远景科技电气工程师面经

刷牛客发现，80%的应届生实习翻车，不是因为技术不行，是不会跟mentor相处。要么是不敢提问，遇到问题自己硬扛，最后耽误了项目进度，被骂；要么是不动脑子，什么鸡毛蒜皮的小事都问，让mentor觉得你能力差；要么是过度依赖mentor，自己不思考，永远只能做CRUD，转正无望；甚至还有人跟mentor对着干，最后实习证明都拿不到。我自己4段实习，从外包到传统公司，再到互联网大厂，遇到过坑人的mentor，也遇到过神仙带教，踩过无数的坑，也总结出了一套和mentor相处的底层逻辑和实用方法。今天就跟所有应届生讲透：和mentor相处的本质是什么？怎么建立健康的相处模式？怎么正确提问？哪些红线绝对...

上周组里招人，我面了六个候选人，回来跟同事吃饭的时候聊起一个让我挺感慨的现象。前三个候选人，算法题写得都不错。第一道二分查找，五分钟之内给出解法，边界条件也处理得干净。第二道动态规划，状态转移方程写对了，空间复杂度也优化了一版。我翻他们的简历，力扣刷题量都在300以上。后三个呢，就有点参差不齐了。有的边界条件没处理好，有的直接说这道题没刷过能不能换个思路讲讲。其中有一个女生，我印象特别深——她拿到题之后没有马上写，而是先问我：“面试官，我能先跟你确认一下我对题目的理解吗？”然后她把自己的思路讲了一遍，虽然最后代码写得不是最优解，但整个沟通过程非常顺畅。这个女生的代码不是最优的，但当我问她“如果这里是线上环境，你会怎么设计’的时候，她给我讲了一套完整的方案——异常怎么处理、日志怎么打、怎么平滑发布。她对这是之前在实习的时候踩过的坑。”我在想LeetCode到底在筛选什么？我自己的经历可能有点代表性。我当年校招的时候，也是刷了三百多道题才敢去面试。那时候大家都刷，你不刷就过不了笔试关。后来工作了，前三年基本没再打开过力扣。真正干活的时候，没人让你写反转链表，也没人让你手撕红黑树。更多的是：这个接口为什么慢了、那个服务为什么OOM了、线上数据对不上了得排查一下。所以后来我当面试官，慢慢调整了自己的评判标准。算法题我还会出，但目的变了。我出算法题，不是想看你能不能背出最优解。而是想看你拿到一个陌生问题的时候，是怎么思考的。你会先理清题意吗？你会主动问边界条件吗？你想不出来的时候会怎么办？你写出来的代码，变量命名乱不乱、结构清不清楚？这些才是工作中真正用得到的能力。LeetCode是一个工具，不是目的。它帮你熟悉数据结构和常见算法思路，这没问题。但如果你刷了三百道题，却说不清楚自己的项目解决了什么问题、遇到了什么困难、你是怎么解决的，那这三百道题可能真的白刷了。所以还要不要刷LeetCode？要刷，但别只刷题。刷题的时候，多问自己几个为什么：为什么用这个数据结构？为什么这个解法比那个好？如果换个条件，解法还成立吗？把刷题当成锻炼思维的方式，而不是背答案的任务。毕竟面试官想看到的，从来不是一台背题机器，而是一个能解决问题的人。

项目挑一个讲？这个项目里大部分是大模型，工程上的有讲一下吗？有用到 Agent 吗？Agent 和传统大模型有什么区别？工作记忆了解吗？向量数据库和传统数据库区别是什么？从模型上查询索引结构上、事务上的区别呢？你提到的给 A 推荐的喜好是怎么做的？你的项目如果对标京东、阿里的话，有没有了解到现在成熟的方案？比方说对你的身高体重、用户画像等这类长期记忆的应用。大模型使用向量数据库的诉求是什么？什么场景用向量数据库？向量数据库在 AI 里的核心作用在哪？向量数据库开源的有哪些？ 在毕设过程中，有哪些方案是做过技术调研的？做过压测吗？2000 QPS 的瓶颈在哪里？怎么优化？压测的时候什么指标达到了...