非技术人不如来看看这些中小厂

（鼠鼠处女面，感觉自己说的磕磕绊绊的，逻辑不够清晰，面试官居然说回答的还好。好开心~一面秒过。）面试问题与回答要点1. 自我介绍 & 项目概览2. Go语言与Raft项目考察面试官提问:看到你简历说用Go实现了Raft，是有Go的开发经验吗？对Go语言了解多少？我的回答要点:背景说明: 坦诚说明是为了完成MIT 6.824课程实验，花时间速成了Go语言并完成了项目。能力边界: 承认目前主技术栈是Java/Python，Go的经验仅限于该项目，很多细节已生疏。掌握程度: 对Go的基础语法和并发（goroutine, channel）有基本了解。3. RAG智能问答项目深挖面试官提问 1:聊一下你基于RAG的智能问答项目，你在Elasticsearch里主要做了哪些工作？我的回答要点 (阐述RAG全流程):离线处理阶段:数据预处理: 将PDF论文转为Markdown。文本切块 (Chunking): 采用基于语义的切块方式，保证上下文完整性。向量化 (Embedding): 使用智谱的Embedding模型将文本块转为向量。数据入库: 将文本和对应向量一同存入Elasticsearch。在线检索与生成阶段:用户问题向量化: 用同样模型处理用户提问。向量相似度检索: 在ES中召回Top 3最相关的文本块。构建Prompt: 将召回的文本块作为Context，与用户问题组合成最终的Prompt。生成答案: 将Prompt发送给大模型（LLM）获取最终回答。面试官提问 2 :召回的Top 3数据可能内容相似度很高，但不一定完全符合用户问题，你如何避免给用户错误的引导信息？我的回答要点:优化数据源: 关键在于切块质量，保证每个Chunk都是一个逻辑完整的语义单元。优化召回策略:扩大召回量: 尝试扩大Top K（如Top 5），为LLM提供更丰富的上下文。增加多样性: 可以在召回时引入多样性策略（如MMR算法思想），除了最相似的，也召回一些“不那么相似但可能包含新信息”的文本块，避免信息茧房。4. 基于Redis的多轮对话管理面试官提问 1:你提到用Redis做了个性化的多轮对话管理，具体是怎么实现的？我的回答要点:持久化方案: 放弃框架默认的内存会话管理，选择Redis做持久化存储。数据结构: 使用Session ID和User ID作为Key，将用户的多轮对话历史关联起来。存储格式: 将包含发言人、内容、时间等信息的对话历史序列化成JSON字符串后存入Redis。读写流程: 当新一轮对话发生时，从Redis取出历史记录，反序列化，追加新内容，再序列化存回去。面试官提问 2 :LLM本身有上下文窗口（Context Window）限制，你是怎么突破限制，实现长期记忆的？难道把全部历史记录都传给模型吗？我的回答要点 (坦诚现状 + 给出解决方案):承认局限: 首先坦诚目前项目的实现确实是全量传入，在对话轮次很多时会超出上下文限制，这是一个待优化的点。提出解决方案:方案一 (摘要压缩): 对时间较早的对话历史进行总结，用一个简短的摘要来代替冗长的原文，从而压缩上下文长度。方案二 (RAG on History): 将长期对话历史本身也视为一个外部知识库。当用户提问时，先用RAG的方式从历史记录中检索出与当前问题最相关的几轮对话，而不是把全部历史都传进去。反问环节我问: 公司的具体业务？面试官答: AI硬件，做嵌入式芯片，主要应用在玩具中，与用户进行大模型交互。后端技术栈是Go。我问: 对我本次面试表现的看法和建议？面试官答: 整体不错，但项目经验偏校园和实验性质，缺乏工业级的深度。我问: 后续面试流程？面试官答: 总共2-3轮。

题目类型：单选+不定项+编程牛客平台，可以用本地IDEA考点：非对称加密算法：ECDSA / RSA中断和异常冒泡排序小顶堆ZSET有序集合编程：我们使用字母表示游戏中的增益，其中，大写字母表示开启对应种类增益，小写字母表示关闭同种类增益。例如，字符串"ABab"表示先依次开启A和B两种增益，然后依次关闭a和b两种增益；而“ABba"则表示先开启A和B两种增益，然后依次关闭b和a两种增益。现在，对于给定的字符串，我们需要验证它是否满足以下条件：小写字母只能关闭最近的未关闭的大写字母过程中“已开启未关闭”的数量不能为负结尾时全部关闭完毕请实现一个验证程序，检查字符串...

没记得投过啊。牛客上都搜不到杭州赢云贸易

在点点实习2个月，处于体重上升期，体重已上升10斤里面人说话又好听，我真的超喜欢呆里面的啦