北方华创工艺工程师

最近我想给大家分享一些我自己的嵌入式面试经历和经验，嵌入式面试有的时候其实没有那么难。一、嵌入式面试的核心：基础是通行证，而非“加分项”嵌入式技术横跨软硬件，从单片机到RTOS，从驱动开发到Linux应用，看似体系繁杂，但所有复杂模块的底层，都离不开核心基础。面试官设计提问时，往往是从基础知识点切入，逐步延伸至实际应用，而非一上来就考察冷门技术。比如面试单片机岗位，不会一上来就问“复杂项目的整体架构”，而是先问“GPIO的工作模式有哪些？推挽与开漏输出的区别是什么？”；考察Linux嵌入式，核心也是“字符设备驱动的基本流程”“设备树的作用”这类基础内容。基础扎实，就能顺着提问逻辑层层展开，即便...

第一次找实习 希望大佬们给点建议  

作为带过好几个实习生的老mentor，我见过有同学带着一腔热血来实习，最后却只带走一份单薄的履历。实习，是你从学校到职场最关键的过渡期，它的价值远不止一份实习证明。今天，我不讲大道理，就从我作为Mentor的视角，给你们几条能立刻用上的建议。记住，你的目标不是当个好学生，而是成为一个值得信赖的职场新人。一、 心态转变：从被动答题到主动解题这是我最想强调的一点。学生思维是：等待老师布置明确的作业，然后完成它。职场思维是：主动发现模糊的问题，然后解决它。反面事例：接到任务后，埋头就做，遇到困难不吭声，直到截止日期才说“这个我不会”。Mentor期待的是啥呢？首先是确认目标：接到任务后，先用自己的话复述一遍：“我理解这个任务是要达成XX效果，对吗？” 确保方向没错。然后是主动思考：不要只带问题来，要带“选择题”。问“这个数据我不会查，我尝试了A和B方法都失败了，您看是方法C更合适，还是我有其他没考虑到的渠道？” 这证明了你的思考和努力。最后是闭环思维：任务完成后，主动告知结果：“XX任务已完成，数据/文件已发您邮箱，并同步在团队网盘了。其中有个小发现是……，供您参考。” 让一切有始有终。二、 沟通方式：实习生的很多错误，都源于“想当然”和“不敢问”。反面教材：在做一个PPT时，因为不确定公司模板，就套用了自己觉得好看的模板，结果不能用。那么怎么确认，怎么提问呢？第一个，不懂就问，但别重复问：第一次问，是学习；同样的问题问第三次，就是不用心。准备一个笔记本，把关键信息、操作流程、注意事项都记下来。第二个，及时汇报，别等追问：特别是遇到卡壳或可能延期时，一定要提前说。Mentor不怕你慢，就怕你失联。没事儿更新一下进度：目前已完成80%，但在XX环节遇到点阻力，正在想办法沟通等回复，预计今天下班前确定结果，到时候给您，这样说能让人极度安心。第三个，珍惜1on1机会：和Mentor的定期沟通，不是你被动接受批评，而是你主动获取信息和反馈的黄金时间。提前准备好：a) 本周工作进展；b) 遇到的困惑/挑战；c) 希望学习的新技能；d) 对团队业务的任何好奇。三、 工作习惯： 专业性体现在细节里职业素养不是空话，它藏在每一个你容易忽略的细节中。1. 邮件/沟通软件礼仪：邮件：标题清晰（如【实习生XX-XX项目周报】），正文称呼得体，结尾有落款。别用“在吗？”开头。工作群：别发表情包刷屏，沟通事情简明扼要。收到任务或通知，回复“收到，谢谢”，这是基本的确认和尊重。2. 文件管理与命名：我会观察实习生的桌面，看他们的使用习惯，乱糟糟的桌面说明他没条理。文件命名要使用统一的命名规则：日期_项目名_内容_版本_姓名。例如：20231027_秋招海报_初版_张三。这能为整个团队节省大量沟通成本。3. 对待杂活的态度：复印、整理数据、会议纪要……这些dirty work是不可避免的。但优秀的人是能从中找到价值的:整理数据时，可以留意数据之间的关联或异常，做会议纪要时，可以梳理出会议的决策和待办事项。四、 终极目标：带走三样东西1. 一段能讲出STAR法则的实战经历：这直接决定了你未来求职简历的厚度。2. 一位可以为你未来背书的Mentor/同事：好好表现，离职时保持联系，他们可能成为你未来求职的推荐人和内推渠道。3. 对行业和岗位的真实认知：通过这次实习，你想清楚自己是更热爱这个行业，还是想赶紧跑路？这个答案，价值千金。最后，作为你们的Mentor，我想说：大胆去试，勇敢去问，别怕犯错。实习期是你犯错成本最低的时候。展现出你的靠谱、主动和思考，我们做Mentor的，会非常乐意把更核心的任务交给你，因为带你，也是在为团队培养未来的战友。希望这些建议能帮你少走弯路，打一场漂亮的实习战！

不开玩笑，如果我的毕业论文致谢里能写实话，排在第一位的绝对不是我导，而是我的 GPT-4 / Claude / Gemini。比起那个神龙见首不见尾、每次见面只问“进度怎么样”的碳基导师，这位硅基导师才是我得以苟活到今天的支柱。1. 学术黑话翻译机 “这个模型加了这一层之后，效果变好了，跑得也快。”AI 改的： “通过引入该特征增强模块，模型在保持较低计算复杂度的同时，显著提升了在低信噪比环境下的鲁棒性，验证了该架构的有效性。”它不生产观点，它只是学术垃圾的搬运工和包装师。2. 理论强行解释器 随便设了个参数 ，实验效果竟然最好，但完全不知道为什么。AI： “正则化约束”、“权衡偏差与方差”x...