美团NLP一面（已挂）

1、讲讲什么是 RAGRAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它的核心思想不是只靠大模型参数里记住的知识回答问题，而是在回答之前，先去外部知识库里检索和当前问题相关的内容，再把检索结果作为上下文交给模型生成答案。完整流程一般分两部分。离线侧先做文档接入、清洗、切片、向量化和索引构建，把知识变成可检索的形式。在线侧收到用户问题后，先做 query 改写或纠错，再去知识库召回相关片段，必要时做 rerank 重排，最后把用户问题和证据一起送给模型生成。RAG 的价值主要有三个：让模型获得训练时没有的外部知识让知识更新不依赖重新训练模型让回答更容...

总时长35分钟，无手撕，感觉遇到KPI面了，唉35分钟一直在问实习，八股就问了下面的1.redis与数据库的缓存一致性2.redis的zset数据结构3.redis的两个持久化机制4.分布式cap理论5.什么时候ap，什么时候cp6.进程线程协程问怎么没手撕，说一面撕过了，业务是应用宝游戏商城，后面过了还有一面技术面，问面试表现，说挺顺的，可以再关注一下运维数据，然后问转go有难度嘛，就结束了

这个简历还有救吗，考研失利了，完蛋蛋了求指导，需不需要补足技术栈

如果你最近在看AI岗位，很容易形成一种印象：大家好像都在训练模型、调效果、做应用。但其实当大模型真正接入业务之后，一个更棘手的问题开始浮出来：如果模型被攻击、被诱导、甚至被滥用，会发生什么？今天我们要说的AI安全算法工程师其实就在解决这件事。相比“把AI做得更强”，它更关注的是另一面——👉 如何让AI在复杂环境下，依然是可控的、可信的。一天一个AI岗位解析打破AI求职信息差，今天我们拆解的是AI安全算法工程师——Flow安全🧩 主要工作内容：让模型“不出事”如果只看岗位名称，很容易把它归到“算法岗”，但拆开JD会发现，它的工作重心其实有一个明显的转向——👉 用大模型能力，去解决安全问题，...