自我介绍实习A 系统 多业务线的统一纳管配置是什么意思延时双删解释一下；有没有可以根治数据库与缓存不一致的方法；为什么不采用主从读写分离用户如何触发点位上的投放召回有没有通过算法模型推测用户喜好；如果让你设计，比如给用户推荐美食，如何做（数据越多，构建出来的模型越清晰）；一直拉其他业务的数据合适吗，有没有更好的方法B 平台 为什么要做综合运用三个设计模式，具体是如何做的为什么用轮询，而不是通过线程做异步通知；现在前端会做轮询，如果有人伪造大量恶意请求，怎么办C 系统 如何根据用户的实时数据优化算法模型详细说一下双链路诊断工具；为什么不在落日志之前针对失败做告警主从资源利用不均的问题是如何发现的...

双非本科，靠着字节、百度、蔚来三段实习一路撑到春招，到现在才真正认清现实。一封封感谢信砸过来，慢慢明白，学历和学校带来的门槛，远比几段光鲜实习要重得多。最让人无力的，莫过于拼尽全力刷实习、攒经历，最后却连一个入场机会都换不来，那种落差感真的太磨人。总自以为是地觉得，有大厂实习就够了，一定能挤进心仪的公司，可现实一次又一次把幻想击碎。现在的我，早已没了春招初期的锐气，只剩下满心的迷茫和惆怅。不知道是该坦然接受现实，还是继续抱着不切实际的期待，在大厂的梦里不肯醒。

焦虑了将近半个月，终于offer了，我真的哭了

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...