许愿

1. 手撕：给定一个大小为 n 的数组 nums ，返回其中的多数元素。多数元素是指在数组中出现次数 大于 ⌊ n/2 ⌋ 的元素。2. 解释摩尔投票法的思路，为什么用这种方法？3. 为什么不用哈希表？4. 哈希表的扩容机制是什么？5. 扩容时的时间复杂度？6. 用HashMap的总时间复杂度7. 如果所有元素都不同，哈希表的内存占用会怎样？8. 如果用摩尔投票法， 不存在超过半数的元素，如何识别？9. 场馆预订平台的框架和技术选型，用了什么框架？10. 如何实现存数据库一致性11. 如何用Canal监听MySQL binlog？如果是大规模数据，用几台Canal12. 那数据量很大的话，单台...

今天早高峰10号线，人挤人，我好不容易站稳，余光扫到旁边座位上有个穿校服戴红领巾的小男孩，正低头盯着iPad。我以为他在看动画片，好奇瞟了一眼——好家伙，在刷leetcode。我人都傻了。我小学五年级还在玩赛尔号，人家已经在地铁上刷题了。让我想起来现在也有很多机构推出面向小孩的人工智能课、AI使用课...现在连小孩都这么卷了吗？

春招 boss 每天投满 150，3 月份一共 3 家约面， 一家实习 oc 眼高手低了没去，结果到了 4 月份一家面试也没有了😭😭，简历有问题吗？要不要出去大城市找工作啊😭😭

一、概述与全链路 RAG（检索增强生成）：用户提问 → 检索知识库相关片段 → 注入 Prompt → LLM 基于真实数据生成。解决知识截止、幻觉、无法访问私有数据。 Naive RAG（检索-拼接-生成）→ Advanced RAG（Query 改写、混合检索、Rerank）→ Modular RAG（可插拔模块、Agent 动态决策） 文档 → Chunking → Embedding → 向量数据库 用户查询 → Query改写 → 向量化 → 混合检索 → Rerank → Prompt → LLM生成  二、文档处理（Chunking + Metadata） 切分策略    策略 ...