27实习简历求拷打

一、个人 & 实习背景HTTP 协议讲讲只是把 HTTP 改成 WebSocket，那内部处理流程或编排具体有什么变化？关键是怎么把完整音频基于什么维度切割？延迟从 800ms 降到 200ms，这个 800ms 是处理完成返回的时间吗？是发起请求之后，完整响应吗？从请求到所有 response 收完？确认一下延迟口径：是接口请求维度，从发起网络请求到数据全部接收完成？端到端的链路流程说一下？二、计算机网络 & 操作系统HTTP 请求信息里面有哪些内容？Request 里都有什么？HTTP 和 HTTPS 的区别是什么？HTTPS 传输过程中具体是怎么保证数据安全的？现在浏览器都是多进程，进程之间协作通信方式有哪些？进程之间的通信方式有哪些？方法的入参、出参、局部变量在内存哪块区域？三、Redis & MySQL & 中间件Redis、MySQL 这些组件用过吗？缓存怎么使用 Redis？具体怎么用？积分排行榜是整个站点所有用户积分排名吗？Redis List 有数量上限，量大后性能会有问题，几万几十万用户还能用吗？Redis 集群解决了什么问题？排行榜是一个 key，集群怎么分？100 万用户按 1 万一组分片：新用户进来往哪个分片加？边缘用户积分变动，跨分片时数据怎么处理？有更好的方案吗？Redis 还用过其他功能吗？不重复领优惠券是什么场景？Lua 脚本里查，其他人同时执行不也会有问题吗？Redis 持久化方式有哪些？MySQL InnoDB 为什么用 B+ 树？MQ 用过吗？了解吗？知道是做什么、解决什么问题吗？四、项目 & 架构之前做的都是 Spring Boot 单体服务吗？有没有接触过微服务架构？五、算法题第 k 个排列有思路吗？hard题：60. 排列序列

1.介绍团队是干什么的2.问笔试题目，没做出来的都问了一遍。3.问prompt:(1)看我a了37.5%，问我知不知道如何改进？(2)prompt工程一般怎么写？(3)你说到可以给输入输出案例，落到底层原理上大模型是怎么做的？(4)你说到可以给定“按json输出”，如果我拿到的结果不理想(非json)，你觉得如何改善(5)你说可以使用** content **来加强引用，具体到底层大模型如何识别的？4.如果一个用户反馈大模型给的不准，你如何排查？5.了没了解过deepseek的深度学习，它的具体详细的思考过程是怎么样的？6.看到我写了RAG(1)RAG是什么时候出现的？(2)了没了解过抖音、谷...

这段时间我几乎天天都在被 AI 冲击，也天天在焦虑：AI 写 CRUD 比我快 10 倍，改 bug 一眼就能定位问题，甚至连单元测试、接口文档都能一键生成，那我们这些刚入行的程序员，到底还有没有活路？最开始实习的时候，我对 AI 的态度特别矛盾。一边离不开它：遇到写不出来的逻辑、排查不出来的 bug，扔给 AI，几秒就能给我解决方案，比自己翻一下午文档效率高太多；一边又特别恐慌：它连我要写的业务代码都能一键生成，甚至比我写的更规范、边界情况考虑得更全，那公司招我进来干什么？直接让老员工用 AI 写代码不就行了？那段时间我天天内耗，觉得自己还没正式入行，就要被 AI 淘汰了，甚至一度怀疑自己选计算机这条路是不是错了。直到我跟着 mentor 做了一个真实的业务项目，才终于想明白：AI 时代，从来不是哪个岗位有活路，而是哪种人有活路。那个项目是给公司内部做一个工单管理的 AI 助手，我最开始的想法很简单，不就是套个 RAG 框架，接个大模型 API，让 AI 能查工单、回消息就行了？结果我用 AI 写出来的 demo，跑是能跑，但根本没法用：工单里的专业术语，AI 理解错了，给出的答案全是幻觉；不同部门的工单权限不一样，AI 根本没考虑数据隔离，谁都能查所有工单；业务流程里的特殊规则，AI 完全不懂，给出的解决方案完全不符合公司的实际情况。我对着 demo 改了好几天，还是一堆问题，最后还是 mentor 带着我，一点点梳理业务需求、拆解权限规则、优化 Prompt 逻辑、做业务场景的适配，才最终把项目落地。也是这个过程里我才发现，AI 能写代码，但它永远不懂 “为什么要写这段代码”；它能改 bug，但它永远不懂这个业务场景里，什么才是最优解；它能生成方案，但它永远不懂公司的业务流程、组织架构、权限规则，也不懂用户真正的痛点是什么。我见过太多人，拿着 AI 生成的代码，连里面的逻辑都看不懂，出了问题根本不知道怎么排查；也见过很多人，只会让 AI 写文案、做 PPT，却连核心的业务诉求都抓不住，AI 生成的东西再好看，也根本没法落地。AI 时代，最先被淘汰的，从来不是不会用 AI 的人，而是只会用 AI 做执行、没有自己的思考、不懂业务、解决不了真实问题的人。反过来，那些能把 AI 当成工具，用 AI 提效，自己聚焦在需求拆解、业务理解、方案设计、复杂问题解决的人，不仅有活路，还会比以前更有竞争力。那到底哪些岗位有活路？不是什么高大上的大模型算法岗，也不是什么遥不可及的架构师岗，而是这些AI 替代不了的、需要人的深度思考和业务理解的岗位：AI 应用落地工程师：不是只会用 AI 跑 demo，而是能把 AI 能力和真实业务结合，解决企业的实际问题，懂技术也懂业务，这是现在企业最缺的人；垂直领域的业务专家：比如金融、医疗、工业领域的开发 / 产品，AI 懂通用知识，但不懂垂直行业的深层规则和痛点，而这正是你的核心壁垒；AI 产品经理：能想清楚 “用 AI 解决什么问题”，而不是 “为了 AI 而 AI”，能精准抓住用户需求，设计出真正有价值的 AI 产品，这是 AI 永远替代不了的；AI Infra / 底层研发工程师：AI 能写应用代码，但它写不了底层的算子优化、分布式训练框架、CUDA 加速代码，这些 AI 行业的底座，永远需要人来做；能和 AI 共生的全栈工程师：不是只会写代码的码农，而是能用 AI 提效，聚焦在架构设计、复杂问题解决、技术方案选型的工程师，AI 只是你的提效工具，永远替代不了你的核心思考。最后想跟和我一样的应届生、实习生说：不用害怕 AI 会抢了你的饭碗，AI 淘汰的永远是工具人，而不是有思考、能解决问题的人。与其焦虑 AI 会不会替代你，不如沉下心来，学会用 AI 提效，把精力放在 AI 替代不了的能力上：业务理解、需求拆解、方案设计、复杂问题解决。毕竟，能驾驭 AI 的人，永远有活路。

1. 自我介绍2. 写一个高性能模块，需要用链表时，会优先考虑 std::list 吗答案：不一定。很多人看到“频繁插入删除”就先想到 std::list，但高性能场景下不能只看时间复杂度，还得看缓存局部性、内存分配次数、节点额外开销、遍历成本。std::list 的确能做到已知位置 O(1) 插入删除，但它不是连续内存，每个节点单独分配，cache 命中率通常比较差，实际性能未必比 vector 或 deque 好。如果模块里遍历远多于插删，或者数据量大、对 cache 敏感，往往连续存储更占优势。如果确实要频繁中间插删，又担心节点分配成本，工程里还可能结合对象池、侵入式链表或者 boost...