一面结束后，我大概有个预期：联影的面试不会考“广”，而是会继续往“深”和“实战”走。二面的实际体验也基本符合这个判断。整体节奏没有一面那么偏底层原理，但明显更偏向系统设计、问题定位和工程经验。面试官不会再单点拷打某个知识点，而是更倾向于抛出一个真实问题，然后不断追问你：你会怎么分析？为什么这么做？有没有更优解？代价是什么？很多问题没有标准答案，但能明显感受到，对方在判断的是：你是不是一个能在复杂系统里把事情兜住的人。面试题目在一个嵌入式系统中，如果出现“偶发性死机”，但长期无法复现，我会如何设计一套系统性的排查方案？如果系统运行一段时间后性能下降，但CPU利用率不高，我会从哪些角度去判断瓶颈是...

感觉就是面试官教会了我在项目里不应该总是别人说什么就是什么 那些网上的现成的拿来做本质上也可以 但是如果里面的每一个技术的使用都不经过自己大脑的思考 那么在真正的开发中不会有人来告诉你要用什么方案 所以要多锻炼自己在一个完整项目中的思考

一个27届菜鸡，算法能力很拉，只刷过力扣hot100，目前做了几个厂的笔试，一题都没a过，看牛客上别人笔试好歹还能a个一两题，投的简历中小厂简历挂，大厂笔试过不了，根本没有面试机会，现在很绝望，我是去找不用笔试的日常实习，给我的暑假的实习保个底，还是继续投暑期实习做笔试，已经迷茫了，求大佬给点建议，或者教教我算法能力到底怎么提升引流：pdd，腾讯，美团，字节，百度，阿里

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...