最近看到很多 92 的，甚至是硕士，开始往测开赛道卷，说实话有点看不懂。先把话说清楚，大厂里的测开，绝大多数时间干的还是测试的活，只是写点自动化脚本、维护测试平台、接接流水线，真正像开发一样做系统、做架构、做核心平台的测开少得可怜，基本都集中在核心提效组，而且人很少，外面进去的大概率轮不到你，我想真正干过人都清楚。很多人被洗脑了，以为测开也是开，和后端差不多，只是更简单、更轻松、还高薪。现实情况是，测开和开发的职业路径完全不一样。开发的核心是业务和系统能力，测开的核心是稳定性和覆盖率，前者是往上走，后者天花板非常明显。你可以见到很多开发转测开，但你很少见到干了几年测开还能顺利转回开发的。更现实一点说，92 的高学历如果拿来做测开，大部分时间就是在做重复性很强的杂活，这种工作对个人能力的放大效应非常弱。三年下来，你和一个双非的，甚至本科的测开差距不会太大，但你和同龄的后端、平台开发差距会非常明显。这不是努不努力的问题，是赛道问题。所谓测开简单高薪，本质上是把极少数核心测开的上限，当成了整个岗位的常态来宣传。那些工资高、技术强的测开，本身就是开发水平，只是挂了个测开的名。普通人进去，99% 做的都是项目兜底型工作，而不是你想象中的平台开发。测开不是不能做，但它绝对不是开发的平替，也不是性价比最优解。如果你是真的不想做开发，追求稳定，那测开没问题。但如果你只是觉得测开比后端容易，还能进大厂，那我劝你冷静一点，这只是在用短期安全感换长期天花板。有92的学历，如果你连测开这些重复性工作都能心甘情愿接受，那你把时间精力用在真正的开发、系统、业务深度上，回报大概率比卷测开要高得多。想清楚再下场，别被岗位名和话术带偏了，就算去个前端客户端也是随便占坑的，测开是一个坑位很少赛道，反而大面积学历下放，不用想也能知道会是什么结果，我想各位在JAVA那里已经看到了

看牛客都好厉害，想知道92✌🏻班里一般有多少有实习的

rt，27届末流985本硕，想做大模型开发相关工作。目前该简历战绩：联想oc，人工智能实习生科大讯飞oc，助理研究算法工程师美团一面无消息（大概率挂），大模型智能体后端工程师百度一面挂，NLP大模型算法实习生OPPO二面无消息（估计挂在HR面）得物一面秒挂（KPI面），AI工程算法实习生中电信TeleAI一面挂，大语言模型算法实习生厦门快商通一面挂广州施耐德电气泡池子广电运通一面挂------手动分割线------求各位佬狠狠拷打

1. 问一下本科经历2. 介绍一下你第一个项目3. DDD分层架构比传统的MVC有哪些好处？4. 你设计的业务分配的算法介绍一下？5. 算法有哪些优化思路？6. 动态标签列设计怎么思考的？7. 数据量有多大？8. 数据量很大的话，数据存储怎么优化？9. 如何保证缓存和数据库之间的数据一致性？10. 相对于你这个项目用哪种方案？11. 项目中遇到的最大的困难是什么？12. 介绍一下第二个项目13. 模型分析diff的上下文怎么考虑？14. 如果diff的关联的上下文很长超过token，你会怎么办？15. 你想的这种方案，最后输入给模型的prompt是什么？16. 对于大模型的其他组件如RAG和skills有了解吗？17. 那你有想过把代码拆分成一些知识库放在rag里面吗？18. 有对比过其他模型的分析效果吗？19. golang有了解吗？20. HashMap的底层结构21. 为什么要用红黑树？22. 红黑树增删的时间复杂度？23. MySQL事务隔离级别24. MVCC实现原理25. 手撕算法：lc402 移掉k位数字 -> 没想到单调栈，暴力枚举了QAQ反问面试官之后，感觉我的缺点主要在于项目太过于玩具了，对于高并发什么的思考处于比较浅的地步，还有就是code-review对于call graph还有一些成熟的方案不怎么了解过，相当于纯demo，面过几场才知道QAQ，估计是没啥希望了，继续沉淀了噶人们