的时间还没我等的时间长，就面了7分钟。然后技术相关的问题就问了一个redis和mysql的区别。好离谱啊！鼠鼠一般4点多就吃晚饭了，为了等面试整的肚肚打雷了，然后去学校旁边吃了个酸辣粉，又被暴击，吃了几口就不想吃了😭

（鼠鼠处女面，感觉自己说的磕磕绊绊的，逻辑不够清晰，面试官居然说回答的还好。好开心~一面秒过。）面试问题与回答要点1. 自我介绍 & 项目概览2. Go语言与Raft项目考察面试官提问:看到你简历说用Go实现了Raft，是有Go的开发经验吗？对Go语言了解多少？我的回答要点:背景说明: 坦诚说明是为了完成MIT 6.824课程实验，花时间速成了Go语言并完成了项目。能力边界: 承认目前主技术栈是Java/Python，Go的经验仅限于该项目，很多细节已生疏。掌握程度: 对Go的基础语法和并发（goroutine, channel）有基本了解。3. RAG智能问答项目深挖面试官提问 1:聊一下你基于RAG的智能问答项目，你在Elasticsearch里主要做了哪些工作？我的回答要点 (阐述RAG全流程):离线处理阶段:数据预处理: 将PDF论文转为Markdown。文本切块 (Chunking): 采用基于语义的切块方式，保证上下文完整性。向量化 (Embedding): 使用智谱的Embedding模型将文本块转为向量。数据入库: 将文本和对应向量一同存入Elasticsearch。在线检索与生成阶段:用户问题向量化: 用同样模型处理用户提问。向量相似度检索: 在ES中召回Top 3最相关的文本块。构建Prompt: 将召回的文本块作为Context，与用户问题组合成最终的Prompt。生成答案: 将Prompt发送给大模型（LLM）获取最终回答。面试官提问 2 :召回的Top 3数据可能内容相似度很高，但不一定完全符合用户问题，你如何避免给用户错误的引导信息？我的回答要点:优化数据源: 关键在于切块质量，保证每个Chunk都是一个逻辑完整的语义单元。优化召回策略:扩大召回量: 尝试扩大Top K（如Top 5），为LLM提供更丰富的上下文。增加多样性: 可以在召回时引入多样性策略（如MMR算法思想），除了最相似的，也召回一些“不那么相似但可能包含新信息”的文本块，避免信息茧房。4. 基于Redis的多轮对话管理面试官提问 1:你提到用Redis做了个性化的多轮对话管理，具体是怎么实现的？我的回答要点:持久化方案: 放弃框架默认的内存会话管理，选择Redis做持久化存储。数据结构: 使用Session ID和User ID作为Key，将用户的多轮对话历史关联起来。存储格式: 将包含发言人、内容、时间等信息的对话历史序列化成JSON字符串后存入Redis。读写流程: 当新一轮对话发生时，从Redis取出历史记录，反序列化，追加新内容，再序列化存回去。面试官提问 2 :LLM本身有上下文窗口（Context Window）限制，你是怎么突破限制，实现长期记忆的？难道把全部历史记录都传给模型吗？我的回答要点 (坦诚现状 + 给出解决方案):承认局限: 首先坦诚目前项目的实现确实是全量传入，在对话轮次很多时会超出上下文限制，这是一个待优化的点。提出解决方案:方案一 (摘要压缩): 对时间较早的对话历史进行总结，用一个简短的摘要来代替冗长的原文，从而压缩上下文长度。方案二 (RAG on History): 将长期对话历史本身也视为一个外部知识库。当用户提问时，先用RAG的方式从历史记录中检索出与当前问题最相关的几轮对话，而不是把全部历史都传进去。反问环节我问: 公司的具体业务？面试官答: AI硬件，做嵌入式芯片，主要应用在玩具中，与用户进行大模型交互。后端技术栈是Go。我问: 对我本次面试表现的看法和建议？面试官答: 整体不错，但项目经验偏校园和实验性质，缺乏工业级的深度。我问: 后续面试流程？面试官答: 总共2-3轮。