我的第四面(已OC)

把最近两个月听到、看到几个事，分享给大家：湖南长沙某个给政府驻场开发的项目中，全是古法编程、纯手工CRUD，一个在那里的实习了几个月的小朋友担心自己再干去会找不到工作。国内某家股份制商行、三大运营商某研究院，日常开发都还是在对话式阶段，把模块需求描述给AI，再把AI给出的代码粘到工程中，最先的AI工具不让用，国外工具更是免谈，虽有国企的稳定不卷，员工却担心自己被温水煮青蛙，彻底失去竞争力。西安一个朋友的公司每月多花几万块钱采购Token，虽然是笔不小的费用，但营收端这两年接到的AI项目越来越多，成本端过去30多人的研发团队现在只需要十几个了，多出来的人要么去跑客户、要么去搞新产品研发、要么就走...

各位前辈好，先说声抱歉，可能又是一篇“求骂醒”的帖子，但我真的需要一个方向。我的情况比大多数人都糟糕：双非软件工程，大四，马上毕业了，0实习经历，0工作经验。秋招根本没参加，原因很傻——我一头扎进了一个自己觉得“挺有意思”的项目里，天真的以为把项目做好工作自然会找上门。现在春招也快结束了，我才如梦初醒，发现简历投出去基本石沉大海。我没有什么能拿出手的背景，唯一能说的就是这个从后端到前端全栈独立开发的电影推荐平台。我知道在各位前辈眼里这大概率就是个小玩具，但我确实是下了功夫去琢磨的，它不是什么网上扒的代码，下面这些是我自己琢磨并落地的东西：项目概况：Spring Boot + MyBatis-Plus + Redis + JWT + MySQL + Vue3（前端是AI辅助生成的）我自己觉得花了心思的几个点：1. 推荐算法落地：没有照搬别人的推荐逻辑。我是基于用户多维行为数据（评分、收藏、浏览时长）去计算标签权重，然后用“评分×log(热度+1)”的公式做加权排序；冷启动场景用热门数据兜底。推荐结果用Redis的ZSet缓存，用户行为一变化就主动删缓存触发重算。2. 缓存体系设计：不是那种“面试八股文背完就扔”的表面理解。我实际遇到了缓存穿透和击穿的问题，然后自己用空值缓存+逻辑过期去解决。热门电影定时预热、批量查询用multiGet减少IO次数，还封装了MyCacheUtils通用模板，让整个项目其他模块也能复用这套缓存逻辑。3. 并发与一致性：用Redis的SET NX EX实现了收藏/点赞的分布式锁，key精确到“用户+操作对象”级别，不是粗粒度的一锁全锁。异常回滚时Redis和MySQL数据一致性问题也思考并落地了。验证码的原子性校验用了Lua脚本来保证。4. 性能是真实数据：我用JMeter做了2000并发的压测，引入Redis缓存体系后，推荐接口平均响应从6466ms降到155ms，吞吐量翻了一倍，缓存命中率干到98%以上。这些数据不是编的，是我自己反复调优跑出来的。说实话，做完这些的时候，看着压测报告我是挺兴奋的，觉得“这也算出活儿了吧”。但现实是，0实习好像成了我简历上的原罪，很多公司直接筛选条件就把我过滤了。所以我想跪求各位前辈指点我几个问题，每一条我都认真看、认真执行：1. 关于简历：0实习的应届生，还有资格谈“项目亮点”吗？我这项目，是不是在专业面试官眼里就是一个“低配版培训项目”？如果这个项目还有救，该怎么在简历上呈现，才能让HR或者面试官至少愿意给我一个电话面试？如果没有，一个0实习的应届生到底该在简历上写什么？2. 关于面试：如何用项目细节证明“我虽然没实习但真的能干活”？我挺怕面试官看到我没有实习经历就直接失去兴趣。真到了面试那一步，我该怎么引导对话，用上面这些技术细节去对抗“没实习=没工程经验”的刻板印象？比如缓存那块，怎么从“我解决了击穿”讲出一个有技术判断力和工程思维的完整故事？3. 关于求职策略：错过了黄金窗口期，现在该冲什么样的公司？大厂我肯定不奢望了。现在这个时间点，我应该去投那些小公司和外包吗？要不要把薪资预期降到最低先入行再说？对于0实习的应届生，什么样的公司是真的有机会让我进去学技术、积累经验的？4. 关于未来：如果现在直接找不到工作，我该怎么办？这段时间我想好了，如果实在是找不到研发岗，我要不要去干测试或者运维先入行？还是找家小公司被压榨一年攒个经验？还是干脆先找个其他工作边干边学等下一轮秋招？我什么建议都能接受。我知道自己起步晚了，代价得自己扛。现在唯一能做的就是面对现实，然后找到一条最有可能逆袭的路。希望前辈们能给我指个方向，即使简单几句“没救了”或者“还能救，去做XXX”我都非常感激。

Seed部门实习生！日薪！日薪！是5000.。。我的老天爷我没看错吧。。。人比人真是吓si人😱还是得搞人工智能还是得搞模型开发

1. 自我介绍2. 智能合同审阅平台里为什么要同时使用向量检索和全文检索？单一检索方式为什么不够？答案：在合同审阅场景里，用户的问题或者待审条款通常不是简单关键词匹配，而是存在大量语义相近但表达不同的内容，比如“提前解除合同”“单方终止协议”“无责解约”语义接近，但关键词并不完全一致。如果只用全文检索，比如 Elasticsearch 的 BM25，优点是关键词匹配精确、可解释性强，对合同编号、金额、日期、公司名称、条款标题这类结构化或半结构化字段效果很好。但它对同义表达、语义改写、隐含风险点的召回能力较弱。如果只用向量检索，优点是语义召回能力强，但是容易召回一些语义相似但法律含义不完全一致的...