钉钉秋招一二面

1.自我介绍2.深度参与项目，产出3.OCR为撒做文件识别；部署的哪个4.传统的读取pdf docx api sdk有用过吗5.文本内容为啥还要用ocr6.pdf 图片内容；图片，图表的理解，怎么做；饼状图，折线图怎么提取语义信息7.ocr背后的原理，给一个饼图，然后怎么输出内容8.是否真的了解怎么识别 占比 类比这样的语义识别9.有看过ocr调用，语义保留这样的指标的评估10.怎么做评估；完全识别的指标又是怎么评估；九十分一百分怎么打分完全识别11.图表识别怎么评估打分，怎么评判，有哪些依据12.为啥选768维度13.讲下embedding模型，怎么做embedding14.embedding模型底层；什么是token；为撒100wtoken最大token数15.大语言模型参数了解吗；在显存消耗的哪个层面消耗的16transfomer词表是怎么构建的吗17.ES怎么构建的；这里面的关键词怎么构建的；BM25基于什么原理18.一部分milvus语义召回，一部分ES关键词召回；怎么返回用户的19.精排维度是多少，原理是什么20.rerank精排基于什么；为撒精排效果更好21.你觉得这些策略涉及有哪些问题；讲了四个问题权重；向量维度；双向量检索的策略；切分策略（切分维度）22.针对上述的你提的问题，说出自己解法23.最核心的一个指标的什么；最核心的指标；归纳出最核心的一个综合指标24.function calling mcp skill，解释概念；用到什么场景；分别解决了什么问题答得不好25.prompt engining ，context  engining，hareness enginering 解释什么问题答得不好26.抽象类和接口却别27.jvm内存回收；什么情况下适合标记清除，什么标记整理28存活时间怎么定义这里列下六个ai概念和解释24. Function Calling、MCP、Skill：概念、场景与解决的问题这三个概念其实代表了 AI 智能体（Agent）与工具交互的三个不同层级：底层协议、通信标准、业务封装。1. Function Calling (函数调用)概念：这是大模型的一种底层能力。它让模型不仅能输出文本，还能输出结构化的数据（如 JSON），告诉程序“我要调用哪个函数，参数是什么”。解决的问题：解决了“模型说不清楚，程序读不懂”的问题。它打破了模型只能聊天的限制，让模型有了“手”，能触发外部动作。场景：简单的工具调用：查天气、计算器、查询数据库。提取结构化信息：把用户的一段话转换成 JSON 对象。2. MCP (Model Context Protocol，模型上下文协议)概念：由 Anthropic 提出的标准化通信协议。你可以把它理解为 AI 界的 USB-C 接口。它定义了一套标准，让 AI 应用（Client）能统一地连接到各种数据源和工具（Server）。解决的问题：解决了“连接碎片化”和“上下文孤岛”的问题。以前每接一个工具都要写一套适配代码，现在只要工具支持 MCP 协议，AI 就能直接连，不用重复造轮子。场景：企业级应用集成：统一连接本地文件、Google Drive、Slack、GitHub 等。跨平台工具共享：开发者开发一个 MCP Server，所有支持 MCP 的 AI 客户端都能用。3. Skill (技能)概念：这是面向业务的能力封装。它通常是一个包含指令、脚本、资源和提示词的“文件夹”或集合。Skill 往往基于 Function Calling 构建，但更复杂。解决的问题：解决了“工具零散，无法完成复杂业务”的问题。它把一个个原子化的函数（如“查航班”、“查酒店”）组合成一个有意义的业务能力（如“订机酒套餐”）。场景：复杂任务处理：比如“帮我策划一次旅行”，Skill 会自动规划步骤，依次调用查天气、订机票、订酒店的函数。垂直领域专家：比如“法律助手 Skill”，里面封装了查法条、写文书的特定流程和提示词。