offer选择

📍面试公司：百度🕐面试时间：2026.2.5💻面试岗位：测开❓面试问题：1、自我介绍 2、手撕算法：求字符串数组公共前缀； 3、智力题：苹果 橙子 混合 三箱水果； 4、你的优点与缺点； 5、为什么做测开而不是前后端开发； 6、来到一个新的业务线，如何快速熟悉业务； 7、一个接口反应速度慢，你会怎么提升他的性能 8、搜索引擎偶发性出错，无法复现，你会如何排查； 9、还有一些性格相关的问题，但我记不太清了； 10、反问：您最看重候选人什么品质； 进来负责什么业务；🙌面试感想：几乎没问技术问题，半小时速通。可能跟一面面评比较好有关，面完就打电话过来，oc之，开心之。

欠下的债终究是得还的，早知道不实习了。。。

最开始机考的时候有一道题感觉做的时候连测试用例都还有没通过，最后提交歪打正着通过了很多，最后顺利通过10月底线下面试也很坎坷，一面就面的很不好，手撕用的最暴力的解法，面试官喊优化也一直优化不出来，面试问的问题也是很偏计算机网络基础的问题，很多没回答上，但是最后竟然获得了二面机会二面的时候感觉运气特别好，手撕抽到了一个很简单的算法题（岛屿问题），面试问的也都是基础java八股，最后也是顺利进入三面，第二天感觉第一面不好都以为没机会了，竟然顺利通过后面十一月份没有等到保温电话，中旬还去询问接口人（部门领导），还被降温了，回复我：看破不说破。当时就觉得无了最后十一月底竟然收到了部门领导的保温电话，也是很快就收到了意向。12月初显线下签约完后部门领导聊天，他说我当时的面试成绩刚刚过及格线，而且是他第一个收到简历的，后面帮我推了一下进度（部门投递的人比较少），最后也很幸运有这个机会

在上一篇文章中，我们已经从整体架构的角度，梳理了企业级 AI 落地的一条核心链路：数仓 / 数据库 → 搜索与 RAG → Workflow / Agent并明确了一个前提事实：模型能否应用，不取决于模型本身，而取决于数据是否真正进入了模型的执行链路。这篇文章我们继续向前推进，聚焦真实落地场景：在 AI 加持的新一代数仓体系下，RAG + Workflow / Agent 在真实企业环境中，究竟是如何跑起来的？下图为完整运行链路：数据在数仓中完成 AI 化处理后，通过搜索与 RAG 转译为模型可理解的上下文，再由 Workflow 编排为可执行的 Agent 流程，支撑真实业务场景运行。一、当...