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。

最近刷boss 投了一堆公司。公司画像员工100-500人，非互联网公司跟着AI热潮产生的岗位需求，多为AI agent开发/全栈开发，基本都是CTO/老板直接对接，流程混乱，要求线下面试，不报销路费，直接不感兴趣拉黑。现在的互联网开发，非进校园的线下面试本来就少，基本都是借助腾讯/飞书会议线上面。走线下反映两个问题：1. 内部能效极低，线上面效率不比线下高？ 2.不懂互联网工具，不会用好互联网产品，内部怎么做的好开发？ 3. 公司没有融资没有上市没有title，凭什么要浪费时间精力给你们线下筛选？这并不表示我们求职者好高骛远，行情不好就安心沉淀寻找方向，盲目的下注只会浪费自己的时间和资源。

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...