一句话结论Java+langchain4j/spring AI依旧是传统Java后端，只是多了最基础的LLM调用能力Java + Spring AI / LangChain4j ≠ AI 应用开发本身它更多是 “传统后端在接入 AI 能力”，而不是 “以 AI 为核心的应用工程”。差异不在语言，而在“系统的控制权和复杂度在哪一侧”。一、从「系统主导权」看本质区别（这是最重要的一点）1️⃣ Java + Spring AI / LangChain4j 的定位系统主导权在：业务系统 / 后端架构LLM 在这里是：一个能力插件一个“增强模块”一个被调用的外部服务典型结构是： Controller ↓...

是腾讯的csig腾讯云，前天晚上九点突然打电话约面，激动的通宵学了一晚上，第二天状态很差改了今天（以后再也不通宵学习了）感觉自己浪费了面试官一个半小时单纯手写＋场景，无八股无项目无算法，打击真的很大，全是在面试官提醒的情况下完成的，自己技术方面真的还是有待提高，实力匹配不上大厂和已经面试的两个公司完全不一样，很注重编码能力和解决问题的能力，然而我这两个方面都很薄弱，面试官人很好很耐心的等我写完题目，遇到瓶颈也会提醒我，写不出题也会很耐心的跟我讲解好感动，到最后面试结束还安慰我打算把下周最后一场面试面完之后就不面啦，如果能去实习还是很开心，但是最重要的还是好好努力提高技术以下是面经第一题// 实现一个解析 url 参数的函数function parseUrl(urlStr) {// TODO}parseUrl('*********************************************');// 返回 {a: 1, b: 2, c: 3}追问：在链接里见过什么部分？用 hash 路由的话放在哪第二题// 考虑有一个异步任务要执行，返回 Promise，这个任务可能会失败，请实现 retry 方法，返回新方法，可以在失败后自动重试指定的次数。/*** 异步任务重试* @param task 要执行的异步任务* @param times 需要重试的次数，默认为 3 次*/function retry(task, times = 3) {// TODO: 请实现}// ---------------测试示例 ----------------// 原方法const request = async (data) => {// 模拟失败if (Math.random() < 0.7) {throw new Error('request failed');}const res = await fetch('https://jsonplaceholder.typicode.com/posts', {method: 'POST',body: JSON.stringify(data),});return res.json();}// 新的方法const requestWithRetry = retry(request);// 使用async function run() {const res = await requestWithRetry({ body: 'content' });console.log(res);}run();第三题就是给 retry 函数添加类型注释，用到泛型第四题：在组件库中将 Alert 用 api 的形式实现（应该就是 message 这个组件）怎么渲染到一个浮层里而不是原地渲染出来

思维链（CoT）方法依赖于一组固定的人工注释范例。问题在于，这些范例可能不是不同任务的最有效示例。为了解决这个问题，Diao 等人（2023）最近提出了一种新的提示方法，称为 Active-Prompt，以适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）。下面是该方法的说明。第一步是使用或不使用少量 CoT 示例查询 LLM。对一组训练问题生成 k 个可能的答案。基于 k 个答案计算不确定度度量（使用不一致性）。选择最不确定的问题由人类进行注释。然后使用新的注释范例来推断每个问题。图片来源：Diao等人（2023）