字节Tiktok推荐算法实习二面

本文全面介绍了大模型相关知识，包括大模型（LLM）、提示词工程（PE）、检索增强生成（RAG）、工具调用（Function Calling）、模型上下文协议（MCP） 等，适合零基础小白入门。  近些年，AI 的发展速度越来越快，越来越多的业务开始寻求“AI 赋能”。面对这个黑盒，很多研发人员的反应是疑惑：“我需要学习神经网络算法吗？我要懂 Transformer 架构吗？” 其实，对于非算法人员，我们不需要成为研发“发动机”的算法科学家，而是要成为能够驾驭“赛车”的 AI 工程师.我们无需深究底层的数学原理，但必须洞察它的能力边界，知道如何将这个“黑盒能力”高效、稳定地融入到我们的业务系统中...

感觉强度不小，快hold不住了...项目拷打1. 项目的创新点2. 数据集特征，分别做了哪些处理3. 数据特征的分布情况，为什么数据适合模型？4. DCN-v2 和 DCN 的区别，分别详细讲讲算法知识1. 了解 MmoE 吗2. 多个目标分数怎么融合3. 回归损失和分类损失共存的情况下，出现的问题，比如说损失尺度不一样，模型偏向优化大目标，这该怎么解决4. 再比如，不同任务之间梯度方向冲突，训练震荡，这怎么解决？5. 说说你了解的粗排模型6. 什么是生成式推荐？它和传统的判别式推荐7. 生成式推荐的典型应用场景有哪些？8. 生成式推荐常用的模型架构有哪些？9. 生成式推荐的评价指标和传统推荐有什么不同？10. 如何将大语言模型（LLM）融入推荐系统？11. 生成式推荐落地时，面临的核心技术挑战有哪些？Code1. 数组中，两数之差的最小值，返回下标（非 hot 100的简单题）2. 三数之和

如果其中一个任务是无限循环，其他任务可能永远没有机会执行。如果其中一个任务run方法一旦抛出异常，Timer线程就会退出，从而所有定时任务都会被取消。

3.6一面 部门：效果营销研发中心八股占大头，最后手撕两个题目（写完讲下思路就行，面试官也会细看代码不用跑样例），时长约50min1. 自我介绍2. 简单介绍项目，然后围绕项目问了几个问题(是关于项目具体的，问的比较浅，这里就不展开了）3. 对于AI写代码这回事有一些自己的研究吗？比如有没有使用过像Copilot这种工具4. JVM:- Java类的加载过程- JVM是怎么判断一个对象是垃圾对象的- 一般什么样的对象会被标记成GC Root？- 垃圾回收算法- CMS回收器工作步骤（阶段）- G1工作步骤5. Java并发- 进程状态以及状态之间的转换- Java线程池的作用- 线程池处理任务的流程- synchronized 跟 ReentrantLock 有什么区别？- AQS的实现原理- synchronized锁升级过程- synchronized是通过什么操作获取到轻量级锁？ （CAS）- CAS算法可能会遇到ABA问题，怎么解决？6. Java集合- HashMap的扩容是怎么实现的- HashSet怎么保证数据不重复7. Spring- Spring容器的启动流程- 怎么理解IoC？- Bean的循环依赖- 怎么理解AOP8. 数据库 & Redis- 事务并发隔离等级- 缓存三剑客- Redis的持久化方式手撕：1. 线程安全的单例模式2. 三数之和（lc hot100里有）部分八股没回答好，讲完后面试官会告知哪里没讲到位，面下来感觉还是学到不少。不过面完一个多小时候收到了面试评价的邮件，官网上还在流程但感觉已经寄了...