去实习，看身边同事以及多数人干的活多数不是做亮点核心的内容而是普通活大家也都是打工人但的确有不少优秀，身边大家都很优秀去实习之后才慢慢看清，原来身边同事和大多数职场人每天做的，并不是想象中那些光鲜亮眼、核心高光的工作，更多是琐碎、重复又普通的日常事务。大家本质上都是认真谋生的打工人，只是各司其职、按部就班。但也不得不承认，身边的人都很优秀，只是优秀，不代表工作就一定很耀眼。

正常，但和实习初衷相悖，自己学习文档&看懂项目&AI总结，尽可能将做的内容写到简历，否则就是🐶了一段实习其实很正常，但往往和我们找实习的初衷相悖。真正关键的是别被动消耗：主动啃项目文档、梳理业务逻辑、用AI帮自己总结提炼，把能做的、看懂的内容都沉淀成简历亮点。不然只是混日子、打杂，最后这段实习就真的白白浪费了。

真切感受到了，春招与27届暑期实习全面爆发。• 春招进入高峰期，大厂HC集中释放，笔面试节奏加快• 27届暑期实习大规模开放，腾讯、字节等扩招，AI与技术岗占比高• 机会多但竞争激烈，更看重项目与AI工具能力• 建议抓紧投递、多复盘，抓住全年最佳求职窗口

看网上互联网大厂都写着HC创新高机会是有的AI冲击下，已经有公司的传统前后端向全栈趋势发展难/不难，自己尽力好好准备刷好算法题目、准备好个人项目背景还不错的话相信也能投中个中大厂实习又不少同学因为各种原因不参加抓住机会冲！！！GoodLuck

还要不要投，再投递大概率还会让自己陷入纠结中BAT大概率进不去，PDD去年因为开的包和家里面人建议，base地等原因拒绝了，希望有缘再见！所以春招投递，投递大概率不会特别好，算法&项目都忘了不少，好好抓紧学一下Agent&AI相关内容吧

改简历 给出潜在面试问题AI模拟面试（虽然没常用）记录面试问题&查找解决方案✍️博客AI成了我的求职全能搭子：帮我精修简历、提炼亮点，提前预测高频面试题，还能模拟面试官实时对练。遇到不会的技术问题，AI快速整理思路、查找解法，帮我高效复盘。写面经、总结知识点也全靠它，大幅提升求职效率，少走很多弯路。

1. AI 编程工具（写代码、补全、查Bug）• A+：GitHub Copilot、Cursor稳定、精准、天天用，效率神器。• B+：豆包编程助手、文心快码够用、能打，复杂场景稍弱。• B-：普通代码助手基础能写，易错多，要大量人工改。2. 基础大模型（通用问答、思路、方案）• A：GPT-4、Claude逻辑强，能做架构，细节要校验。• B：国内主流通用大模型思路不错，代码容易出幻觉。• B-：轻量/免费模型聊聊天可以，写代码不太放心。3. AI Agent 智能体（自动执行、自主任务）A：🦞open claw，期待qclaw• B+：能跑简单流程，复杂必崩• B-：大部分自动编程Agent概念大于实用，前端场景基本用不上。一句话总结：编程工具最能打，大模型可辅助，Agent还在实习期。

