刚结束大疆嵌入式算法岗的一面,趁着记忆还热乎赶紧来发个面经。base上海,整体时长一个多小时,面试官非常老道,八股问得超细,项目挖得很深,问题层层递进,稍微卡一下就继续往里追问,体验上属于压力面那一类。整体感受这次面试的覆盖面是真的广,从单片机裸机、RTOS源码、ARM架构,一路问到Linux内核VFS、进程调度、驱动模型,中间还穿插了C/C++基础八股、图像算法、Camera HAL框架,最后再来一道手撕。如果只复习了某一个方向(比如纯嵌入式或者纯Linux),应该会比较吃力。我自己感觉答得磕磕绊绊,有些细节问到底实在编不下去就老实说不会了,面试官倒也没为难,听完就接下一题。面试题目记录(按...

27届，bg科班双非本9硕，暑期应该是赶不上了，简历上的项目看了80%，结合AI看的，八股还在看。这个简历是秋招的初版，不敢用这个投暑期，因为确实很大一部分都没搞懂，要被问惨。想问问内容有什么改进的地方吗？其实本科是cpp选手，读研搞深度学习又整Python，最后找工作学java，java也没学多久，这学期开学之后才开始学的。我的诉求就是能在成都找个wlb的中厂就满足了

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...