被约面了，有点心慌，请问有没有前辈的面经呢？下面是我的简历，真心求佬建议！！！！

下面列几点说明为什么应届校招生要尽量去大厂？1、职业发展很多小厂缺乏系统化培养新人的机制，新人往往陷入野蛮生长的困境。技术岗的员工可能同时承担后端开发、前端开发等多个领域工作，因为小厂往往人少，什么都要干一点，导致样样通，可能样样松。还有小厂项目多依赖关系而非技术优势，开发流程不规范，代码质量低下，长期这种工作方式可能会固化不良工作习惯。2、薪资福利多数小厂薪资+福利都是少于大厂的。有的小厂常以高薪+期权为诱饵，但实际执行中问题重重。3、技术发展大厂提供了结构化的培养体系，如百度 T 序列职级明确，从 T3 到 T12 的晋升通道配套技术培训和项目资源。小厂则呈现野蛮生长特征，比如 5-6 人...

这可能是目前 AI 面试中最拉开差距的一环。大部分求职者的简历上写着“通过优化 Prompt，提升了生成质量。”面试官往往会微微一笑，紧接着抛出一记灵魂暴击：“那你怎么定义‘质量提升’？你怎么用数据证明，你的 模型 跑得比昨天更好？”这个时候，如果你挠挠头回答：“我自己抽查了几条结果，感觉变好了……” 那基本就凉透了。正所谓乱花渐欲迷人眼，靠人工“抽盲盒”式的肉眼查验，很容易陷入“只看好案例（Cherry-picking）”的自欺欺人中。在真正的工程落地面前，这种“凭感觉”根本站不住脚。回答应该直接把 Eval（评估）体系拍在桌面上：“在修改任何一行核心逻辑或 Prompt 之前，我会构建一套...

1、自我介绍2、项目介绍3、离线数据处理咋做的离线数据处理我一般会按“采集、清洗、标准化、切分、标注、校验、入库”这条链路来做。先把多来源数据接进来，比如文档、表格、对话日志、接口结果、历史工单，然后做编码统一、去重、去噪、脏字段修复和无效样本过滤。对于文本类数据，还要做特殊符号清理、HTML 去标签、分段切分、敏感信息脱敏和元信息补全。如果是训练数据，还会进一步做 schema 对齐，比如统一成 instruction / input / output，或者统一成多轮消息格式 messages=[{role, content}]。如果是 RAG 知识数据，就会做 chunk 切分、标题挂载、...