想做 AI Infra / LLM 推理系统 方向。 身边没有同方向的朋友能问，自己摸着石头过河整理了一份学习路线，越整理越虚——感觉知识点又多又散  我自己总结的核心路线就一句话： 先理解模型前向 → 再理解单请求生成 → 最后再看多请求 / 多卡 / 多实例下的系统优化 把 Decoder 模型和最小推理框架先跑通，再去看工业级系统，应该很多设计会自然浮出来——这个思路对吗？ 想和大家多多交流！

hr先为昨天的delay道歉了，态度很温柔也很专业。主要问一些压力的克服实习内容与成长，困难怎么克服到岗时间与实习时长为什么不考研先打了个mentor和leader比较忙的预防针反问：工作节奏，offer时间

刚实习了两周，被导员一通电话打过来可能会给处分学校这里坚决是不允许大二大三实习，只有大四后半学期才允许😂不知道被谁举报的，总之回来领导跟我说了一大堆，说在学校呆着能学到知识以外的东西。然后一门课也是被重修了，感觉好不容易实个习，一波三折的。最后还是选择了不回头，总觉得，人这一生就这一次，要尽力去活才算圆满。

虾皮问法比较偏基础吧，也可能因为这个是秋招面的时长48分钟，两道手撕，计网、基础知识考察比较多面试官让候选人自我介绍岗位介绍 ：介绍面试部门为 数字银行 ，负责东南亚国家银行相关业务，技术栈为 React Native，最后结束面试。询问毕业情况（明年毕业为何参加秋招、保送 / 考研情况）虚拟列表的实现方式项目价值：要求讲述项目中的难点 （如技术瓶颈）与 亮点 （如创新解决方案）。状态码：常见状态码（追问 4.4 具体错误 ）；缓存策略：HTTP 缓存的核心机制（强缓存、协商缓存）TCP/UDP：两者的区别及适用场景CSS：定位方式（绝对定位、相对定位）及两者区别（相对定位不脱离文档流，绝对定...