# AI项目被面试官拷打：模型选型与Bad Case面试官问AI项目，最狠的三连击就是：“**为什么选这个模型？有没有bad case？怎么解决的？**”## Q1：为什么选这个模型？**❌ 错误回答**：“因为这个模型最好/最常见/大家都用。”**✅ 正确思路**：从**成本、效果、延迟、部署难度**四个维度横向对比。举例：做RAG问答，为什么选GPT-3.5而不是GPT-4？- **成本**：GPT-4贵10倍，预算扛不住- **延迟**：GPT-4首Token慢2秒，用户体验下降明显- **效果**：A/B测试发现，简单问答场景两者准确率差距不到3%- **结论**：用GPT-3.5满足需求，GPT-4留着处理复杂Case面试官想听的是：**你做过了对比实验，不是拍脑袋选的。**## Q2：模型有没有bad case？**❌ 错误回答**：“基本没有/很少出现。”（面试官：你骗谁？）**✅ 正确思路**：主动承认bad case，说明你深入用过、踩过坑。举例：> “有。我们发现在长文档QA场景，模型经常忽略中间段落的信息，只靠开头和结尾回答。我们叫它‘中间缺失’现象。”面试官心里：这人真做过，不是玩票。## Q3：怎么发现和解决bad case？**发现路径**：- 人工抽检：每100条标注一次准确率- 用户反馈：“答非所问”的投诉- 自动化评估：用LLM-as-Judge跑回归测试**解决方案示例**：| Bad Case类型 | 原因 | 解决方案 ||---|---|---|| 中间缺失 | 上下文注意力衰减 | 分块+重排序，重要片段放前后 || 数字幻觉 | 模型记不住精确数字 | 用检索结果直接替换，不靠模型生成 || 拒绝回答 | 安全阈值过高 | 调低温度+加少样本示例 |## 一个完整的回答示例> **面试官**：你的RAG项目为什么选BGE做embedding？>> **候选人**：> “我们对比了3个模型：OpenAI embedding、BGE-large、m3e。BGE在MTEB中文榜上Top 3，效果和OpenAI差距不到2%，但**免费、可本地部署、延迟低20ms**。成本上按日均10万次调用算，一年省3万多。所以选BGE。>> 但也有bad case——长文档（超512 token）直接截断会丢信息。我们发现后改成了滑动窗口分块+重叠20%，召回率从83%提到91%。后来这个方案被团队推广到其他项目。”## 面试官追问清单准备项目时，把这几个问题自己拷打一遍：- QPS多少？怎么优化延迟？- RAG检索命中率多少？怎么提高？- 幻觉率多少？怎么降的？- 遇到过什么奇葩输入？怎么兜底？- 如果重新做，哪里会改进？## 一句话总结**面试官问模型选型和bad case，不是要标准答案，是要证明：你亲手做过、踩过坑、动脑子解决了问题。**把你的bad case整理成故事，比背一百道八股文都管用。

# 2026年最好用的AI编程工具如果只推荐一个，我的答案是 **Claude Code**。---## 为什么是它？**能力断层领先**。SWE-bench Verified 上拿下 80.9% 的最高分，首次通过率约 95%——这意味着绝大多数任务一把过，不用来回修补。在多文件重构、复杂推理、代码风格一致性三个维度上，它都是全场最强。**1M token 上下文**。能直接吞下整个代码库，理解项目全局后再动手，而不是像其他工具那样“盲人摸象”。**Skills 生态成熟**。SKILL.md 已经成为跨工具通用标准，你在 Claude Code 上积累的工作流资产，未来可以无缝迁移到其他工具。---## 其他选手的定位- **Cursor**：AI 原生 IDE 体验最好，Tab 补全响应低于 100ms，截图转代码能力独一份。但它的 Agent 能力本质上是调用了 Claude 模型——绕了一圈又用回 Claude，为什么不直接用 Claude Code？当 Claude Code 因网络或认证问题无法使用时，Cursor 是最佳备选。- **GitHub Copilot**：覆盖面最广，生态整合最深，Workspace 能连接 Issues 到 PR 全流程。但 Agent 能力相对较弱，复杂任务还是要靠人。- **Windsurf**：免费版给无限自动补全，对学生和预算有限的开发者非常友好。Agent 能力不如 Cursor，但性价比拉满。---## 怎么选？| 你的情况 | 推荐 ||---|---|| 追求最强能力，能搞定认证 | Claude Code || 无法用 Claude Code，或习惯 IDE | Cursor || 深度绑定 GitHub 工作流 | Copilot || 预算有限 / 学生 | Windsurf 免费版 || 想完全掌控，开源优先 | Cline + 自带 API |---一句话总结：**Claude Code 负责上限，Cursor 负责兜底，Copilot 负责全家桶**。

