跟HR说什么能被秒回？

目前主流的 Embedding 模型都是 Bi-Encoder 架构（双塔模型）：query 和文档各自独立编码成向量，再算余弦相似度。这种架构的优势是速度快——文档向量可以离线算好存起来，查询时只需要算一次 query 的向量就能跟整个库比对。代价是精度不如 Cross-Encoder，所以才需要两阶段检索。✴️下面是目前开源社区里最常用的几个 Embedding 模型的核心对比：✅BGE-M3（BAAI 智源）：目前中文场景的首选。支持中英多语言，最大 8192 token 的上下文窗口，同时支持稠密向量、稀疏向量和 ColBERT 式多向量检索三种模式。在 MTEB 中文榜单上长期稳居前列。如果你不知道选什么，无脑选 BGE-M3 不会错。✅BGE-large-zh（BAAI 智源）：专注中文的大尺寸版本，在纯中文场景下精度略高于 M3，但不支持多语言，上下文窗口也只有 512 token。适合纯中文且文档较短的场景。✅GTE-multilingual-base（阿里达摩院）：阿里出品的多语言 Embedding 模型，在 MTEB 多语言榜单上表现很强。跟 BGE-M3 是直接竞品关系，两者在多语言场景下各有胜负。如果你面的是阿里，了解 GTE 是基本功。✅E5-small/base/large（微软）：微软出品，特点是有从 small 到 large 的完整尺寸梯度，small 版本只有 33M 参数，特别适合资源紧张或需要部署到边缘设备的场景。精度比 BGE 略低，但推理速度快很多。✅Jina Embeddings v2（Jina AI）：最大亮点是支持 8K token 的超长上下文。如果你的文档 chunk 特别长（比如整段法律条文或完整的技术文档章节），其他模型可能截断，Jina v2 能全部吃进去。✅MiniLM（微软）：极致轻量级，速度最快，适合对延迟要求极高或大批量处理的场景。精度是这几个里最低的，但胜在快。🌟四种经典搭配方案1️⃣经典流水线：BGE-base2️⃣检索 Top 100 → BGE-Reranker-base3️⃣精排多语言场景：GTE-multilingual-base + GTE-multilingual-rerankerGPU4️⃣紧张：E5-small + MiniLM-L6-cross-encoder（batch 推理）5️⃣长文档 / 8K：Jina-embeddings-v2 + Jina-ColBERT-v2，段内匹配更稳📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1. 枚举类能否被继承？为什么？思路核心讲枚举类的底层实现（final类+私有构造器），解释无法继承的根本原因。回答示例枚举类不能被继承，核心原因是枚举类的底层实现特性：编译器会自动将枚举类编译为final class（最终类），而final类无法被继承；枚举类的构造器默认被编译器设置为private（私有），子类无法调用父类构造器，不符合继承的语法规则；枚举的实例（如enum Color {RED, GREEN}中的RED、GREEN）是编译器自动生成的静态常量，无法通过子类扩展。补充：枚举类可以实现接口（如enum Color implements Runnable），但仍不能继承其他类。...

目前的实习更偏向成长，虽然偶尔会忙到疲惫，但每天都能接触新业务、学到实用技能，能明显感觉到自己在进步。比起轻松却无意义的消耗，这种充实的状态更让我觉得值得。

1. Spring Boot 自动配置中 @ConditionalOnMissingBean 的生效逻辑？思路讲清楚：时机、判断范围、优先级、覆盖规则。回答示例逻辑很简单：先去容器里找对应类型或名称的 Bean；如果完全不存在，才创建当前这个自动配置的 Bean；如果用户自己已经注册了同类型 Bean，自动配置就不生效；生效时机是在用户配置之后、自动配置之前，保证用户配置优先。一句话：用户定义优先，自动配置兜底。2. MVCC 机制中 Read View 创建后如何判断记录可见性？思路讲 Read View 四件套 + 可见性判断规则，面试标准回答。回答示例Read View 里面保存四个关键...