简历一定要是写一页吗

点赞收藏加关注，这个系列我会长期保持更新的这位同学的简历偏简单了，整体也比较乱，把教育经历和荣誉证书放在一起就行，项目经验的话可以尝试放在专业技能的下边项目经验都太简单了，都是简单的技术实现，没有业务思考，技术深度和量化指标，这个简历是肯定不能投的，因为你没有实习经历的话，最重要的就是这两个练习项目了，能看出来你有没有对技术的思考，很显然现在是没有的，你应该补充一下专业技能基本的都有一些，但深度不够，可以补充一下深度

面试1h，内容如下：1.介绍一下agent项目，流程是怎么样的，详细展开说说。讲完之后开始八股：2.hashmap线程安全吗，高并发会有什么问题？你会怎么解决3.syn锁和re锁的区别？4.循环依赖怎么解决 ，具体介绍流程5.还有些忘了....都是很简单的八股。（叫我共享屏幕，说反作弊。可能觉得我讲太快了）算法题：LRU缓存+ttl+解决高并发+限流（5秒内用户只能请求10次这样）。可以口述思路，可以写代码，LRU+TTL我默写了，后面两个直接说思路。今天不知道为什么，在反问环节都是hr在一直输出，感觉我才是hr哈哈哈....反问的话就问3个方面：1.用友下一步的发展方向，是否往ai靠？2.薪...

部门：国际化广告crm与交易平台记不全了，大概回忆下一面（3/26）总体上不是难，面试官人很好，在我回答后都会给一些他的看法实习相关提问，这一块面试官更多的是倾听，然后给我设计的东西说了一些他的看法和建议用消息队列，redis做什么kafka的幂等性如何实现，如果说消息已经写入了，消费者如何确保只消费一次（我按照如何确保消息只执行一次说的）讲一下数组和链表有什么区别如何判断一个链表有没有环，将思路就行，两种方法mysql事务的acid，具体都是干什么的还有一些可能忘记了手撕：用rand10实现rand7合并两个排序好的链表用递归可以吗合并k个有序链表手撕全撕，比较简单反问环节：对我有什么建议，面试官给了我很积极正向的评价业务介绍的也很详细面试完一小时约二面-----------------------------------------------------------------------------------------------------------------二面（3/30）面试官全程比较严肃讲一下实习，挑一段自认为做的最好的经历讲一下（问了没多久，就10分钟左右吧，可能面试官不是很感兴趣）了解哪些数据结构讲一下红黑树和b+树你知道mysql用的什么数据结构吗？为什么不用b树事务acid（不知道二面面试官为什么又问一下这个问题）我在讲acid的时候，说一致性时，提到了一个转账的场景，正好碰到了部门的业务，让我细说了一下主要就是一个场景题如何设计一个给账户充值或扣款的接口，考虑的详细一些这个内容我提到了幂等性的设计，后续针对这个场景题的提问都是幂等性相关的有用过ai coding吗，在什么场景使用，使用应该注意什么算法：判断一个链表有没有环（一方面是很简单，还有一方面是这不是一面考过了吗）反问：有什么建议，建议我实习的过程中可以不光了解自己做的东西，还要了解下整个团队做了哪些东西（可能是觉得我实习做的东西比较片面）部门业务：这个介绍的和一面面试官介绍的不太一样，提到了需要做一些数据分析咱们团队如何看待ai coding：目前各个公司，国内外都处在一个探索的阶段，ai coding一方面并没有那么智能，还有一方面就是没有一个使用的规范，可能每个人都有自己的使用习惯，这个可能还需要再探索探索。ai coding未必能让一个程序员干的事情更少，但是需要程序员掌握更多东西，但是ai的发展又很快二面的面试官没有什么反馈，基本上就是我说什么就听什么-----------------------------------------------------------------------------------------------------------------面完第二天问hr，说没通过，问什么原因，说是匹配度问题（这个团队用的是java，在字节比较少见，还有就是二面面试官提到了数据分析，可能是因为这两块吧）去年9月面字节面的非常糟糕，面评都脏完了，这两次面试应该算是洗回来了，又约到了这周四的面试，加油最后引用一句曹丞相的话"胜败乃兵家常事，此战我军虽失利，然北方仍由我所据，几十万兵马尚存，待重整旗鼓，来日再战必胜。"来日再战必胜！

继续来分享下最近的面经~欢迎友好讨论，信息共享1. Transformer 为什么能替代 RNN 成为大模型主流架构？2. Self-Attention 的计算过程是什么，时间复杂度为什么高？3. Multi-Head Attention 的作用是什么，为什么要分多个头？4. 位置编码为什么必要，绝对位置编码和相对位置编码有什么区别？5. 什么是 KV Cache，它为什么能显著提升推理效率？6. Prefix Cache 和 KV Cache 有什么区别，分别适合什么场景？7. 为什么大模型推理通常是 memory bound，而不是 compute bound？8. Batch 推理和单请求推理的吞吐与延迟 tradeoff 是什么？9. Continuous Batching 解决了什么问题，为什么对推理服务很重要？10. Prefill 和 Decode 两个阶段的性能瓶颈分别在哪里？11. 大模型采样里的 temperature、top-k、top-p 分别会怎样影响输出？12. 贪心解码、束搜索、随机采样分别适合什么生成任务？13. 重复惩罚和长度惩罚分别是为了解决什么问题？14. 为什么模型有时会出现“复读机”现象，通常怎么缓解？15. 量化是什么，INT8、INT4、FP16 的核心区别是什么？16. 推理量化会对模型效果造成什么影响，如何评估是否值得量化？17. 张量并行、流水线并行、数据并行分别适合哪个阶段？18. 单机多卡部署大模型时，通信开销主要来自哪里？19. 为什么 GPU 显存是大模型部署的核心约束之一？20. 模型参数量、上下文长度、并发数三者之间是什么关系？21. 什么是 MoE 模型，为什么它能在参数规模很大时控制推理成本？