万得内推

实习第三周，我第一次参加架构评审会。 会议室里七八个人，PPT 翻了二十多页，大家在讨论一个微服务拆分方案。 逻辑我基本听懂了，但有一处一直卡着我： 新的服务拆分之后，调用链路会多出两跳。日常流量下，问题不大。 但大促流量峰值呢？ 我翻了翻压测历史数据，高峰期 QPS 能冲到平时的十几倍。 我举了手："这个方案，在高流量场景下，级联超时的概率会不会放大？" 会议室安静了两秒。 架构师转过头，看了我一眼："你怎么算的？" 我把压测数据和延迟预估的推导过程说了一遍，大概三分钟。 他点了点头："这个问题值得拉个专项。" 散会后，导师发来私信...

25届，非科班，混成这样大概是玩脱了吧（

28届2本非科班大概很快要找实习了，应该是偏ai应用开发方向

1.多轮对话中，如果不同轮次的记忆发生冲突，你如何处理？这个问题本质上不是“删哪条、留哪条”，而是做记忆的版本管理。实际处理时一般会同时看三个维度：时间、来源、置信度。时间上通常新信息优先，但前提是它来自更可信的输入；来源上，用户当前轮明确表达、工具查询结果、系统写入，优先级通常高于模型从历史里自己总结出来的内容；置信度上，如果只是一次低置信抽取，不会直接覆盖长期稳定画像。工程上我会把记忆拆成两层，一层是 event log，完整保留用户每次表达过什么；另一层是 materialized profile，也就是给模型使用的当前画像。冲突发生时，不是直接物理覆盖，而是先记事件，再按规则刷新画像。...