📌 总结对比表表格概念本质定位核心解决问题形象比喻Function Calling底层交互协议模型输出结构化指令神经信号（告诉手要动）MCP通信与调度层统一连接标准，避免重复开发USB 接口（通用插头）Skill业务能力层复杂任务编排与封装操作手册（怎么做菜）🧠 25. Prompt Engineering、Context Engineering、Harness Engineering这三个概念代表了 AI 应用开发从“手工作坊”到“系统工程”的进化过程。1. Prompt Engineering (提示词工程)解释：这是最早期的阶段。核心是“写咒语”。通过精心设计自然语言指令（如“你是一个专家，请一步步思考...”），引导模型输出更好的结果。局限：它是一次性的、静态的。如果任务太复杂，光靠一段话很难控制模型。2. Context Engineering (上下文工程)解释：这是目前的主流趋势。核心是“构建信息流水线”。它不再只关注那一句提示词，而是关注如何把最有效的信息（知识、历史、工具描述）在恰当的时机喂给模型。它包括 RAG（检索增强）、记忆管理、摘要压缩等技术。解决问题：解决了模型“记性差”、“知识过时”和“幻觉”问题。它把模型从一个“聊天机器人”变成了一个“拥有外部知识库的专家”。3. Harness Engineering (编排工程/智能体工程)注：Harness 在这里通常指“智具编排”或“系统 harness”，类似于 LangChain 或 AutoGen 这类框架所做的工作。解释：这是最高阶的阶段。核心是“系统级管控”。它不仅仅是给信息，而是设计一个工作流。比如：先让模型 A 写代码，再让模型 B 审查代码，如果报错再让模型 A 修改。它涉及多智能体协作、循环反馈、工具调用的逻辑编排。解决问题：解决了复杂任务的自动化执行和可靠性问题。📌 一句话总结进化史Prompt Engineering：教模型“怎么说话”。Context Engineering：给模型“参考资料和记忆”。Harness Engineering：给模型“ teammates（队友）和工作流程”。

🏢 1.5 - 字节跳动 - 番茄小说（后端开发） 面试状态：一面（已挂，1.7 收到感谢信） 🗣️ 1. 自我介绍 常规自我介绍。 💻 2. 算法题（手撕代码） ① 数字串转化为字符串  题目描述：给出一个数字串（如 12322），要求给出所有可能的对应字符串组合（输出数组）。例如 12322，输出要列出 1 2 3 2 2 对应的字母 abcaa，12 3 2 2 对应 lcaa 等等。 结果：想了 5 分钟没思路，面试官主动提出换题。  ② 翻转字符串里的单词（URL倒置）  题目链接：************************ 结果：想了 5 分钟，在面试官指引下说出思路。...

攒人品中，祝大家都能拿到满意的Offer！1.在 AI 流式输出过程中，如果返回的 Markdown 标签被截断，前端如何处理渲染？2.什么是 RAG？前端在整个流程中可以参与哪些工作？3.如何优化 Prompt Engineering，以减少前端请求的 Token 消耗？4.在 AI 聊天界面中，当消息非常多时，如何保证滚动平滑且不卡顿？5.如何防范 Prompt Injection攻击？6.你们项目是如何进行性能监控的？针对 AI 场景有哪些特殊指标？7.封装一个通用的 AI Chat 组件需要考虑哪些 Props 和 Slots？8.如果 AI 接口偶尔出现网络抖动，前端的重试机制该如何设计？9.简单聊聊向量数据库在前端的应用，前端需要处理向量化吗？10.如何实现一个支持拖拽上传、预览并能被 AI 解析的附件功能？

人生第一次面试，从中午开始就紧张的不行，吞了两粒普萘洛尔，面试的时候确实一点没紧张了。问了快四十个问题，面经写出来才发现问题这么多，怎么记得看面经都是只有一二十个，是不是大家发的时候都精简了一些导致的？鼠鼠实力还是不够，死锁居然没想起来，aba问题一句话的事，也没看过，场景题也只能凭自己经验瞎编，没提前准备好在面试官人比较好，没答上来也给提示，说没关系。（感觉面试官也有点紧张，让我放松了不少）没有手撕也比较惊讶，不知道是出于何考虑。希望能有二面吧，给我一点正向反馈吧，压力真的是爆了问题：1. 请花大概五到十分钟，介绍一下你的项目经验，以及整体遇到的问题和如何解决的。2. 