简历写"负责微服务架构设计"，实际就加了俩接口。面试官问"服务怎么拆的"，懵了。继续问"用Eureka还是Nacos，为啥"，答不上。当场凉。这就是"面试反噬"——你写得越牛，问得越狠。记住：简历每个技术名词都是定时炸弹。写"Redis"就得准备回答缓存穿透击穿雪崩咋解决。写"高并发"就得说清QPS多少、瓶颈在哪、咋优化的。写之前问自己三个问题——1)真做过吗？2)知道为啥这么做吗？3)能展开说细节吗？答不上就别写。然后深挖每个技术点。比如写了"用Redis优化&q...

从一月中到现在，最大的感悟是累、其次是不要怀疑自己

28届985本，科班，一直走的是本科就业的路子，学习Go后端，曾经还因为周围人卷保研而自己早已踏上了“正确的道路”而沾沾自喜。现在大二下，工程和算法能力还可以，但保研基本无望，也不想考研。愈发觉得自己所谓“正确的道路”可能并不是多么明智，AI以惊人的速度进化，一年之后或者两年之后，后端还存在吗？大部分的工作是否都和AI算法之类的强相关呢，但这又是一个需要研究生以上学历、需要卷论文的方向，本科就业者基本碰不到。自己的本科学历会不会在后端工作一两年就被“降本增效”了，或者是到了大三大四根本找不到对口的工作了？抱歉，可能我有点想到哪说到哪了，我不知道自己是不是在杞人忧天，现在有点迷茫，希望各位已经进入业界的大佬能够给我指条明路，谢谢！

1. 介绍下你实习学了什么 做过什么项目,为什么离职的2. MoE 为什么能在参数量很大的情况下还能把训练和推理成本压住，真正难点在哪MoE 的关键不是“参数变多了”，而是“每个 token 只激活一部分参数”。也就是说总参数量可以做得很大，但单次前向只走少数几个 expert，所以理论上计算量不会随着总参数线性增长。这个思路在大模型里很有吸引力，因为可以同时兼顾容量和成本。但真正难的地方是路由和负载均衡。路由器如果只偏爱少数 expert，训练会很不稳定，热门 expert 被打爆，冷门 expert 学不到东西。另一个难点是通信开销，尤其多机训练时，token dispatch 和 gat...