# 简历写作窍门：问题→方案→结果，量化+贡献## 核心公式**问题 → 方案 → 结果（量化）+ 个人贡献**## 窍门1：别写“做了什么”，写“解决了什么问题”❌ 错误写法：> “负责XX模块的开发”✅ 正确写法：> “针对首页加载慢的问题（问题），通过优化接口合并请求+加Redis缓存（方案），将首屏时间从3.2s降到1.5s（结果）”**区别**：第一种看不出你的价值，第二种让面试官一秒看懂你做了什么、做成了什么样。## 窍门2：能量化的地方，别用形容词形容词没说服力，数字有。❌ “提升了系统性能”✅ “QPS从2000提升到8000”❌ “优化了用户体验”✅ “用户操作步骤从5步减少到2步，日均报错量下降60%”❌ “参与了重要项目”✅ “作为核心开发，负责订单模块，日活100w+”**注意**：没有绝对数字，可以用比例。“提升了30%”比“提升了很多”强一百倍。## 窍门3：写明“我”做了什么，不是“我们”面试官想看的是你的能力，不是你们团队的能力。❌ “我们团队上线了XX功能，带来了XX增长”✅ “我独立负责XX模块的设计与开发，通过XX优化，使接口响应时间降低40%。团队整体上线后DAU增长15%，其中我的模块贡献了主要的数据提升”**技巧**：用“我主导”“我独立”“我推动”“我设计”，把个人角色亮出来。## 窍门4：STAR法则的简历版STAR是面试用的，简历上可以压缩成“问题+动作+结果”三段式：- **背景/问题**：一句话说清楚遇到了什么挑战- **我的动作**：我具体做了什么（技术/方案/协调）- **结果**：量化数据 + 业务影响举例：> “用户投诉支付成功率低（问题）。我排查发现是超时设置不合理，调整后加入重试机制（动作）。支付成功率从92%提升到99.2%，日均投诉下降80%（结果）。”## 窍门5：用“动词+数字”开头每一条经历的第一个词，用强动词：**主导、推动、设计、优化、重构、搭建、实现**。然后跟上数字，面试官扫一眼就能抓住重点。❌ “帮助团队完成了代码重构”✅ “主导代码重构，将核心模块圈复杂度从15降到5，单元测试覆盖率达到85%”## 窍门6：不会写？用AI辅助把你的“流水账”丢给AI，让它帮你改成“问题→方案→结果”格式。输入：> “我实习的时候帮忙写了几个接口，还改了bug，mentor说挺好的”AI输出参考：> “独立完成3个RESTful API的设计与开发，覆盖用户登录、订单查询场景。修复线上5个P2级bug，接口可用率从99.5%提升到99.9%”**注意**：AI可能会夸大，你要自己核实数据、调整语气。## 一个完整的例子**修改前（平淡版）**：> 在XX公司实习期间，参与了数据平台的开发，负责一些前端页面的编写和后端接口的调试。使用React和Python，完成了mentor安排的任务。**修改后（问题→方案→结果+量化+贡献）**：> **问题**：数据平台报表加载慢，用户经常超时。> **方案**：我独立重构了前端请求逻辑，将串行请求改为并行，并优化了后端SQL查询，加了索引。> **结果**：报表平均加载时间从8秒降到2秒，用户投诉减少70%。该方案被团队采纳，推广到其他3个模块。**区别**：一个像“打杂”，一个像“做事”。你猜面试官想看哪个？## 最后一句简历不是“工作经历说明书”，是你的“价值广告位”。每句话都要告诉面试官：**我能帮你解决什么问题，我能带来什么价值**。写好之后，找个朋友看一眼——如果ta三秒内抓不住重点，重写。

