面试很难，还是要多多练习，感觉自己说不明白业务逻辑1️⃣切分策略（ chunk size / overlap ）怎么定的？拍脑袋还是实验出来的？2️⃣向量召回和关键词召回冲突时如何融合？3️⃣重排模型为什么这么选？延迟预算是多少？4️⃣你说线上提升2.1%，实验分桶方案是什么？5️⃣显著性怎么验证？样本量怎么算？6️⃣给一个你最失败的 bad case ，最后怎么定位的？7️⃣如果今天线上再次复现，你第一步看哪个监控？8️⃣SFT 数据如何清洗，怎么避免模板味太重？12) DPO 比 SFT 多解决了什么真实问题？9️⃣LoRA rank 为什么这么选？有没有做过 ablation ?1️⃣0️⃣QLoRA 稳定性问题你遇到过吗？如何兜底？1️⃣1️⃣手撕：括号生成，要求讲清楚剪枝逻辑。

1. hashmap底层原理2. hashset与Treeset3. 自动拆箱和自动装箱4. equals和hashcode（），不重写hashcode会怎么样5. 项目中使用了validation做参数校验，说说底层原理6. 项目中使用了agent智能体，用来做什么的7. 反射8. Rag有什么作用9. 遇到多个文件需要存放到rag，怎么解决10. 平时如何学习新知识的11. 反问面完面试官口头给了offer，因为工作内容是给ai写的代码进行评分和review，没去

想问问大家做ai agent项目时，是自己找的还是实习期间做的，开销咋样呢，如果是自己做的话，在哪里找呢

https://github.com/2EU55/ai-agent-app这样能找到工作吗😭😭😭主攻 AI 应用工程方向，重点探索 Agent/RAG 的工程化落地。本项目旨在展示多智能体系统的路由分发、HITL 安全执行流程以及完整的回归评测体系。核心贡献：架构设计：LangGraph 多智能体编排（Router/Analyst/Expert）。安全机制：前端禁用确认 + 后端 AST/正则双重拦截。质量保障：构建了离线/本地/端到端三层回归评测体系，确保迭代稳定性。可观测性：实现了请求事件全链路追踪与可视化汇总。