相比一面偏基础与语言细节，微信支付的二面明显更偏向系统设计 + 工程能力 + 真实场景问题。整体感受可以总结为一句话：不再考“你会什么”，而是考“你在复杂系统里能不能做决策”。问题往往有几个特点：从项目出发，一路深挖强调高并发、高可用、数据一致性关注线上问题处理经验非常看重“设计能力”和“取舍意识”很多问题没有标准答案，但每个问题都可以被不断追问：为什么这么设计？有没有更优解？代价是什么？下面是整理后的核心问题清单。项目与工程能力介绍你做过的最有挑战性的项目，核心难点是什么？项目中最大的技术瓶颈在哪里？你是如何定位的？如果让你重新设计这个项目，你会如何优化架构？项目中有没有出现过线上事故？你是...

说实话，真别一听小厂就摇头。我现在实习这小厂，人手少活多，啥都得干，反而成长特别快。运营、设计、文案我都摸过一遍，比去大厂光培训不打仗强多了。只要能学到真本事，小厂也是好地方。

这个是流程终止了吗

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...