秋招

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

我本来想还有一个月就能刷完力扣hot了，然后再复习复习八股。但是我看到基本你们的面经都有agent，我之前用过spring ai，要给我简历的项目一个加agent吗（2026.3.29加了一个agent，这样写行吗）

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...