AI 这波浪潮来得太快了。半年前面试还在聊微服务和高并发，现在面试官张口就是：RAG 怎么做的？Agent 的执行链路是什么样的？你的检索策略是怎么设计的？会话记忆怎么控制 Token 成本？这些问题已经不是加分项了，而是越来越多 JD 里的硬性要求。但现实是，大部分人接触 AI 的方式还停留在"调 API"的阶段——跟着教程往向量库里塞点数据，让大模型吐一段话，截个图发朋友圈说自己"做过 RAG 了"。面试官稍微追问两句就露馅：文档怎么切的？检索召回率低怎么办？幻觉怎么控制？一问三不知。跑通一个 Demo 和做出一个能上线的系统，中间差的不是几行代码，...

timeline过年前就约的年后三月份的面试2026 3.05 一面2026 3.10 二面（挂）2026 3.13 二面2026 3.16 hr面2026 3.19 口头oc2026 3.20 offer两道手撕无重复字符最长子串数组中能组成小于n的最大数字记录一下 不多写什么了 同时也感谢平台上以前发面经的佬们记录的一些手撕题目 刷一刷颇有成长

我朋友接了美团，后面又拿了字节，跑去字节提前实习，天天抑郁症，天天内耗，哎，字节毁了一个年轻人，哎，还不如去美团蹲着

为什么？因为面试官对你们的预期不一样。 985 同学的策略：挑一个方向做深 面试官看到 985 的简历，默认你基础不差。他会直接往深了问："你的向量检索用的什么算法？HNSW 和 IVF 的区别是什么？为什么选这个？" 所以 985 做项目应该：  选一个细分方向（比如 RAG 的检索优化、Agent 的工具调用可靠性） 读 2-3 篇相关论文，把论文里的方法实现到你的项目里 写清楚 benchmark：和 baseline 比提升了多少  推荐项目方向：  RAG 检索优化：对比不同 chunking 策略 + 重排序算法的效果 Agent 可靠性：设计工具调用失败时的 ...