C++求助

当时我的目标是刷题一周通过面试，总共可以给到的学习时间大概是4小时×7天=28小时。在此之前嘛，基本是没打开过力扣这个网站的水平。Step 1：看课（灵神tql）去B站上看灵茶山艾府的《基础算法精讲》，总时长270分钟左右。因为没时间全看完，我会按照下文中的分类有重点地看，非重点的地方部分2倍速看。个人觉得0基础不建议直接上手刷题，一道题都别刷，很浪费时间。LeetCode这种东西还是比较套路的，直接看课就会很有帮助。看课的过程中遇到没听懂的概念，就随手问一下AI——“用大白话解释一下什么是滑动窗口”“动态规划到底和递归有什么区别”。AI的好处是能换着花样给你讲，有时候老师讲了一遍你没懂，AI换个角度说你就突然开窍了。这一步不用花太多时间，卡住了就问，问完继续看课。Step 2：力扣刷题+了解时空复杂度的计算我刷的题单是LeetCode Hot 100，但我只刷了其中的30道，再加上寻找峰值、快排、有障碍路径DP等常考题，总共在40道左右。分类刷，从Medium到Hard。同一类中的Medium如果能够举一反三，就可以少刷几道。比如会了0-1背包问题，就可以不用写打家劫舍啦。我的刷题顺序：T0（very常考，思路明确、刷起来快）：双指针、滑动窗口、二分查找、动态规划、多维动态规划T1（思路重要且常考）：图论、回溯链表、二叉树：常考、思路简单、刷起来快，但ACM模式输入难写T2：剩余其他刷题的时候也要用AI灵活辅助：每做完一道题，把代码和思路贴给AI，让它帮我看看时间复杂度算得对不对、有没有更优的解法、如果换个数据规模会不会爆。AI不会直接替我刷题，但它可以当我的代码审查员。把做错的题也整理给AI，让它帮我总结这类题的共性规律——“这三道题都是滑动窗口，它们的边界条件处理有什么共同点？”有时候我自己总结不出来，AI一归纳就清楚了，比手动整理快很多。最后再搜搜要面试的公司面经，看看他们爱考什么，针对准备一下。还有，别忘记关注时空复杂度的计算哦，面试可能会问到的。Step 3：重复+熟悉ACM模式下的输入输出今天刷完的题可能明天就忘了，所以要经常重复。而且面试的时候很容易紧张，有时要靠肌肉记忆来写。我会把错题本定期扔给AI，让它随机抽几道题让我口头复盘——我来说思路，它来判断对不对。这种低成本的重复比重新敲一遍代码效率高很多，通勤、排队的时候就能搞，不用专门坐下来写代码。ACM模式下输入输出也很重要，别力扣刷多了只会写核心代码，面试就傻眼了。可以去搜代码随想录的ACM输入输出文档，其实需要记住的输入输出格式也没几种。最后一点“理解题目思路，使之能够在新题中被复用”是速成的核心思路。速成是不适合背题的，所以吃透有限的题 > 做更多的题。对了，AI还有一个用法我差点忘了提——如果你有一道题反复看答案都看不懂，可以让AI给你出两道同类型的简单变体，先做简单的再回来看原题，往往就通了。这个办法我用了好几次，挺管用的。（某一轮面试的时候还是被一道没见过的Hard题制裁了，不过靠我自己刷的“LeetCode Hot 40”，我也给出了两种解题思路最终蒙混过关。有时间还是建议把Hot 100都刷完，刷熟了还可以看看高频面试150。）

模型打架的一周，请大家至少使用2种以上的模型进行编程体验

继续来分享下最近的面经~欢迎友好讨论，信息共享1.项目拷打2.创新点与落地差异拷问：你做的这个 RAG 和传统上的 RAG 有没有什么不同？还是只是基于传统概念做了一个落地实践？3.效果评估与归因分析：目前 RAG 的效果你怎么看？4.失败案例的具体分析：你提到写了一些“小结”导致召回率失败，那个小结会有什么负向作用？5.Embedding 策略拷问：为什么只对标题做 Embedding，而不对段落内容本身做 Embedding？当时的考虑是什么？6.概念辨析 1：提示词工程（Prompt Engineering）和上下文工程（Context Engineering）的区别是什么？7.业界趋势理解：当前比较热的 Skill，这个是什么概念？8.概念辨析 2：Skill 和 Tool / Function Call 的区别是什么？本质在解决什么问题？9.粒度与边界探讨：Skill 能把 Tool 覆盖住吗？就不需要 Tool 了，直接用 Skill 去解，你觉得可以吗？10.底层替代逻辑拷问：Skill 是怎么做到能够去替代 Function Call 的？手撕：- 实现一个非递归的二叉树前序遍历

第 29 题：HuggingGPT / JARVIS 的架构设计思想 题目 解释 HuggingGPT/JARVIS 的架构设计思想。 一、核心思想（一句话） HuggingGPT（JARVIS） 用 LLM 作为“总控”：负责任务规划（把用户请求拆成子任务）、模型/工具选择（为每个子任务选合适的 Hugging Face 模型或工具）、调度与结果融合（按依赖执行、把子结果汇总成最终回复）。即“LLM 当大脑，外部模型与工具当手脚”，实现多模态、多模型协作的 Agent。 二、架构要点  任务规划：用户输入 → LLM 生成任务列表（如 1. 图像描述 2. 情感分析 3. 生成摘要），并标出...