几次ai面失败经验总结

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

我认为实习的产出有以下几个部分构成，日常工作安排，协助mentor进行需求开发，阅读相关业务文档。产出的唯一原则就是：你学到了，就是自己的，就可以写到自己的实习经历上面。从接口调试、数据库优化到参与业务逻辑落地，每一行代码、每一次 bug 修复都是实打实的积累。不虚构项目、不夸大成果，靠真实能力立足，踏实比光鲜更重要。#你的实习产出是真实的还是包装的？#

从过完年就开始投，到现在三个多月了，投了八十多家，笔试做了五十多场，面试了二十多次，拿到两个实习offer，都不是大厂。过程中被拒了无数次，心态从焦虑慢慢变成麻木了。有个offer就先干着吧。

1. 自我介绍2. HTTP 和 HTTPS 的区别答案：HTTP 是明文传输，请求和响应内容如果被截获，理论上都可以直接看到。HTTPS 是在 HTTP 的基础上加了 TLS/SSL，加密之后再传，所以安全性更高。HTTPS 除了加密，还会做身份校验和完整性保护，能防止中间人攻击、数据篡改这些问题。代价就是握手流程更复杂，建连成本会比 HTTP 高一点，但现在实际业务里基本都优先 HTTPS。如果继续往下问，可以顺着讲 TLS 握手、证书校验、对称加密和非对称加密怎么配合。3. HTTP 状态码，404 是什么情况下出现的答案：HTTP 状态码一般分五类，1xx 是信息响应，2xx 是成功，...