一个下午舔来了两个二面

华为，真实一个让人又爱又恨的公司。爱的是，对学历不错的学生普遍有较高的包容度，并且也舍得给钱，对校招生也是比较友好的。秋招也竟然给我开出了15a的offer，当时确实倍感震惊。薪资构成大致是这样，15a = (基本工资+绩效工资）*12 +10w年终，绩效工资hr说是100%能拿满，年终大部分都能拿满。绩效工资拿满，我感觉还能相信，但是年终大部分人都能拿满，我就有点存疑了。恨的是，公积金只交5%，并且缴纳基数还是按照基本工资交的，这就感觉不大对劲了。虽然看起来每个月到手的钱变多了，但是总体算下来却更少了。还有月末周六要加班，平常应该也会加班。至少我问了我师兄的情况，每次跟他闲聊，他总是说自己一...

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。

原来已经一年了，因为没有加任何实验室没有学长学姐带，再一次偶然的机会下刷到我们学校的牛肉哥，和他聊天之后发现他也没加实验室能进大厂，我就燃起了希望，去年大概 4 月份找好路线 零基础 开始学 5 月背八股和开始刷算法很难受 7-8 月焦虑躯体化害怕找不到实习 9 月找到一家像样的小厂去实习了 4 个月大三上期末考试结束之后 1 月份回来边实习边准备工作压力很大 当时只有字节、百度、商汤的面试，字节三面挂了，百度 oc，商汤 二面挂（差评 无效面试），之后来深圳百度实习之后还是觉得不甘心一直没把算法和八股扔下一直在准备，百度实习的时候 mt 交给我一个特别重要的工作数据库迁移（特别感谢 mt ，这个需求学到了很多东西处理了一堆线上问题），本来看着暑期他们面试都很困难，然后听说百度要涨实习薪资（然而 5 月并没有涨），就想着留在百度吧也懒得面试了，4 月 20 多的时候字节 hr 打电话约面问我要不要尝试一下询问了 1 月份三面为啥会挂有没有学习 ai 知识（因为字节这边后端岗位偏 ai），我来到百度之后全面拥抱 AI 也认识了我的好兄弟 X 哥，他在百度 XX 部门 Agent 实习，他属于是我 Agent 的启蒙老师，来百度之后一直在了解 AI 这一块，我就接受了字节的面试，一面的时候 20 分钟实习拷打然后突然说 30 分钟代码考核我心就凉了以为是 kpi，算法题是手撕高并发安全下的令牌桶限流器，我写了整整 80 多行代码最后也写出来了，但是从来没看到过出这种题能 oc 的我也就不管了，后边面试也是很顺利但是流程有点长可能一直在横向吧总结结果是好的！！！感谢这一年努力的自己和遇到的各位互联网大佬分享的知识！！！ps 图二纯感慨 （觉得🍬请不要喷我）欢迎大家一起交流学习呀！！！！

这个是5.11发的offer了,HR面和二面隔了10多天1. 自我介绍2. RAG 有没有解决大模型胡说八道的问题答案：RAG 只能缓解幻觉，不能彻底解决幻觉。RAG 的作用是把外部知识、业务文档、历史记录和实时数据作为上下文提供给模型，让模型减少依赖参数记忆。但如果召回错了、召回不全、chunk 切分不合理、rerank 排错、prompt 没约束好，模型仍然会基于错误证据生成错误答案。所以线上 RAG 不能只做“检索 + 拼 prompt + 生成”。必须做证据约束。比如在园区运维场景里，模型说“冷却塔水泵异常导致能耗升高”，就必须引用对应的告警记录、传感器曲线或历史工单。如果没有证据，只...