现在Java后端简历是不是都要带上ai啊

发点面经攒攒人品～1.实习中使用的AI代码工具生成的代码质量如何，能否直接投入生产2.项目拷打3.分片键的选型：为什么选择业务核心ID而不是用户ID？4.什么场景下触发分库分表（单表阈值、性能瓶颈）？5.分片键选型后，查询“我的评论”这类跨分片场景如何处理？6.评论与回复的表结构设计：多级回复的查询逻辑，如何减少IO？7.对Sharding-JDBC的了解程度？8.分库分表后的分布式分页查询、全局排序如何实现？9.MyBatis动态SQL的具体使用场景，如何帮助降低查询响应时间？10.QPS提升4倍的背后：分布式锁、布隆过滤器分别解决了什么问题？11.布隆过滤器解决的具体业务场景？为什么不用空值缓存？12.布隆过滤器的原理及误判问题了解吗？13.分布式锁的实现方式，解锁时如何保证原子性防止误删？14.MySQL乐观锁的原理，如何解决并发更新问题？15.订单流程中如何用事务保证扣库存和生成订单的原子性？算法能力LeetCode 146. LRU缓存 或 23. 合并K个升序链表（二选一）

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...

🎓学历背景：大专👨‍💻意向职位：汽车内外饰设计，汽车测试，嵌入式，pLC，ABB，AGV🔑遇到的问题:工资低都行，就是找不到实习技术岗位，只有一线岗位

1. 如果知识库原始数据不是 markdown，而是 PDF、PPT、图片或者网页，你会怎么处理进 RAG 系统？PDF 和 PPT 会提取标题、段落、表格和页码，图片先做 OCR，网页先抽正文和元信息，然后统一清洗噪声、去掉页眉页脚、按语义做切片，补上来源、时间、文档层级这些元数据，最后再做 embedding 和索引。这样后面的召回、溯源和权限控制都更稳定。 public List<Chunk> buildChunks(Document doc) { List<Block> blocks = parser.parse(doc); List<Block> ...