# 什么人适合大厂？我说点真实的## 适合大厂的三种人**1. 想要“镀金”的人**履历上有个大厂logo，就像学历上的985。第一份工作进大厂，以后跳槽自带光环。HR筛简历时，大厂经历就是通行证。如果你在意“别人怎么看你”，大厂适合你。**2. 想要“被推着走”的人**大厂的流程、规范、晋升体系，像一条铺好的路。你不用想“下一步干什么”，到点了自然会有人告诉你：该写OKR了、该准备晋升答辩了、该做绩效自评了。如果你不太确定自己该往哪走，大厂能给你方向感。**3. 想要“快速攒资源”的人**大厂有成熟的工具链、牛逼的同事、海量的数据。你想学什么，内部文档够看半年。你想找人请教，身边全是背景光鲜的专家。如果你是个“吸星大法”型选手，大厂是天堂。---## 不适合大厂的三种人**1. 受不了“螺丝钉感”的人**大厂的岗位切得很细。你可能半年只做一个按钮的优化，一年只维护一个模块。想“全链路”“从0到1”？很难。如果你需要“我能看到完整的成果”，大厂会让你憋屈。**2. 讨厌“表演”的人**大厂需要写周报、写复盘、写晋升PPT。活儿不一定干得漂亮，但得写得漂亮。会干不如会写，会写不如会说。如果你觉得“做事就行，别整虚的”，大厂的游戏规则会让你心累。**3. 想要“自由”的人**大厂的流程多到让你窒息。提个代码要经过本地测试、单元测试、代码评审、集成测试、灰度发布...一个文案改个字都要走流程。如果你讨厌被规则束缚，大厂会让你想逃。---## 一句话总结**大厂适合想要“光环、确定性、资源”的人，不适合想要“自由、掌控感、完整成果”的人。**没有对错，只有合不合适。想清楚自己要什么，再去选。你觉得自己适合大厂吗？来评论区聊聊👇##广告：若有洛谷的请加入https://www.luogu.com.cn/team/127154和https://www.luogu.com.cn/team/123121

# AI Coding时代，程序员还有必要刷题吗？## 我的观点：有必要，但目的变了**以前刷题是为了“会做”**——手写快排、默写DP、应付笔试。AI来了，这些确实不用死磕了，Copilot三秒钟给你生成。**现在刷题是为了“会想”**——理解复杂度、识别模式、判断AI给的方案对不对。你没刷过题，连AI生成的代码有没有坑都看不出来。## 刷题的核心价值没变**1. 培养算法思维**AI能写代码，但不会告诉你“这个问题用贪心还是DP”。你得自己能判断。刷题训练的就是这种“识别问题类型→选择合适的解法”的能力。**2. 看懂复杂度**AI写了个O(n²)的嵌套循环，数据量一大就挂。你得能看出来，知道什么时候该优化。**3. 面试还是要考**现实是：大厂面试手撕代码环节，你说“让AI写”试试？面试官会让你当场写。刷题逃不掉。## 但刷法要变- ❌ 死记硬背代码- ✅ 理解思路和复杂度，代码让AI辅助- ❌ 刷偏题怪题- ✅ 刷经典题、高频题、考察思维模式的题- ❌ 追求数量- ✅ 追求“看题能想到解法”## 一句话总结**AI负责写代码，你负责想清楚“写什么、为什么、对不对”。** 刷题训练的是后者，这个AI替代不了。你觉得呢？来评论区Battle👇

# 加入Agent赛道，需要学哪些技术？## 基础层：LLM工作原理先搞懂大模型怎么工作的，不然用起来像黑盒。核心概念：Token、注意力机制、上下文窗口、温度参数。不一定要手推公式，但要理解“为什么模型会胡说”“怎么让它更听话”。推荐：李宏毅课程、Transformer论文精读。## 核心层：推理与调用**ReAct模式**：Reasoning+Acting，模型边想边做。这是Agent的“大脑”。学怎么设计prompt让模型拆解任务、调用工具、观察结果、迭代执行。**Function Calling/Tool Calling**：模型输出结构化指令（比如`{“tool”: “get_weather”, “params”: {“city”: “北京”}}`），系统去执行。要学会定义tools schema、处理多轮调用、异常兜底。## 框架层：LangChain/LlamaIndexLangChain是Agent赛道的事实标准。核心组件：Tool、AgentExecutor、Memory。边学边写：先搭个能查天气的简单Agent，再加对话记忆，再加多工具路由。## 落地层：RAG与评估**RAG**：Agent的“外挂知识库”。学向量数据库、分块策略、检索优化。**评估**：Agent怎么测？任务成功率、执行效率、幻觉率。学用LangSmith或自建评估集。## 一句话总结从**调API开始**，写个能查天气、算数学、搜网页的Agent。边写边学，比啃完理论再动手快十倍。你学到哪一步了？来评论区交流👇

