字节 or 美团 or 腾讯？

鼠鼠不知天高地厚投了算法岗，肯定简历挂，后面被后端开发捞了👋一面：3月31号第二天晚上电话约二面🤏二面：4月2号4月8号电话约三面✌️三面：4月11号三面完一个小时约hr面hr面：4月14号，口头offer😉oc：4月15号收offer邮件啦#我的OC时间线#

自我介绍 3min项目中最有困难的是哪个？项目相关Raft如何保证不出现脑裂问题你的MVCC是怎么实现的怎么防止读写冲突的八股：HashMap的底层原理线程安全吗ConcurrentHashMap怎么保证线程安全的，答了CAS，又问我除了CAS还有什么，面试官的意思是一个hash槽下边的链表也需要加锁。这里有点纯靠八股了，简单的道理没想出来了不了解ReetrantLock，底层是什么？怎么保证同一个线程可以多次获取的？答了AQS，后面没答出来，又问我如果让我设计一个ReetrantLock，怎么设计场景题：内存受限的情况下，读取一个存有IP地址的大文件，怎么获取出现次数最多的5个IP答...

#腾讯##字节##美团##阿里##拼多多#一面 3.12二面 3.19HR面 4.1技术加面 4.8OC 4.9

理想：RAG 的完美愿景 在大语言模型（LLM）的浪潮中，检索增强生成（Retrieval-Augmented Generation, RAG）被寄予厚望，作为 LLM 应用落地的关键技术范式之一，它的核心思想很简单： “让大模型在生成答案时，先检索外部知识库，确保回答既准确又新鲜。” 理论上，RAG 能解决大语言模型（LLM）的三大痛点： 知识固化：LLM 依赖训练数据，无法自动更新知识（如 GPT-4 不知道 2024 年后的新闻），导致时效性差、专业领域知识不足，而 RAG 通过连接外部知识库，可以随时引入新信息。 幻觉问题：LLM 可能编造虚假信息，而 RAG 为回答提供证据、增强生...