没面试的时候基本就是三件事循环：改简历、投递、补能力。白天会看有没有新岗位，顺手投一轮；中间穿插刷题或者补一个小项目，把简历内容再“实一点”。说实话焦虑肯定有，但如果什么都不做更容易乱想，所以会尽量让自己每天都有点具体进度。偶尔也会出去走走，不然容易越想越紧。

“熟悉某某技术栈并有实战经验”。实际上当时只是做过一个很基础的demo，很多细节都是跟着教程走的。面试一细问原理和优化思路就露馅了。后来写简历就收敛很多，不敢用这种绝对化表达了。

一类是 RAG知识库问答，比如自己抓一批资料（论文、笔记、技术文档），做清洗、切分、向量检索，再接LLM生成答案，这个最容易体现工程能力。一类是 简单Agent系统，比如“自动查资料+总结+生成报告”，重点是工具调用和流程编排，而不是模型本身。还有一类是 垂直小应用，比如学习助手、面试辅助、或者某个细分场景工具，关键是要有明确用户问题。

第一是问题背景：比如解决什么业务/学习问题，而不是一句“做了一个模型”。第二是具体方法：用了RAG、embedding、prompt优化还是微调，把你做的步骤讲清楚。第三是结果+你做的贡献：比如延迟下降多少、准确率提升多少，或者系统跑通了哪一段，你具体负责哪块。

有一次自己跟着一个小需求从0到上线做完，虽然很基础，但第一次把流程走通的时候还是挺有感觉的。后来再回头看，很多当时觉得难的东西，其实都变成了经验。

开始在一些大厂和互联网公司里出现了，比如 蚂蚁、字节、腾讯 的部分岗位，会考你怎么用 AI 工具完成编码任务，或者在限定条件下用 AI 提高效率。整体趋势是：不只是考你会不会写代码，还会看你会不会“用AI一起写代码”。

AI Coding确实能帮你写代码，但它替代不了“你会不会想清楚怎么解题”。LeetCode本质是在训练你的基本功：思维拆解、边界意识、代码表达能力，这些面试和真实工作里都还用得到。

第一是大模型基础，比如 Transformer、注意力机制这些，不用死抠论文，但至少要知道它怎么“理解和生成文本”。第二是工程能力，比如 Tool Calling、函数调用、API 设计这些，重点是让模型能“动起来”，不只是聊天。

HR面整体更偏“人和稳定性”。我遇到的基本流程是先自我介绍，然后问为什么选这个行业/岗位，有没有长期发展的打算，再聊实习经历里你具体做了什么。后面会问薪资期望、能不能接受加班或出差、有没有别的offer，偶尔也会问优缺点或者让你讲一次遇到冲突怎么处理。

偏基础岗或者一些中大型传统互联网厂。比如操作系统、网络、数据库这些基础问题还是会被重点问。也有一些公司更偏项目和工程实践，但基本很少完全不问基础的。总体来说还是“项目+八股”一起看，只是比例不同。

拖得比较久，从第一次投递到拿到OC大概两个月左右。中间有几次卡在面试或等反馈的阶段，节奏断断续续的。整体不算顺，但慢慢推进，最后还是有结果。

短期看，没工作更焦虑；长期看，烂工作更消耗。一个是不确定带来的拉扯，一个是确定性的慢性透支。更难的是烂工作，因为你每天都在失去状态。

AI能做事，但很难替代“对结果负责的人”：拍板决策、处理复杂人性、在不确定中判断，以及建立信任和影响力。工具可以变，人要承担结果这件事很难被替代。

校招看学历进门，面试看实习定输赢。学历决定有没有机会，实习决定能不能拿下。能两者兼顾最好，没有的话优先补实习更拉分。