1. 自我介绍2. 前期用 Milvus，后期切到 FAISS，可能是什么原因？答案：Milvus 更适合服务化、分布式、多租户、海量向量管理场景，提供索引管理、持久化、过滤查询、集群扩展和运维能力；FAISS 更偏本地高性能向量检索库，轻量、可控、部署简单，适合数据规模没有大到必须上分布式、但对延迟和工程可控性要求比较高的场景。如果项目早期用 Milvus，可能是为了快速验证向量库能力，支持元数据过滤和服务化接口；后期切到 FAISS，可能是因为数据量可控、线上环境更希望减少外部组件依赖，或者 Milvus 的运维成本、资源占用、冷启动、版本兼容不符合需求。FAISS 的优势是本地化部署简单...

已拉黑：美团，百度，米哈游已点赞：快手，网易，众安，字节跳动，蚂蚁ttl：3.16投递-3.25 一面-3.30 二面-3.31 hr面-4.2 oc

现在回看当时的决定，半个月前放弃百度offer的自己，真的很勇敢。当时距离入职百度只剩5天，身边所有人都在劝我：“稳一点，先去百度吧。” 但只有我清楚，我想要的不只是“还不错”。于是我咬咬牙，拒掉了offer，决定全力all in暑期实习。其实我也不是一时冲动——三月底我就已经把面试准备得比较充分了，只是求职之路哪能顺风顺水？当时在走的流程因为匹配度不够挂掉了，好在面评还不错，我也早就做好了打多轮复活赛的准备。也许是命运垂青这份勇敢，我在第二次字节复活赛就成功上岸了。很多人眼里的“孤注一掷”，从来都不是盲目冒险。面临和我一样纠结的同学，不妨拼一把，去争取自己真正想要的东西。但也想认真说一句：能拿着保底找工作当然是最好的。我当时的情况是三月几乎没有其他面试机会，这个offer必须四月初到岗，而四月的面试机会反而更多，保底对我来说其实已经没什么缓冲作用了，所以我是充分权衡后才做出的决定。大家千万别盲目学我直接拒掉保底，一定要结合自己的情况慎重考虑呀。

前面基本上都在问论文 无手撕1. 自我介绍2. 介绍下简历上这个项目3. 你对对话 LLM 的理解是什么？它和普通文本生成模型的核心区别是什么？答案：对话 LLM 不是简单地做 next token prediction，它要在多轮交互里持续维护用户意图、对话状态、约束条件和安全边界。普通生成模型更关注单次输入到输出的流畅性，对话模型还要考虑上下文一致性、角色一致性、拒答策略、澄清提问以及工具调用。它的核心难点在于“历史信息并不等价于有效状态”。用户前面说过的内容，有的仍然有效，有的已经被修正，有的是噪声。对话 LLM 必须学会根据当前轮次重新解释历史，而不是把所有历史机械拼接进去。工程上通常...