TCL华星光电26届春招发车！附面经

1. 能说说ArrayList和LinkedList的区别吗？什么场景下会选择使用它们？ArrayList底层是基于动态数组实现的，它在内存中是连续存储的。优势在于随机访问效率高，时间复杂度是O(1)，因为可以通过索引直接定位。但插入和删除操作（特别是在中间位置）效率较低，需要移动大量元素，时间复杂度O(n)。LinkedList是基于双向链表实现的，每个节点包含数据和前后指针。它的优势是插入和删除操作效率高，只需要修改指针指向，时间复杂度O(1)。但随机访问效率低，需要从头或尾遍历，时间复杂度O(n)。使用场景上，如果需要频繁随机访问元素，比如根据索引查询，选ArrayList；如果需要频繁...

G老师这种一本正经地胡说八道这样的知识幻觉太严重了，而且自定义化指令也完全不听，很难保持理智啊。。。。后面的保证承诺也教人哭笑不得🥲（虽然对大模型发火没有用，但是希望后台能检测到用户对知识幻觉的不满，有一些改进）

目前配套解读视频更新中由于面经解读配图较多，故输出为图片格式面试题目来源为牛客1. Zynq芯片的供电方案是怎样设计的？2. 摄像头的数据采集协议与传输协议分别是什么？3. DCDC与LDO的核心区别有哪些？4. DCDC选型需关注哪些关键参数？5. 如何减小电路中的纹波？6. 项目中的电源树设计及具体DCDC的分布情况？7. ADC选型要点及不同工作方式的区别？8. Zynq ZU系列与7020系列的区别是什么？选型原因是什么？9. 以太网传输功能是如何实现的？10. Zynq的时钟供应方案是什么？单个模块如何分配时钟？11. Linux补丁是如何实现对应功能的？12. LVCOMS伪差分传...

最近做了一个企业级 RAG 智能体项目 Ragent，基于 SpringBoot 技术栈 + 手搓 RAG，完整开源了。不是 Demo 级别的调 API 玩具，是覆盖了 RAG 全链路的工程实现，分享出来给大家参考。GitHub：https://github.com/nageoffer/ragent为什么做这个项目现在面试越来越多地问 AI 相关的东西——RAG 怎么做的？Agent 怎么实现？MCP 了解吗？但市面上大部分 RAG 教程要么是 Python 生态，要么停留在调 API 跑通 Demo 的阶段，离真正能上线的系统差距很大。所以基于自己在公司实际落地 RAG 系统的经验，做了 Ragent 这个项目，把企业里真正会遇到的问题都实现了一遍。核心能力▪ 多路检索引擎：意图定向 + 全局向量双通道并行，检索结果经去重、重排序等后处理流水线。▪ 意图识别：树形意图分类体系，置信度不足时主动引导澄清。▪ 问题重写与拆分：多轮对话自动补全上下文，复杂问题拆分为子问题分别检索。▪ 会话记忆：滑动窗口 + 自动摘要压缩，控制 Token 成本的同时保留关键上下文。▪ 模型路由与容错：多模型候选、优先级调度、首包探测、三态熔断器、自动降级。▪ MCP 工具调用：知识检索与外部系统调用在同一流程中无缝融合。▪ 文档入库 ETL：基于节点编排，从解析、分块、向量化到写入 Milvus，每步可配置、有日志。▪ 全链路追踪：每次对话的重写、意图、检索、生成各环节都有 Trace 记录。技术栈后端：Java 17、Spring Boot 3、MyBatis Plus、Milvus 2.6、Redis + Redisson、RocketMQ 5.x、Apache Tika、Sa-Token前端：React 18、TypeScript、Vite代码量：后端约 4w 行，前端约 1.8w 行，20 张业务表，22 个前端页面。和 Demo 项目的主要区别▪ 检索方式：Demo 通常是单路向量检索，Ragent 是多通道并行 + 后处理流水线。▪ 意图识别：Demo 没有，Ragent 做了树形意图 + 歧义引导。▪ 模型调用：Demo 单模型挂了就挂了，Ragent 多候选路由 + 熔断降级。▪ 会话记忆：Demo 全量塞给模型，Ragent 滑动窗口 + 摘要压缩。▪ 可观测性：Demo 没有，Ragent 全链路 Trace。项目会持续迭代，感兴趣的同学可以 clone 下来跑一跑，有问题欢迎提 Issue 交流。