AI 这波浪潮来得太快了。半年前面试还在聊微服务和高并发，现在面试官张口就是：RAG 怎么做的？Agent 的执行链路是什么样的？你的检索策略是怎么设计的？会话记忆怎么控制 Token 成本？这些问题已经不是加分项了，而是越来越多 JD 里的硬性要求。但现实是，大部分人接触 AI 的方式还停留在"调 API"的阶段——跟着教程往向量库里塞点数据，让大模型吐一段话，截个图发朋友圈说自己"做过 RAG 了"。面试官稍微追问两句就露馅：文档怎么切的？检索召回率低怎么办？幻觉怎么控制？一问三不知。跑通一个 Demo 和做出一个能上线的系统，中间差的不是几行代码，...

项目代码黑马点评，ai优化了一下，加了几个点agent项目也是比较简单玩具的一个项目。代码能力实在不怎么熟练，光去看八股了，算法的话，目前刷了两遍hot100和部分的150的题目面后端的话，直接对着大厂暑期实习冲吗，海投那样吗？求大佬点评点评

看来得重新踏上征程了。后悔之前oc之后没有走其他的流程。

笔试时间：2026年4月8日往年笔试合集：2023春招秋招笔试合集2024春招秋招笔试合集第一题：路由器资源用量预测（150分）题目路由器的某资源利用率与多个运行特征强相关：协议连接数（单位：个）、转发数据包速率（单位：Mpps）、内存占用率（单位：%）。为了精准预测不同负载下的路由器资源利用率，保障网络稳定运行，请实现批量梯度下降法（BGD）来训练资源预测线性回归模型的参数。资源预测模型： y = w0 + w1·x1 + w2·x2 + w3·x3 （w0 为偏置项，x1、x2、x3 分别为特征，w1、w2、w3 为特征权重）损失函数： 均方误差（MSE） L = (1 / (2m)) ·...