传音内推

过去一年，AI领域有几个关键节点：DeepSeek证明了中国大模型可以达到世界领先水平；AI Agent从概念变成产品，开始真正干活；2026年3月30日，企业微信CLI开源——这标志着AI进入企业的门槛，正式降到零。但这三个事件，到底意味着什么？对企业家来说，是机会还是泡沫？是现在入场，还是继续观望？微盛·企微管家作为一个在企业微信生态十年的深耕者，想从一个更本质的角度来谈谈这件事。 一、AI Agent的临界点到了先讲清楚一个技术概念：什么是AI Agent？从对话到执行的质变过去两年，大家对AI的印象还停留在对话工具：你问它答，写得不错，但也仅此而已。但2025年开始，AI的能力发生了质...

ttl： 3.19一面晚上过3.20二面3.23oc3.25offerbase：末9有一段中小厂实习一面面经：（总体时长一个小时二十分钟左右没什么八股，主要都是问项目和场景题1.实习（问了有四十分钟，感觉面试官很看重实习这一块，一直在拷打，问到后面我都要疯了，好在准备得比较充分1️⃣用的是什么中间件，有参与技术选型吗，实习的项目里为什么选这个RabbitMQ而不是kafka，为什么不用RocketMQ，为什么放弃异步，自己的项目里面使用的是kafka，那你觉得项目和实习的中间件选型有差异的原因是什么，他们之间的区别在哪里，底层的原因知道吗（高柱到这里已经快疯了，但是硬着头皮答完了，主要是从一致性吞吐量和框架的契合度答，面试官说答得挺好的，应该是没什么问题，这一块就问了快半个小时，到这里我已经快疯了2️⃣项目怎么对接上下游3️⃣介绍项目的难点重点4️⃣微服务（高柱实习是单体项目没涉及这一块5️⃣Redis的使用2.项目：1️⃣智能客服是怎么应用在项目里的（langchain4j➕rag➕functioncalling）2️⃣RAG了解多少3️⃣文本向量化的难点是什么，了解哪些大模型的知识（我一点不懂，纯瞎扯，但貌似扯对了4️⃣对ai的态度是什么，aicoding相关5️⃣怎么保证多节点下Caffeine缓存里面数据都是一致的（答的是短ttl，面试官不是很满意，但是我确实不太懂这个怎么保证，后来查了还是不懂怎么保证6️⃣Redis的使用，和你的实习项目的使用有区别吗，还有一些引申问题3.八股（含量不高，就是走个过场1️⃣进程的内存布局2️⃣Redis三剑客3️⃣微服务相关知识（高柱已经忘得差不多了…勉强答上来4️⃣JVM5️⃣线程状态6️⃣线程安全，在你的实习项目里怎么保证线程安全的（又绕回来了4.智商题找异常球5.手撕：1️⃣五道sql，不难2️⃣力扣不重叠的滑动窗口数组，贪心➕双指针秒了强度拉满了这个一面，高柱到后面人都是傻的二面面经：（就半个小时实习拷打，简历上写了几点就问了几点，问完就结束了，无手撕

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...