现在AI技能是求职的默认必备技能，不管是传统的前后端项目还是现在AI潮流新涌出的AI应用开发工程师、AI Agent工程师以及最顶的AI 算法工程师，笔者为前端岗位，秋招投递了15+互联网大厂，收获3家大厂Offer（快手、京东、拼多多），下面聊聊个人对面试中的AI的一些idea：总结（通过JD总结要学什么）前端基础JS&算法、React&Vue框架、Vite、Monorepo、Pnpm工程化、性能优化、主流（微前端、SSR、大前端）仍为基础，全栈+AI是亮点，前端&AI学习：框架前端开发者不再只是 UI 渲染层，而是要理解大模型、Agent、多模态交互，并能在业务中落地 AI 能力。整体架构可以分为四层：AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。AI工具链应用场景AI IDE 开发（TRAE、Cursor 方向）核心：打造端到端生成真实软件的智能协作平台。前端职责：AI 功能交互实现（代码生成、代码理解、知识问答）、IDE 内核框架开发、插件生态与工具链。技术栈：React/TypeScript、WebAssembly、Monaco Editor、WebSocket/SSE。Agent 平台开发（Coze、HiAgent 方向）核心：新一代 AI Agent 平台，支持协同办公与应用开发。前端职责：LLM 驱动的 AI Agent 框架实现、多 Agent 协同界面、可视化编排工具。技术栈：React/Vue、状态管理、可视化编辑器、实时通信。多模态创作与交互（剪映、抖音方向）核心：生成模型优化、多模态内容合成、实时交互体验提升。前端职责：AI 生成内容预览、实时滤镜 / 特效、多模态编辑界面。技术栈：WebGL/WebGPU、WebRTC、Canvas、性能优化（FPS、内存）。AI + 全栈开发（小红书、美团方向）核心：在 AI Coding 工具协助下完成前后端开发、测试、部署。前端职责：全栈开发、AI 辅助需求分析与方案设计、提升开发效率。技术栈：Node.js/Python、前后端协作、CI/CD、AI 工具深度使用。可视化与 AI 交互（同顺方向）核心：大模型应用的可视化交互、RAG/Agent 工作流演示。前端职责：可视化 Prompt 编排、多轮对话可视化、模型输出调试界面。技术栈：ECharts/D3.js、流程图库、实时数据渲染、响应式设计。工程化与能力要求前端基础扎实的 HTML/CSS/JS/TS，熟悉 React/Vue 等框架。工程化工具：Webpack/Vite、NPM/Yarn、CI/CD、自动化测试。跨端能力：WebAssembly、Electron、Taro 等。AI 工程化模型接入：OpenAI API、火山方舟 SDK、流式输出处理。性能优化：Token 压缩、缓存策略、推理延迟优化、首屏加载。安全合规：数据脱敏、隐私计算、内容审核。软能力拥抱新技术，紧跟 AI 前沿，不设边界。跨团队协作：与算法、后端、产品紧密配合。创新思维：将 AI 技术与前端体验创造性结合。

AI时代，前端岗位从代码实现者转向AI协同开发者。基础切图、样式编写被AI工具替代，岗位更看重提示词工程、AI代码审核与架构能力。要求熟练集成大模型API、流式交互、智能组件，强化工程化、性能优化与产品思维。前端需具备全链路视野，从实现页面转向打造智能交互体验，核心竞争力转向人机协同与复杂问题解决。

公司8点后下班，是有30元餐补的但是要有手帐第一天不知道怎样用，但是点了一下，有记录第二天，下班太激动，是9点半过后才下班但是忘记记录手帐了，第二天机器人🤖说要付钱懵了，问了入职的人员说能查到出入门时间很怪，估计也是我忘记打卡了相关人员也觉得很怪第三天记了手帐，可以了所以要遵循规范，老老实实按规矩来这一搞我和Leader很尴尬了（因为要上级审批）但还好有拍照，证明&出入证明，收回了餐补😅😅😅

转正实习：投的人没秋招多，投递了多数会给面试，笔试也是走个流程，重要的可能看你能实习多久，稳定&有没有相关项目实践，投一部分实习润色简历准备秋招秋招：1. 测评：认真完成即可，不录用多为公司意向问题2. 笔试：选择+编码，高分+早投更易被捞3. AI面：按流程完成4. 面试：手撕代码、实习项目关键，优先早场5. 泡池：正常现象，11–12月集中发offer，主动催6. 谈薪：难度大，仅极优秀可谈，多数谈了也不起作用

作为前端开发和科研学生，我曾让AI生成一份WebGL性能优化的文献综述，它不仅杜撰了多篇不存在的高影响因子论文，还编造了作者和发表期刊。更离谱的是，它给出的“权威”性能测试数据，在我复现后发现与实际结果相差一个数量级，差点误导了我的实验结论。解决1. 交叉验证：对AI输出的文献、数据，通过权威数据库（如Google Scholar、IEEE Xplore）进行检索验证。2. 复现实验：对AI给出的技术方案或性能数据，在本地或标准环境中进行复现测试。3. 限定输出：在prompt中明确要求AI“仅引用已公开的权威文献”“提供可复现的代码片段”，减少幻觉空间。

实习生，按部就班把自己的任务做完接住AI工具写文档、编码，完成需求抓住一个点，尽可能熟悉整个业务线用AI给出面试可能问题的问题然后查阅内部文档自行学习卷起来保证实习是有东西可以写到简历上去的

