求助 | 有无佬知道心识宇宙(mindverse)待遇

自我介绍介绍一下实习内容平时有遇到接口响应超时吗？是怎么处理的？上报数据超时一般都是涉及文件，那针对文件你怎么处理？volatitle的作用？为什么能保证资源的可见性？讲讲synchronized锁？了解分库分表吗？一般怎么划分的？了解什么分布式id算法？雪花算法的缺点？聚簇索引和非聚簇索引的区别？讲讲undo log和redo log？还了解什么索引分类？联合索引的使用有什么注意事项？最左匹配原则的原理？Spring循环依赖知道吗？怎么解决的？redis中有10亿个电话号，有一部分的电话尾号是123，如何快速的查出来？redis为什么这么快？io多路复用？为什么hash的单条指令能保证原子性...

1.Prompt是如何生成的，优化目标是什么，任务是什么？2.减少大模型幻觉，你用过哪些方法？3.介绍一下 beam search原理，与直接sample的区别？4.搜索准确性不高你怎么排查？5.召回、排序哪个阶段最可能出问题？6.在简历项目中，你用到Bert，你能不能介绍一下 BERT和GPT的训练方式(预训练任务训练细节)的区别？7.你在项目中做过哪些相关性优化？有没有量化结果？8.生成式搜索能否保证 top-1 的准确性？怎么提高？9.agent 服务高可用、稳健性是怎么保证的？10.生成式排序你了解吗？11.如何构造排序模型训练数据？如何解决正负样本不均？

1.自我介绍（拷打实习项目）1.RAG的流程了解吗，比如向量化采用哪个模型来做的，怎么存的文件？2.文件分块怎么做的，基于怎么原则/规范？3.如果基于段落来分块，为什么不选用一个比较大的段落或者一个比较小的句子来分呢，有考虑过过大/过小会造成什么影响吗？4.调用向量化模型的时候，是调的实时的接口还是其他的方法来做的？5.这个接口是自己写的还是直接调用的豆包的SDK？6.豆包有没有提供批量处理的向量化的接口？7.向量化处理时，是每个文本分块分别进行向量化，还是把所有的文本都切分好之后，调一次接口就好了？8.ES检索完之后有没有对检索结果做质量评估呢，有没有通用的测试方法，比如标准数据集？9.你简历提到接口响应时间从800ms到200ms，有关注过影响耗时的核心点是在哪吗？10.在传入的文档数量是固定的情况下，返回的top结果的值不同，对接口耗时有没有影响，影响大不大？11.采用的什么策略来减少RAG的幻觉？12.Kafka 解耦文件上传、处理这块怎么做的？13.Kafka 的分区策略有哪些？默认分区、粘性分区、自定义分区分别是什么？14.有了解过kafka分区的概念吗？15.正常来说，一个topic下是一个分区还是多个分区呢？16.多个分区的好处是什么？17.kafka消费的策略有了解吗？（拷打练手项目）18.你在项目里使用了RabbitMq，有对比过RabbitMq和Kafka的区别和使用场景吗？19.如果要防止数据丢失的话，一般采用的标准方案是什么？20.项目里用到的两级缓存，Redis和Caffeine，缓存一致性怎么做的？21.Canal做MySQL到ES的增量同步的时候，监听的是MySQL的哪个日志？22.除了binlog，还有哪两种日志类型比较常见，分别的使用场景？（拷打轮子）23.为什么WAL这一块要先写日志呢？24.2PL的规则有了解吗？25.2PL加锁和解锁的阶段有没有交叉？26.有了解2PL可能造成哪些问题吗？27.2PL造成的死锁问题怎么解决？28.你用到了LRU策略，它是用来解决什么问题的，有什么优势？（其他）29.了解Linux和shell吗？30.实习的时候的开发环境是基于win还是Linux呢？（场景题）31.公司可能用到第三方的SDK，SDK只提供了静态的方法，要求在注入的时候，用的成员是静态的，但是Spring中@Autowired是用来注入非静态成员的，那我想注入一个静态的变量该怎么做呢？（八股）32.怎么创建一个线程？33.Callable和Runnable的区别是什么？34.使用synchronized时，加在方法上和加在代码块上的区别是什么？35.在synchronized的同步块里，该怎么判断是使用this对象还是使用class对象呢？36.在 Spring Boot 的容器里，一个 Service Bean 是否是单例的，或者说同一个类会不会有多个实例？37.你接触到的数据结构都有哪些？38.有了解过动态规划和分支限界的算法逻辑是什么吗？(手撕)225. 用队列实现栈

2025年，是我真正意义上的“毕业年”，也是人生中情绪最复杂、成长最剧烈的一年。我硕士主攻方向是电子设计自动化（EDA），但坦白说，我对C++始终提不起兴趣。实验室日常聚焦在AIEDA方向，代码以Python为主，C++几乎成了“只在面试里出现的语言”。虽然知道EDA岗位对C++有硬性要求，我也硬着头皮刷了不少题，但总是记了又忘、写了又错，编程上也越来越依赖大模型辅助。结果可想而知：秋招投递EDA岗位时，屡屡碰壁。没有亮眼的科研成果，项目经历也平平，简历关都过不去。那段时间，焦虑、自我怀疑几乎成了常态。看着同门陆续拿到offer，而自己还在“投简历+刷题”的循环里打转，内心格外煎熬。转折发生在秋招后期。我开始认真思考：兴趣是否比“专业对口”更重要？ 答案是肯定的。我对大模型技术产生了浓厚兴趣——它前沿、开放、充满可能性。于是，我果断转向大模型应用开发方向。虽然决定得晚，准备得仓促，甚至报了个短期班“恶补”工程能力，但也算是在绝望中抓住了一根绳子。过程可谓“连滚带爬”，每一步都在补课。知识体系庞大到令人窒息。幸运的是，在春招尾声，我拿到了一份大模型应用开发的offer。然而入职后才发现公司存在工资拖欠问题，起步就栽了跟头。现在的我，一边在职“骑驴找马”，一边疯狂补基础、做项目。回看这一年，我常常会觉得实验室里我是“混得最差”的那个，一味自责“太菜”。2025年，我没有光鲜的offer，也没有逆袭的故事，只有一个普通毕业生在迷茫中摸索方向、在失败里咬牙坚持的真实轨迹。2026年，愿我们都能在热爱的领域里，站稳脚跟。