牛牛学加法 呃，本蒟蒻第一次发题解，发篇简单的试试水，希望大家支持一下，鼓励一下！ 先说解法 呃，其实很简单，就按照数学计算的方法就行，加数+加数=和。 我们可以将加数1和加数2声明为n,m。将和直接输出！ 话不多说代码直接给上 #include<bits/stdc++.h>//万能头 //也可以用iostream using namespace std; int main(){ int n,m; cin>>n>>m; cout<<n+m; }

# 找工作心路历程：从焦虑到上岸## 投递阶段：海投的麻木3月初开始投，Boss直聘、牛客、官网三管齐下。最开始每一份简历都精心修改、写针对性开场白。投到第20家的时候，已经变成Ctrl+C/V了——“您好，我对XX岗位很感兴趣，这是我的简历。”累计投递：50+。已读不回：30+。发来拒信：10+。进入面试：8家。心态变化：期待→焦虑→麻木→继续投。## 面试阶段：过山车**第一家：陪跑**。面完自我感觉良好，等了一周收到感谢信。那天晚上emo了，第二天爬起来继续投。**第二家：被碾压**。面试官问的技术栈我听都没听过，全程“嗯...这个我不太了解”。面完想找个地缝钻进去。**第三家：终于过了**。面试官很温和，聊项目聊了半小时，技术面答上来80%。三天后收到offer邮件，手都在抖。## 等待阶段：最磨人面完等结果那几天，手机一响就心跳加速。刷牛客看别人报offer，一边羡慕一边焦虑。“他们都有了，我的呢？”后来学会了：面完就忘，继续投下一家。不把希望押在一家身上。## 上岸后：新的焦虑拿到offer那天开心了一晚上，第二天就开始担心：“实习能转正吗？”“同事好不好相处？”“我能胜任吗？”后来想通了：焦虑是常态，能带着焦虑往前走就行。## 给还在路上的你- 被拒不是你不优秀，是匹配问题- 海投+精投结合，别一棵树上吊死- 面完就复盘，下次别再踩坑- 心态崩了就崩一会儿，崩完继续投**最后一句**：找工作是场马拉松，不是百米冲刺。慢一点没关系，别停就行。你的找工进度到哪了？来评论区报个到，互相见证👇

# Agent面试高频题：ReAct、任务拆解、数分Agent设计**ReAct是什么？**ReAct = Reasoning + Acting，让模型“想一想→做一步→观察结果→再想下一步”。区别于单纯链式推理，它能根据环境反馈动态调整。比如查天气：先想“需要城市”，然后调API，拿到数据再想“要转换成摄氏温度”。**任务拆解怎么考？**面试官会给一个模糊目标，比如“分析销售额下降原因”。好的拆解：先明确时间范围和维度，再拆成数据提取→异常检测→维度下钻→归因分析，每一步定义输入输出。**设计数分Agent的思路？**- 感知：理解用户自然语言查询- 规划：拆解成SQL查询+分析步骤- 执行：调数据库、算指标- 总结：生成结论和可视化建议关键是用ReAct循环处理异常SQL或空值情况。

我觉得现在入门AI首先要**用起来**，而不是学起来。别一上来就啃西瓜书、刷算法题。先去用ChatGPT写个爬虫、用Cursor搭个网页、用Copilot辅助调个bug。在真实场景里遇到问题、解决问题，自然就知道该学什么了。工具先上手，理论再跟上。边做边学，比学完再做快十倍。

