1. 手撕：给定一个大小为 n 的数组 nums ，返回其中的多数元素。多数元素是指在数组中出现次数 大于 ⌊ n/2 ⌋ 的元素。2. 解释摩尔投票法的思路，为什么用这种方法？3. 为什么不用哈希表？4. 哈希表的扩容机制是什么？5. 扩容时的时间复杂度？6. 用HashMap的总时间复杂度7. 如果所有元素都不同，哈希表的内存占用会怎样？8. 如果用摩尔投票法， 不存在超过半数的元素，如何识别？9. 场馆预订平台的框架和技术选型，用了什么框架？10. 如何实现存数据库一致性11. 如何用Canal监听MySQL binlog？如果是大规模数据，用几台Canal12. 那数据量很大的话，单台...

悲报：大厂挂麻了喜报：找到实习了悲报：实习公司很小，实习薪资很低300/天，在北京需要自己租房喜报：实习公司是二线大厂的子公司，简历可以写大厂名字，支持背调背景：211本+985硕三月中到现在面了很多，挂了很多，第一次收到offer还有其他面试流程在走

本人简历上 1 个 RAG 项目 + 1 个 Agent demo；这次面的是AI岗一面前我以为：背完八股 + 把项目讲清楚，应该能稳过。0-5 min：自我介绍 + 项目背景- 顺利。讲清楚了我的 RAG 是给法律咨询场景做的，痛点是大模型不懂行业术语。5-20 min：项目深挖（开始崩）- Q1：你的法律文档总共多少？切了多少个 chunk？- 我：约 500 份 PDF，5 万个 chunk- Q2：500 份 PDF 加起来才 5 万 chunk？平均每份 100 个 chunk，你切片粒度是多少？- 我：512 token- Q3：法律文档里"第三条第二款"和"第三条之二"是不同含义，你的切片会不会把它切散？- 我：（沉默 5 秒）……应该会- Q4：那你怎么解决？- 我：我可以加一个 metadata……（开始编）❌ 第一次崩：切片粒度没考虑业务语义。20-35 min：评测体系（继续崩）- Q：你怎么知道你的 RAG 有效？- 我：我用 Recall@5……- Q：评测集多少条？怎么构造的？- 我：100 条，我手工标注的- Q：100 条够吗？分布怎么样？- 我：分布……我没分- Q：那你的 Recall@5 是 0.81，你怎么知道这个数字是好是坏？baseline 是什么？- 我：（沉默 10 秒）❌ 第二次崩：没有 baseline，没分布分析，纯靠"看起来还行"。35-55 min：Agent 部分（彻底崩）- Q：你的 Agent demo 用了几个工具？- 我：3 个，搜索、计算器、文档查询- Q：当用户问一个问题，你的 Agent 怎么决定调哪个工具？- 我：用 ReAct，让模型自己决定- Q：模型决策错了怎么办？- 我：我加了个 reflection……- Q：reflection 失败 3 次后怎么处理？- 我：（沉默 15 秒）……我没想过❌ 第三次崩：异常路径完全没设计。55-65 min：业务理解 + 反问- Q：你觉得字节做 AI 应用最大的瓶颈是什么？- 我：算力？数据？- Q：你看过哪些字节最近发的 AI 产品？- 我：豆包、扣子……- Q：扣子是 Agent 平台还是工作流平台？- 我：（再次沉默）❌ 第四次崩：对面试公司业务一无所知。

如果春招能重来，我会更主动一些，多投几份简历，而不是把机会压在少数几家公司上。很多时候，并不是能力不够，而是曝光太少、尝试不够。多投递不仅能增加面试机会，也能在不断反馈中调整方向、提升表现。回头看，求职本身就是一个不断试错的过程，机会往往藏在“多尝试一步”里。