字节财经 三面 手撕居然出了hard

RAG 是啥？RAG，全称 Retrieval-Augmented Generation，意思是 “ 检索增强生成 ” 。以前的 AI 模型知识有限，还可能答错或者答得不靠谱，而且企业用起来也不安全。RAG 就是来解决这些问题的！它能让 AI 在回答前先去 “ 图书馆 ” （知识库）搜资料，再给出答案。RAG 怎么干活？RAG 的工作流程简单来说就是三步走：你问我答：用户问问题，比如 “ 今天吃什么好？”，RAG 系统接收到了。翻书找答案：RAG 的 “ 小助手 ” 会飞快地在知识库里找相关资料，比如美食推荐、营养搭配之类的。整合输出：把找到的资料和问题混合在一起，扔进大模型里加工，生成一个超棒的答案，比如 “ 今天你可以试试清蒸鲈鱼，肉嫩味美，还很营养哦！”。RAG 的核心组件RAG 主要有两个核心组件：检索器（Retriever）：就像在图书馆里负责找书的管理员，能在知识库里快速定位到相关资料。生成器（Generator）：拿到资料后，它就像个作家，把资料和问题结合，生成最终的回答。RAG 跟其他技术比有啥厉害之处？对比直接用大模型 API 或者微调，RAG 有这些牛 X 的地方：知识更新快：知识库能实时更新，AI 就能立马掌握新知识，不用重新训练，省时省力。省钱省心：不用大规模重新训练模型，成本大大降低。不会忘事儿：不会像微调那样，在没训练过的任务上表现不好，稳稳地保留了模型的通用能力。不过呢，RAG 也有点小缺点，比如在特别需要深度理解和风格模仿的问题上，可能就没微调那么厉害。RAG 的关键环节和挑战文档切分（Chunking）：把文档切成合适的大小，就像切蛋糕一样，得找到那个完美的大小，不然可能影响检索效率。Embedding 模型选择：选对模型就像给汽车选发动机，直接决定向量表示的质量，影响后续的检索和生成效果。检索效果评估：得时刻监控检索的召回率和精确率，就像给检索系统做定期体检，有问题及时调整。向量数据库的作用：它是高效存储和检索向量表示的中流砥柱，就像给知识库装上了超级导航，能快速定位到相关信息。整体效果评估：要时不时对 RAG 系统来个全方位体检，从生成答案的准确性、相关性等方面打分，确保系统一直在线。

LORA 原理：解释 LORA(Low-RankAdaptation)的核心思想，如何通过低秩矩阵实现参数高效微调?数学形式如何表达?Self-Attention机制：自注意力机制中 O/K/ 矩阵的作用是什么?如何通过缩放点积计算注意力权重?公式推导并解释Softmax 的意义。位置编码：Transformer为何需要位置编码?主流 LLM(如 LLaMA、GPT)使用哪种位置编码(如 ROPE)?相比绝对/相对位置编码有何优势?Seq2Seg 模型：Seq2Seq模型的核心组件是什么?Encoder-Decoder结构如何解决长程依赖问题?RAG技术：RAG(检索增强生成)的完整链路包含哪...

1.自我介绍2.介绍下你的xxx项目，背景是啥3.部署在哪？存储系统用的什么？4.你项目的表怎么设计的？5.数据库底层的数据结构？6.b+树？7.你们项目里这个键值对应的是什么？8.优化uuid插入b+树，怎么优化？9.数据库三范式？10.你的项目怎么体现这三个范式？11.压测？12.怎么压？13.你们项目云服务器怎么配置的？算法题：链表排序写出来了，但是报错超时，可能是哪里循环写错了或者时间复杂度太高😭，面试官说让我下来调试下，这个题问了思路，问了有没有其他办法做，其他办法问了很多，也让讲解了时间复杂度和空间复杂度具体的思路        

总共面试一小时零五分钟，5月8日面试因为面试官有事改到了5月9日1、自我介绍2、为什么读研3、为什么选择后端而不是前端4、说说项目背景 5、说说项目里的防超买 6、你提到lua脚本，lua脚本有什么缺点 （随便想了几个说的）7、数据库上用了什么设计防超卖 (答用户id的唯一索引)8、你这个数据库设计的不对哪里不对9、你说用到了rabbitmq，如何保证可靠性10、rabbitmq的持久性怎么影响性能11、算法 寻找两个不定排序有重复的数组的中位数先说思路，说了可以遍历以及二分查找，二分查找没说明白，说你就遍历来做（汗流浃背，算法 lc 4 hard 的加强版）