相比一面偏基础与语言细节，微信支付的二面明显更偏向系统设计 + 工程能力 + 真实场景问题。整体感受可以总结为一句话：不再考“你会什么”，而是考“你在复杂系统里能不能做决策”。问题往往有几个特点：从项目出发，一路深挖强调高并发、高可用、数据一致性关注线上问题处理经验非常看重“设计能力”和“取舍意识”很多问题没有标准答案，但每个问题都可以被不断追问：为什么这么设计？有没有更优解？代价是什么？下面是整理后的核心问题清单。项目与工程能力介绍你做过的最有挑战性的项目，核心难点是什么？项目中最大的技术瓶颈在哪里？你是如何定位的？如果让你重新设计这个项目，你会如何优化架构？项目中有没有出现过线上事故？你是...

如题，本人双非学院本，大一大二的时候主要在打ACM。但是怕只打ACM找不到工作，大二也开始学开发。大三上边实习还边打比赛，但是圆梦ACM亚洲区域赛金牌了。然后我信息差比较封闭，加上前面打比赛也没什么时间。所以项目就是一个练手项目，想写技术亮点都不知道写啥。后面也没时间做一个新项目。实习也是初创公司。感觉项目经历和实习经历都拉完了。然后也是寒假才了解到暑期实习，然后花了一两周从零开始背八股，刷面经。然后面了腾讯WXG还是有些八股遗漏了，还有被吐槽项目没深度，一面直接挂了。现在感觉好焦虑，感觉ACM金牌好像作用并不大。不知道还能不能找大厂暑期，不行的话要先找中小厂沉淀吗，或者加急一个星期赶出个比较好的Agent项目然后继续投，还是说不如直接去信奥赛教培行业了。考研走算法岗的路线就算了，偏科太严重了也不擅长考试。好迷茫啊，感觉卷不动了。

大佬们看看，有没有什么还要修改的地方，第一个项目做的是黑马点评，加了一个rabbitMQ，第二个项目是鱼皮的API开放平台结合了一下鱼皮的大语言对话模型项目

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...