关于特斯拉暑期实习offer和百度日常实习offer的比较。

气笑了,写了半个小时感觉没GPT讲的好,喂给GPT帮我重写了一下,但是有些缩写没说明LCS = Longest Common Subsequence，最长公共子序列LIS = Longest Increasing Subsequence，最长上升子序列BIT = Binary Indexed Tree，树状数组suf[i] = suffix 的缩写，这里表示“从 i 开始的最优长度”给你两个长度为 2e5 的排列 p 和 q，求它们的最长公共子序列中字典序最大的一个。例如：104 7 8 9 5 10 2 1 3 63 2 6 10 8 9 1 4 5 7ans: 8 9 5补了半天，也是补出来了。整体思路其实分两步：第一步，先把 LCS 转化成 LIS。因为 p 和 q 都是排列，所以每个数在 q 中出现的位置唯一。把 p 中每个数替换成它在 q 里的下标，原问题就转化成了求最长上升子序列。第二步，为了方便构造字典序最大的答案，记录每个位置的 suf[i]。suf[i] 的意思是：如果当前选了第 i 个位置，并且把它作为这一段的开头，那么从这里开始最多还能选出多长的合法序列。注意，这个长度是包含当前位置自己的。然后贪心构造答案。从最大的 suf 开始往下做，每次都在当前这一层里选能选到的最大值。这里“能选到”不只是原排列里位置要在后面，还要求它映射到 q 里的位置也在后面。这两个条件都满足，才能保证它仍然是公共子序列。时间复杂度分析：映射下标 O(n)。算 suf[i]，本质上还是 LIS 的 DP，可以用二分 / 树状数组 BIT 加速到 O(nlogn)。构造时，把 suf 相同的位置放到同一个桶里，同时记录它们的原值和原下标。每个桶内按值从大到小排序，然后从大到小枚举 suf，顺着扫一遍找第一个合法位置即可。这样排序总复杂度是 O(nlogn)，最后构造整体扫一遍是 O(n)。所以总复杂度是 O(nlogn)，2e5 可以通过。下面说一下为什么能转成 LIS。最长公共子序列这题，如果两个序列都是排列，那么把其中一个排列里的元素，替换成它在另一个排列中的下标，就可以转成 LIS。核心原因是：“值相同且顺序一致”等价于“映射后的下标严格递增”。这一步成立的关键条件就是：排列里的每个数只出现一次。比如在 p 中选出一个公共子序列：p[i], p[j], p[k]如果它在 q 中也按同样顺序出现，那么它们在 q 里的位置一定满足：pos[p[i]] < pos[p[j]] < pos[p[k]]所以公共子序列就对应着一个上升子序列，LCS 也就变成了 LIS。最后说一下 BIT 为什么能算 suf。这个本质上还是 LIS 的 DP。如果从右往左扫，设 suf[i] 表示以 i 位置开头时最多能选多少个，那么转移就是：suf[i] = 1 + max(suf[j])，其中 j > i 且 p[j] > p[i]也就是：要从右边、并且值比当前大的位置里，找一个最优的接在后面。这个可以用 BIT 维护前缀 max 来加速。因为 BIT 的结构天然适合维护前缀信息，后面的块会汇总前面的信息，而前面的不会被后面的影响。只要维护的是 max 这种可合并的信息，就能像维护前缀和一样维护前缀最大值。而这里值域又正好是 1..n 的排列，所以非常适合直接用 BIT 做到 O(nlogn)。

1. 你之前接触过的中间件里，挑一个最熟的讲讲它的核心设计，重点说为什么要这样设计如果讲消息队列，比较容易拉开差距的不是背概念，而是把吞吐、可靠性、顺序性和扩展性之间的取舍讲清楚。比如一套高吞吐 MQ 通常会采用顺序写磁盘、分区模型、批量发送、批量拉取和零拷贝来提升吞吐，但这么设计以后，消费顺序只能在单分区内严格保证，跨分区顺序就必须交给业务自己兜底。再比如可靠性不是简单开个副本就完事了，生产端要考虑重试和幂等，Broker 要考虑刷盘和副本同步策略，消费端还要考虑重复消费和位点提交时机。真正难的是理解这些机制不是孤立存在的，而是围绕吞吐、延迟、可恢复性一起做平衡。2. 软件工程里的设计原则你...

有没有大佬帮忙看看，给点建议

1.字节国际商业化广告团队的数据平台，属于业务中台，jd是搭建高性能广告数据查询服务，处理广告数据实时/离线链路加工，基于es、ck做引擎开发或封装。2.蚂蚁集团财保事业群的财富技术部门，负责银行资产、基金申赎等业务，岗位本质是业务逻辑密集型后端开发，核心职责是处理理财交易、资金清算等复杂流程，配合落地用户增长功能。目前先接了字节（offer会过期），蚂蚁走到了hr面，这周五开始hr面，求教应该选哪个谢谢牛客的佬们