金蝶分公司实施顾问

HR电话面，先简单问几个问题，然后才把简历推部门，和之前有个同学发布的问题差不多1.Java中的访问修饰符有哪些2.final和finally的区别3.接口和抽象类的区别4.进程和线程有什么区别5.如何创建线程6.String、StringBuffer、StringBuilder有什么区别7.ArrayList和LinkedList有什么区别8.简要描述HashMap9.数据结构中有哪些排序的算法10.数据库中多表查询的连接方式有哪些11.事务的隔离级别

面试介绍：分为三部分，第一部分自我介绍、第二部分偏技术方面的问答、第三部分软技能1.自我介绍2.一条SQL中各个关键字的作用是什么，分别介绍一下3.多表查询时，左连接、右连接、内连接和全外连接的区别4.索引是什么，有什么作用5.一条简单的SQL编写（查询员工表中部门编号为101，薪资待遇为5000的员工姓名、薪资和入职时间并按照信息降序排列）6.Java的三大特性介绍并举实际开发过程中的例子7.Java的基本数据类型有哪些8.基本数据类型和引用数据类型有什么区别，在实际使用过程中作为一个方法的参数传递时有什么区别9.算法中的时间复杂度和空间复杂度介绍10.排序算法了解哪些，简要说一下基本原理11.ArrayList和LinkedList有哪些区别，哪种更适合用于存储任务列表12.Java中异常处理有哪些关键字，他们分别是什么作用？写代码时一定要用这些关键字吗，不用回怎么样13.try关键字包裹代码的时候，如何去判断他应该包括多大软技能14.假设你在给客户讲解一个系统的实施方案的时候，客户对方案中的一些技术细节不理解，并且情绪比较急躁，那你会如何沟通，然后确保客户能够去理解到方案的核心15.项目实施过程中，你突然接到一个客户的通知，需要提前三天完成系统上线，然后因为你之前预留了3天，其实目前还有部分配置工作没有完成，你会如何应对这种紧急情况16.举例说明你曾经在学习或者实践的过程中遇到的最大的困难是什么？你是如何快速学习相关知识，解决这个困难的？你认为这个过程中体现了你的哪些学习能力17.当团队内部对某一个方案，可以是很大点也可以是很小的点，有不同意见。比如你觉得这样实现好，他觉得那样实现好，那现在你会如何表达自己的观点，然后来协调团队达成共识18.在系统实施过程中。你负责的模块出现了问题，导致整个项目的进度滞后，客户在抱怨、主管对你提出来批评。你会如何调整心态19.假设你家附近有一个煎饼摊，可以假设它的各种条件、成本、卖多少、工作多少天都可以假设。需要估算这个煎饼摊一个月净利润是多少钱，所有条件都由你来假设，说一下你的分析思路20.AI用的多吗，你对AI的认知是怎样的21.结合这个岗位的特性，说一下三年内的职业发展规划反问环节

对校招生来说，值得做的AI项目要能落地、可演示。推荐RAG知识库问答系统。上传PDF自动检索回答并显示引用来源；或做会议纪要生成器，把录音转成摘要和待办。做完能上线展示，比堆砌技术名词更有说服力。

“我靠，刚才面阿里某部门，项目聊得很好，手撕没撕出来，挂了。”前两天听朋友这样吐槽时，我正处在一种类似的焦虑中：发现自己越来越依赖各种 Coding Agent，开始担心代码能力会退化。朋友的情况在面试中很典型，但有点特殊。很多人觉得刷算法题对实际工作帮助不大，但在目前某些厂的考核体系下，这依然是刚需，要面试只能去刷题，没办法。我想聊的是更本质的问题：在解决实际问题的场景中，我们该如何平衡 AI 工具与自己的代码能力？“代码能力”本身其实有点难定义，不仅是熟悉语言特性或数据结构，更重要的是能把一个实际问题转化成解决它的脚本。现在 Agent 用多了，最直观的感受是：坐在 IDE 面前，不知道该干什么。其实这不是coding能力退化了，是根本没定义清楚自己要解决什么问题，以及用什么方式去解决。手搓代码这件事，早些年大家也是靠CV解决问题，并不是每一行都自己敲。但现在的趋势是很多 Agent 会隐藏内部工作细节，只在特定时刻让你检查进度。这种做法能减少信息干扰，但也极大地依赖模型能力。如果模型本身能力不够，它可能会在后台陷入反复调用一个工具的死循环，没有任何结果，token一直在跑，而你甚至不知道。即便模型能力足够，agents也把规划、调试和审查的过程藏了起来，只留下一个“working”的状态，时间一长，导致我们再次面对代码时会产生一点抗拒感。关于对代码的掌握度，Anthropic 曾做过一项研究，调研了不同模式下开发者对代码的掌握程度：全部交给Agent：最快，但对代码的掌握度为0；纯手搓组： 对代码掌握程度最高，但速度最慢；人机协作组（生成后解释）： 模型不仅输出代码，也输出理由。这一组的得分往往也较高，对代码的掌握也更平衡。话又说回来，现在有一种观点认为，大模型已经发展到不需要我们去关注代码细节了，人只需要有“产品思维”，从业务和需求角度给 AI 分任务就行。但我个人认为，鉴于大模型是有幻觉的，我们对编程语言的常用库和特性依然要有基本的认知，因为你的追问也许可以发现大模型错误的认知，从而在早期避免错误的设计。否则，在后续的调试阶段，你可能要花费比别人多得多的沟通成本和 Token。所以，即便有工具辅助，依然要对代码有一定了解。比如它设计了哪些数据结构，用了什么框架，为什么要这样实现。当 Agent 调试成功后，我们可以多问它几个问题：刚才是哪里错了？你怎么知道的？这个命令具体是什么意思？......这种让大模型进行自我解释的过程，能有效增加你对代码维护的了解程度。