本地生活服务平台项目，是你一个人完成的还是团队合作完成的？3. 这个项目（本地生活服务平台）中，你觉得遇到了最重要、最难的问题是什么？你是如何解决的？4. 经过你这个缓存设计之后，你的整个系统 QPS 可以到多少？假如说我现在要扛 1 万 QPS 的话，你觉得整个系统还需要做什么升级改造？5. 你怎么样去识别哪些数据是热点数据的？6. 假如说你的系统一直运行得很好，突然某天出现了宕机，你觉得应该怎么去定位？大概的流程知道吗？7. 你觉得秒杀系统这种商品购买和普通的商品购买，它会有什么不同？整个系统需要考虑什么因素？8. 如果系统现在能扛 1000 QPS，瞬间来了 3000-4000 个客户秒杀，可能会发生什么？应该有什么措施去对抗/缓解这种情况？9. 你滑动窗口限流用的是什么组件？大概是怎么实现的？10. 针对第一个 下单资格判断Lua脚本，脚本主要的逻辑是什么？11. 如果配合 Lua 脚本的话，有没有什么注意事项？12. 假如因为不小心写了个 bug，这个 Lua 脚本执行需要 10 秒或者 20 秒，你觉得这个时候系统可能会发生什么情况？13. 假设 Redis 的 Lua 脚本正在执行一个扣减操作还没执行完，这时候其他客户端的请求打过来了，它会阻塞吗？还是不阻塞？14. 你们的项目里面用到 Caffeine，为什么用它？主要用它做什么？架构设计上有什么考虑？15. Caffeine 的淘汰策略你大概知道吗？16. 系统运行中如果出现慢 SQL，一般是什么原因？以及如何定位慢 SQL 问题？17. 假如系统用户量非常庞大（两三千万），要给数据库去加索引的话，这个索引加起来可能耗时两三个小时，在执行索引时需要注意什么？18. 你怎么样去测你的 QPS？你评估出来的 1000 QPS 主要是关注哪些指标？19. 本地生活服务平台是在公司里面的经历，还是你们自己的一个学习项目？20. 对于 Kafka 了解吗？它是怎么样保证消息顺序的？21. 即便做了缓存缓解压力，MySQL 还是可能有瓶颈，你觉得这个时候需要做哪些对 MySQL 的优化？22. 你说数据库做主从分离，读从库时，怎么样去保持主库和备库的数据一致性？23. 你们整个系统有没有用到什么监控？你觉得应该做哪些监控去保证稳定，避免发生用户投诉而你没感知的情况？24. 假如系统突然之间 CPU 报警到 90%，或者内存马上要不足了，你应该怎么样从哪些方面去排查？25. 假如系统做了集群，其中有台机器持续报警，你没时间定位，最快的止血方式是什么？26. 如果 Redis 数据更新了，但 Caffeine 的数据还是旧的（双缓存不一致），什么情况下会出这种 bug？发生了要怎么办？27. 订单系统里的超时关闭（延时任务），你觉得应该怎么实现？28. 怎么防范爬虫？29. 滑动窗口限流和固定窗口限流有什么区别？为什么用滑动窗口？30. 支付回调和关单任务可能同时操作同一个订单，应该怎么样去设计避免冲突？31. 你大概知道什么是 CAS 吗？这里面可能会有什么问题？除了空耗 CPU 之外，还有什么其他问题？了解过 ABA 问题吗？32. 谈到锁的升级，可以大概说一下 Java（Synchronized）锁的升级策略吗？33. 如何避免死锁？如果系统中确实出现了死锁，要怎么样去排查？34. Java 的 equals 和 == 有什么区别？一般重写 equals 的话，为什么还需要重写 hashCode？35. 对 Vibe Coding 了解吗？平时使用什么框架或工具？在使用这些 AI 工具生成代码的过程中，你遇到过什么问题？36. 假如用户提出恶意问题（提示词攻击），比如要求删除知识库文档，你如何避免这种恶意操作？37. 自动问答知识库系统（RAG）中，为什么要用 BM25 和向量混合索引？基于什么考虑？38. 你怎么样评价或者说评估你的 RAG 系统的好坏？应该做哪些测试？提交给决策者做可行性分析可以给出哪些数据？39. 如果用户问了 A 问题，预期 A 答案，但始终得到错误答案，你怎么样去定位排查这个问题反问1. 做的业务主要是什么？技术栈是什么样的？2. 实习生培养机制大概是怎样的？3. 真实的业务开发中，是否有用到 AI 技术？是怎么使用的？