考公落榜

有面试过同岗的朋友欢迎评论区交流！1.若用户量大幅增长，实习的项目相关系统能否应对，瓶颈是什么?2.你平时会使用大模型处理哪些任务，觉得大模型在哪些任务上处理得好，哪些任务处理得不好?3.你做的另一个项目的核心目标和整体架构是什么?4.你做的另一个项目是生成文档还是生成核心代码?5.你做的另一个项目若工业界落地失败，会如何处理?6.你做的另一个项目在记忆模块设计上有什么思路，如何让相关技能更好地发挥作用?7.你做的另一个项目中，模型是如何选择的，有什么选择依据或方法?8.大模型幻觉问题该如何处理，服务化过程中会产生哪些相关问题?9.你做的另一个项目现在能否在本地运行?10.RAG的优缺点有哪些?11.多任务相关模型有什么适用场景?12.常见的Agent产品有哪些特质?13.若发现项目中模型执行不成功，会如何处理?14.长期记忆相关设计中，关键关注点有哪些?15.从整体设计角度，长期记忆相关功能会从哪些角度考量?16.长期记忆相关设计还有哪些可优化的点?17.Agent领域的发展趋势是什么?18.若代码生成成本越来越低，工程师的核心竞争力会发生什么变化?19.平时会通过哪些渠道关注AI技术动态?20.最近有没有遇到让你觉得印象深刻的AI应用，其情节或功能有较大亮点?21.进入项目后遇到新的工具技术，会如何评价技术是否能解决问题?

1、为什么引入父子索引，为什么引入 BM25，比例是怎样的，具体流程是什么，有没有 rerank父子索引主要是为了解决 切块后召回准，但是上下文不完整 的问题。如果文档直接按 300～500 token 切成小块做向量检索，确实更容易召回到具体答案，但很容易丢掉原文结构，比如标题、段落关系、表格上下文、前后约束条件。所以会把文档拆成两层：父块：保留完整语义单元，通常是 800～1500 token子块：用于召回，通常是 200～400 token检索时先搜子块，命中后回源到对应父块，再把父块内容喂给大模型。这样既保证召回精度，也保证上下文完整性。引入 BM25 是因为向量检索对语义相似比较敏感...

找工作这阵子，发现用AI帮着捋JD和简历，比自己瞎琢磨高效多了，分享下我自己的玩法，没那么多规矩，纯个人实操心得。第一步其实很简单，就是把招聘JD和自己的简历，一股脑全粘贴给AI。不用特意整理，原始版本就行，核心就是让AI先搞明白，岗位要什么人，我有什么东西，两者之间差在哪——也就是所谓的人职匹配，自己看半天可能漏重点，AI扫一遍就能把gap标出来，省得我逐字逐句对比。关键是第二步，得给AI定个“人设”，不然它输出的东西太敷衍。我直接给它写了一段提示词，大概意思就是，让它当一个有15年经验的职场老炮，懂德鲁克管理、麦肯锡那套，能帮我把过往经历，转化成岗位需要的能力，别净说废话。具体要求也写得很明确，让它从岗位技能、个人素质这些维度，帮我找长板和短板，别只说表面，还要挖JD里没明说的需求——比如用PEST、波特五力模型，分析下行业痛点，知道公司招这个岗位真正想解决什么问题。还有面试预判也很重要，让它模拟面试官，挑我简历里模糊的地方追问，比如数据不详细、动词太笼统的经历，用STAR法则往深了问，逼我用过去式和数字回答，这样练下来，面试时就不会慌。如果有空窗期、跨行这种雷区，也让它帮我想话术，重点是突出“主动选择”，不是逃避，而且话术要具体，别来“保持自信”这种没用的建议。另外，还得让它帮我设计3个反向提问，就是面试最后问面试官的，比如向谁汇报、有多少资源权，这样能摸清这个岗位的真实情况，避免踩坑。指令给完之后，AI就会按步骤来，先让我确认JD和简历，然后用表格列清楚gap，给我补短板的建议，再抛3个尖锐的面试题，我答完之后，它再用KISS原则帮我复盘，哪些要保持，哪些要改进，哪些要停止，哪些要开始准备。

求点简历优化意见