科大讯飞 AI开发 校招 好难啊

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 实习拷打2. 介绍一下项目内容3. 用户数据量和内容数据量，总共有多少特征，具体是大概有哪些特征，用户行为序列用到了吗？4. 一个特征有多个值的情况是怎么处理的？5. 有做特征选择吗？训练数据量多大？多路召回怎么做的？多路召回有几路？多路召回是怎么融合的？6. 有做粗排吗？7. 召回的离线指标和线上指标大概是什么情况？8. 用户的冷启动是怎么做的？9. 介绍一下 GrapSAGE，word2vec, deepwalk, node2vec10. 介绍一下 transformer， 多头注意力，encoder， decoder， LayerNorm11. DeepFM12. FM 的二阶交叉的权重是什么？FM的计算复杂度？13. leetcode：快排

1. 自我介绍2. 说一下 new 和 malloc 的底层实现原理答案：malloc 是 C 里的内存分配函数，本质上就是向运行时分配器申请一块指定大小的原始内存，返回的是 void*，它只负责分配内存，不会调用构造函数。底层分配器一般会维护空闲链表、内存池之类的数据结构，再通过 brk 或 mmap 向操作系统要内存。new 是 C++ 的运算符，它通常分两步：先调用 operator new 分配原始内存，再在这块内存上调用构造函数完成对象初始化。如果构造函数抛异常，C++ 还会负责把前面申请到的内存回收。所以严格来说，new 和 malloc 最大的区别不是“一个是运算符一个是函数”这...

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。

在当前开源项目极为丰富的背景下，付费资源并不一定意味着最前沿的技术优势，在具体执行层面展示出自己的独特价值，才是简历上最重要的加分项。1. WebMCP — 让网站主动告诉 AI 该怎么操作AI 操作浏览器的方案一直靠"猜"——截图识别、DOM 解析，错误率 15-30%。WebMCP 反过来，让网站自己声明能做什么，AI 直接调用结构化接口，准确率接近 100%。Chrome Canary 已实装。企业内部系统的 WebMCP 适配目前几乎没人做，是明确的蓝海。推荐理由：简历上写的不是"我会用某个框架"，而是"我在标准刚发布时就做了企业适配&...