AI应用开发 Minimax面经 攒人品

这次面试我有准备了，八股能答出来了，虽然答的不完美😂😂😂自我介绍完后问我那哪些课上过，哪些课没上，我说只有数据结构上过。然后开始问八股。不过面试官每问出一个问题都要看简历好久(感觉没有问的欲望呢😂)，八股问的少，就四个问题。操作系统io多路复用操作系统进程线程Java的IO流stream流介绍Redis的hash数据结构介绍然后开始写题，给一个数n和一组数字，输出由这些数字组成比n小的最大的数写了三十几分钟没写出来，让我讲讲我的实现思路(我没思路，不会写，想纯暴力循环一个一个比较)。面试官说先写个题目然后再问一些开放性的题目吧，可能我算法没写出来就懒得问了(算法不过关😭😭)，算法后直接进入反问流程了。我一个朋友面字节也是十分钟八股就写题目了，写完题目他还有十分钟八股，想知道其他同学面字节也是这样吗？我没有后面十分钟的八股是不是我算法没过关😭但是最后面试官说我在学校成绩是不是很好，这些问题能够掌握并可以用自己的话表达出来(这是安慰我还是认可我的八股回答呢😐)，可是我那时候脑抽说我其实成绩排中等靠后😂总之来说相较于一个月前的百度面试，进步已经很大了😭😭接下来继续沉淀吧，刷算法题，继续背八股

今年应届大模型算法年包一个比一个高，某书某节应届生开七八十万的好像一抓一大把，但是一看JD：有大模型预训练经验，有万卡集群调度经验，发表顶会论文对于我们这种没有大厂实习，没进强组的小卡拉米来说，基本上都是不可能满足的条件。  所以，没显卡的穷孩子真的不能靠大模型算法翻身吗？ 关于这个问题，实际上也要看“大模型”的几个具体方向（虽然都叫大模型算法or大模型应用），按照对硬件资源需求的程度从低到高排序大概是这样： Prompt工程 ≈ Agent 开发 < RAG <  LoRA等高效微调 < 全参数后训练（微调） < 预训练 这么看其实很明了了，那些对资源要求极高的JD，...

现在研二，研究生是深度强化学习自动驾驶方向，有个一区论文，专利。英语六级460。力扣还没开始刷，实习经历里写的代码有用ai帮忙

本文全面介绍了大模型相关知识，包括大模型（LLM）、提示词工程（PE）、检索增强生成（RAG）、工具调用（Function Calling）、模型上下文协议（MCP） 等，适合零基础小白入门。  近些年，AI 的发展速度越来越快，越来越多的业务开始寻求“AI 赋能”。面对这个黑盒，很多研发人员的反应是疑惑：“我需要学习神经网络算法吗？我要懂 Transformer 架构吗？” 其实，对于非算法人员，我们不需要成为研发“发动机”的算法科学家，而是要成为能够驾驭“赛车”的 AI 工程师.我们无需深究底层的数学原理，但必须洞察它的能力边界，知道如何将这个“黑盒能力”高效、稳定地融入到我们的业务系统中...