小红书|字节|京东|快手|拼多多|滴滴|得物|携程等前端面试AI频繁题目1. SSE 与 WebSocket 区别- 通信方向：SSE 是服务端单向推送给客户端，WebSocket 是双向全双工- 协议：SSE 基于 HTTP，WebSocket 是独立的 ws/wss 协议- 数据类型：SSE 只支持文本，WebSocket 支持文本和二进制- 重连：SSE 浏览器自带自动重连，WebSocket 需要自己写心跳和重连- 使用成本：SSE 非常简单，前端用 EventSource 就行；WebSocket 需要服务端支持协议升级- 适用场景：SSE 适合通知、日志流、AI 流式输出；WebSocket 适合聊天、游戏、协同编辑、直播简单理解：SSE：客户端连上去，服务器一直发消息过来WebSocket：客户端和服务器随时可以互相发消息---2. 对 AI 基本概念了解：RAG、Agent、FunctionCall、MCP、Skills- RAG：先检索外部资料，再让模型回答，用来解决模型瞎编、知识过时的问题- Agent：能自己思考、做计划、调用工具、一步步完成任务的智能体- FunctionCall：模型调用外部接口或函数的标准方式，比如查天气、查数据库- MCP：模型和外部系统、工具之间通信的统一协议，方便对接各种能力- Skills：把常用功能封装成可复用的技能，比如写代码、生成图表、总结文档它们的关系：用户提需求 → Agent 作为大脑 → 用 RAG 查资料、用 FunctionCall 调工具、用 Skills 执行能力 → 通信靠 MCP 协议---3. 个人 AI 技能了解（可直接背）- 了解大模型基本原理和提示词工程- 能基于 RAG 搭建私有知识库问答- 理解 Agent 工作流程，会使用 FunctionCall- 能做前端+AI 项目，比如对话界面、流式输出- 了解多 Agent 协作和常用框架- 能独立完成需求拆解、AI 方案设计与落地---4. 了解主流模型有哪些及各自特点、应用场景国际模型：- GPT-4o：综合能力最强，多模态好，代码、推理都很强- Gemini：谷歌多模态，图片、视频理解能力突出- Claude：擅长超长文本，安全性、合规性好- Llama：开源模型，可以本地部署、二次开发国内模型：- 文心一言：中文理解好，知识覆盖全面- 通义千问：阿里生态，适合电商、客服、业务系统- 讯飞星火：语音能力强，教育、医疗场景多- Kimi：超长上下文，适合读文档、总结资料---5. 用了什么 IDE 以及对比- VS Code：生态最丰富、轻量、插件多，日常开发主力- WebStorm：智能提示、代码重构强，适合大型项目和团队- Cursor：AI 原生编辑器，代码生成、对话一体，AI 开发首选- Zed：启动快、操作流畅，追求高效编码可以用总结：日常用 VS Code，AI 开发用 Cursor，大型项目用 WebStorm。---6. 多 Agent 有了解吗多 Agent 就是多个智能体分工合作，像一个团队一起完成复杂任务。- 分工：有的负责规划，有的负责搜索，有的负责写代码，有的负责测试- 通信：智能体之间可以传递信息、对齐目标- 优点：复杂任务更稳定、逻辑更清晰、更容易维护- 常用框架：AutoGen、CrewAI、LangGraph简单流程：用户提需求 → 主管 Agent 分配任务 → 各个智能体分别执行 → 汇总结果返回给用户---7. AI 在实习部门中应用场景- 智能客服、内部问答：用 RAG + 对话界面- 代码生成、自动补全、代码解释：用 Cursor、Copilot 这类工具- 需求文档、接口文档自动生成与总结- 前端页面自动生成：根据描述或草图生成代码- 数据可视化、报表自动生成：自然语言转图表- 测试用例、测试脚本自动生成---8. Agent 底层原理：ReAct、Transformer 了解ReAct：- 就是推理 + 行动- 流程：先思考要做什么 → 调用工具或执行动作 → 观察结果 → 再思考 → 直到完成任务- 是现在大多数智能体的核心逻辑Transformer：- 是现在所有大模型的基础架构- 核心是自注意力机制，能理解上下文、语义关联- 前端层面只要知道：它是模型用来理解语言、生成内容的底层结构---9. 现有需求如何用 AI 实现：拆解小需求、AI 规划、实现、测试，包含 /plan、/spec标准流程：1. 需求拆解：把大需求拆成小模块，明确每个模块做什么2. AI 规划 /plan：明确目标、执行步骤、输入输出、依赖项、时间安排3. 方案设计 /spec：确定接口、数据结构、页面逻辑、提示词、异常处理4. 实现：前端界面 + 模型调用 + RAG 或 FunctionCall 集成5. 测试：测试功能是否正常、有没有幻觉、流式输出是否稳定、异常情况是否处理6. 上线与优化：根据效果迭代提示词、流程、模型参数简单模板：/plan：目标 → 步骤 → 分工 → 时间/spec：接口 → 字段 → 页面 → 提示词 → 异常处理