考研败犬的字节前端一面（估计凉了）

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

之前快手实习的时候在电梯里面听到一个老哥问另外一个老哥，面试的时候问什么怎么招什么类型的候选人。那老哥也是坦率，直接说看眼缘，聊得来就行。无论是之前这个快手这个面试官还是现在我认识的很多面试官，绝大多数面试官在面试的过程中多少都会代入部分自己的主观判断。 很多技术岗的小伙伴和我以前一样，只搞技术不在乎其它的一些地方，但是不是每个人都能用绝对的技术来征服面试官的 ，所以很多非技术的点在找工作的时候也很重要，这些非技术的点好似润滑剂，有了润滑剂会让你的求职引擎转动起来更加的丝滑。简历上的图片简历照片的重要性：看过很多人的简历图片和当初博主求职的时候一样，用的大一甚至高中的照片，这里非常推荐如果有时...

韩国时尚平台Musinsa招AI原生开发者，二面直接给你OpenAI的Codex用。不是让你白板写代码，而是给你AI工具，看你能不能用它解决实际问题。考的是“AI原生能力”——就是把AI融进工作里的本事，不只看你会不会写代码。人家招的是能用AI干活的人，不是只会背八股的。据说光简历就收了2000多份，这赛道已经卷起来了。

最近在工作里，大家都在讨论 vibe coding，工具也是百花齐放，cc，codex，trae。它确实提高了开发效率，但有时也会发现，明明生成的测试用例都通过了，但是交付后效果依然很差；变量名，项目结构完全没有按照规章来，太过发散；ai听不懂人话，需要多次返工，不仅没有增效，反而让leader觉得做事不仔细。也就是说，很多人只是用起来了，而不是用好了。真正把它用好，关键不在“让模型多写一点”，在于先想清楚边界。第一，先分清需要处理的是“项目”还是“模块”。如果只是一个边界清晰、输入输出明确的小模块，vibe coding 的效果通常很好，因为上下文相对稳定，模型更容易收敛到可用结果。但如果是...