# AI能写代码、做报表、生成周报，但AI不能……**AI不能替你背锅。**线上出事故了，需要一个人站出来说“是我的问题，我来修”。AI可以写完美的代码，但不会在凌晨两点被电话叫醒，不会在复盘会上顶着老板的怒火说“下次我会注意”。**AI不能替你拍桌子。**需求不合理、排期太紧、跨部门甩锅——有些时候需要一个人站起来说“这个不行”。AI不会拒绝，不会谈判，不会为了团队的利益去得罪人。**AI不能替你建立信任。**同事愿意教你，是因为你态度好、肯学、靠谱。老板愿意给你机会，是因为你之前把事情做成了。这些信任是一点一滴攒出来的，AI替代不了“人”的温度。**AI不能替你扛住迷茫。**刚入行的焦虑、被质疑时的自我怀疑、不知道要不要跳槽的纠结——这些深夜里的辗转反侧，AI给不了答案。它能帮你写简历，但不能替你选方向。**最后一句：**AI是工具，你是那个拿工具的人。工具越强，拿工具的人就越值钱——但前提是，你得敢扛事、会做人、能拍板。这些，AI永远学不会。

# 给前公司打个分：文字版**公司：某互联网中厂（实习6个月）****环境：三星半**——工位挤了点，但咖啡畅饮，落地窗view不错，午休能在沙发区躺平。**工资：两星半**——实习4500在北京，房租就去掉3000，每个月紧巴巴，不敢点30块以上的外卖。**成长：四星**——技术栈新，mentor愿意教，半年从只会CRUD到能独立负责小模块，值了。**氛围：三星**——同组小伙伴好相处，但跨部门沟通像踢皮球，一个需求推三周。**心累：四星**——需求变不停，上线前通宵是常态，周日晚上就开始焦虑。**最拉：工资**——干活可以谈情怀，但付房租不行。**最夯：成长**——喂饱了简历，下一份工作希望能溢价30%。**一句话**：适合攒经验，不适合攒钱。

# 我更怕烂工作没工作是**消耗未来**——你不知道下一顿饭在哪，但至少还有力气去找。那种焦虑是外显的，像饿肚子，逼着你行动。烂工作是**消耗现在**——你每天醒来就知道要面对什么：重复、无意义、被否定、看不到头。它不让你饿死，但让你慢慢枯萎。最可怕的是，它会让你怀疑自己——“是不是我能力不行？”“是不是所有工作都这样？”然后你连找下家的勇气都没了。我见过没工作三个月但状态越来越好的人（学习、健身、面试），也见过在烂工作里待一年整个人眼里没光的人。没工作是短痛，烂工作是慢性的、会扩散的毒。如果非要选，我宁愿饿着找路，也不要在温水里被煮熟。

有大佬能帮忙用C++解答一下这道# U675422 遗迹守卫•符文能量塔## 题目描述你发现了一座古老的符文能量塔，它是一棵 n 个节点的树（编号 1~n），根节点为 1。每个节点 i 上有：一个符文石，类型为 A~J（10种）能量值 E[i]（可为负数，表示消耗能量）规则：收集规则：从根出发，必须沿着树边向下移动（不能向上），可以选择跳过某些子树不进入符文序列：有一个目标符文序列 P（长度 k ≤ 10），必须按顺序收集符文1.例如 P = "AB" 表示必须先收集一个 A，再收集一个 B2.同一个符文类型可以被多次收集，但只有第一次收集计入序列进度3.收集到不需要的符文不影响进度（但能量照常计算）能量计算：1.初始能量 = 02.每经过一个节点（包括根），加上该节点的 E[i]（可正可负）3.能量不能为负数（如果某步后能量 < 0，该路径非法）1.背包限制：最多可以跳过 M 个节点（即不访问，也不收集其符文，子树全部放弃）2.跳过的节点不计能量，不收集符文根节点不能跳过目标：在满足符文收集顺序、能量始终非负、跳过节点数 ≤ M 的前提下，最大化路径总能量（最终能量值，不是收集数）。输出：最大能量值，如果无法完成符文收集输出 -1。## 输入格式第一行输入一个n和M第二行字符串P接下来n行，每行一个字符串type[i],和一个整数E[i];## 输出格式一个整数，表示最大能量值。#1##1```3 0AA 5 2 3 0B 10 0C 20 0```##1```5```#2##2```3 0AA 5 2 3 0B 10 0C 20 0```##2```-1```## 说明/提示上面两组测试样例均为测试数据！tips:1 ≤ n ≤ 100,0 ≤ M ≤ 10,1 ≤ |P| ≤ 8,-100 ≤ E[i] ≤ 100题目吗？