找实习~~~

给我面没招了，发点面经攒攒人品～1.手撕代码：两两反转链表2.项目拷打2.1 介绍项目2.2 特征工程与业务理解相关，这么做的动机2.3 模型里是怎么实现自动特征交叉的？2.4 特征分组的技巧是什么？有没有尝试过完全不分组或随机分组？做过哪些实验，效果如何？2.5 为什么这种架构可以提升MFU？2.6 超长序列建模具体怎么做的？这种方案的区别和优势在哪里？信息被压缩的程度有什么不同？2.7 假如你要引入向量索引系统，在线 serving 服务要做什么改造？应该放在什么模块里？2.8 在线链路中，这个模块应该放在哪个环节？特征生产，快照流转的完整架构是怎样的？2.9 样本和线上实时特征如何保持一致？2.10 OneTrans把序列和非序列特征放在一起组织，不同行为特征是怎么组织的？2.11 原论文有没有提到其他组织方式？2.12 OneTrans的金字塔结构具体怎么做？为什么要这么设计？2.13 attention机制为什么随着序列变长耗时增加很快？时间复杂度是什么关系？2.14 如果要优化性能，你会做什么样的优化？2.15 模型推理优化除了传统算子，还会用什么样的架构或加速手段？2.16 多任务学习中的负迁移/跷跷板问题怎么解决？2.17 特征重要性是怎么评估的？

前言:在数学学习与计算机编程中，我们经常需要计算两个数字的最大公约数。它既能简化分数计算，也是密码算法、数据运算里最 基础的常用在数学学习与计算机编程中，我们经常需要计算两个数字的最大公约数。它既能简化分数计算，也是密码算法、数据运算里最基础的常用工具。 从古至今，人们总结出两种最经典、流传最广的求解方法：更相减损术与辗转相除法。两种算法底层逻辑相通，都依靠数字公因数不变的数学规律缩小数值，但运算方式、速度效率截然不同。 本文用最简单直白的语言，不带复杂公式，一步步拆解两种算法的原理、过程与优劣对比，带你彻底看懂古人智慧与现代最优解法的区别。<1>更相减损术 #include &l...

bg：末九本海硕，一段游戏测开实习只写了自己记得的部分一面上来先一道简单手撕，接着问八股，Python list tuple dict，装饰器，垃圾回收机制，tcp udp，游戏用什么会出现什么问题，怎么解决，王者出了新英雄怎么设计用例，简单聊了实习二面上来一道简单手撕，问喜欢玩什么游戏，然后根据你说的游戏让你设计用例，接着一直问的性能相关的问题，帧率，渲染，以及优化之类的，最后也是简单聊了实习。hr面就是正常hr面内容因为我面的上海的岗位，之前的面试官都是广州的，所以加了一面四面四面主要是聊实习，最后稍微问了几分钟八股和设计用例挂了的原因问了下hr是因为上海这边只想要专门测业务的，我之前那段实习都是写工具的不要匹配

第一个是本地知识库问答。把自己的笔记、PDF、文档喂给模型，做一个能检索能问答的系统。技术栈就是LangChain加向量数据库，难度不高但涉及RAG全流程，面试官最爱问这个，你踩过坑就能聊很久。第二个是Agent自动化工具。找一个你自己真实的重复性工作，让AI帮你自动完成。比如自动抓招聘信息整理成表格、自动总结每天的技术新闻发到邮件。场景越真实越好，面试时说这个工具我自己每天在用比任何包装都有说服力。第三个是模型微调。找一个垂直领域的开源数据集，拿Llama或者Qwen跑一次LoRA微调。不需要效果多好，重要的是你走通了训练评估部署全流程，这个经历很少人有，写进简历直接拉开差距。这三个项目有个...