上海农商行 和 金山办公

最近读了腾讯写的文章，简单自己做了下总结和理解，又有了新的输入，不愧是腾讯👍 一、学到的核心知识 1. 大模型推理的两大基石  Continuous Batching（连续批处理）：传统批处理要求一个 batch 内所有请求"同时开始、同时结束"，但 LLM 输出长度不可预测，会浪费 GPU。vLLM 把调度粒度从 request level 下沉到 token level——每一步看哪些请求"差几个 token"，就调度几个 token，把短请求填进 batch 的空隙里。 Paged Attention：传统做法一次为请求申请全部显存，碎片严重；P...

实习期间和一位安卓同事对接相关工作   之前表白已经拒绝过了 如今又来 该如何面对啊

各位前辈好，先说声抱歉，可能又是一篇“求骂醒”的帖子，但我真的需要一个方向。我的情况比大多数人都糟糕：双非软件工程，大四，马上毕业了，0实习经历，0工作经验。秋招根本没参加，原因很傻——我一头扎进了一个自己觉得“挺有意思”的项目里，天真的以为把项目做好工作自然会找上门。现在春招也快结束了，我才如梦初醒，发现简历投出去基本石沉大海。我没有什么能拿出手的背景，唯一能说的就是这个从后端到前端全栈独立开发的电影推荐平台。我知道在各位前辈眼里这大概率就是个小玩具，但我确实是下了功夫去琢磨的，它不是什么网上扒的代码，下面这些是我自己琢磨并落地的东西：项目概况：Spring Boot + MyBatis-Plus + Redis + JWT + MySQL + Vue3（前端是AI辅助生成的）我自己觉得花了心思的几个点：1. 推荐算法落地：没有照搬别人的推荐逻辑。我是基于用户多维行为数据（评分、收藏、浏览时长）去计算标签权重，然后用“评分×log(热度+1)”的公式做加权排序；冷启动场景用热门数据兜底。推荐结果用Redis的ZSet缓存，用户行为一变化就主动删缓存触发重算。2. 缓存体系设计：不是那种“面试八股文背完就扔”的表面理解。我实际遇到了缓存穿透和击穿的问题，然后自己用空值缓存+逻辑过期去解决。热门电影定时预热、批量查询用multiGet减少IO次数，还封装了MyCacheUtils通用模板，让整个项目其他模块也能复用这套缓存逻辑。3. 并发与一致性：用Redis的SET NX EX实现了收藏/点赞的分布式锁，key精确到“用户+操作对象”级别，不是粗粒度的一锁全锁。异常回滚时Redis和MySQL数据一致性问题也思考并落地了。验证码的原子性校验用了Lua脚本来保证。4. 性能是真实数据：我用JMeter做了2000并发的压测，引入Redis缓存体系后，推荐接口平均响应从6466ms降到155ms，吞吐量翻了一倍，缓存命中率干到98%以上。这些数据不是编的，是我自己反复调优跑出来的。说实话，做完这些的时候，看着压测报告我是挺兴奋的，觉得“这也算出活儿了吧”。但现实是，0实习好像成了我简历上的原罪，很多公司直接筛选条件就把我过滤了。所以我想跪求各位前辈指点我几个问题，每一条我都认真看、认真执行：1. 关于简历：0实习的应届生，还有资格谈“项目亮点”吗？我这项目，是不是在专业面试官眼里就是一个“低配版培训项目”？如果这个项目还有救，该怎么在简历上呈现，才能让HR或者面试官至少愿意给我一个电话面试？如果没有，一个0实习的应届生到底该在简历上写什么？2. 关于面试：如何用项目细节证明“我虽然没实习但真的能干活”？我挺怕面试官看到我没有实习经历就直接失去兴趣。真到了面试那一步，我该怎么引导对话，用上面这些技术细节去对抗“没实习=没工程经验”的刻板印象？比如缓存那块，怎么从“我解决了击穿”讲出一个有技术判断力和工程思维的完整故事？3. 关于求职策略：错过了黄金窗口期，现在该冲什么样的公司？大厂我肯定不奢望了。现在这个时间点，我应该去投那些小公司和外包吗？要不要把薪资预期降到最低先入行再说？对于0实习的应届生，什么样的公司是真的有机会让我进去学技术、积累经验的？4. 关于未来：如果现在直接找不到工作，我该怎么办？这段时间我想好了，如果实在是找不到研发岗，我要不要去干测试或者运维先入行？还是找家小公司被压榨一年攒个经验？还是干脆先找个其他工作边干边学等下一轮秋招？我什么建议都能接受。我知道自己起步晚了，代价得自己扛。现在唯一能做的就是面对现实，然后找到一条最有可能逆袭的路。希望前辈们能给我指个方向，即使简单几句“没救了”或者“还能救，去做XXX”我都非常感激。

5.16 三面结束 我看粉丝投稿的4.21 一面的 二面过完5.11. 自我介绍2. 怎么理解深度学习损失函数中的最大似然估计 MLE？答案：最大似然估计的目标是找到一组模型参数，让观测到的数据在当前模型下出现的概率最大。深度学习里的分类任务通常把模型输出看成条件概率分布 p(y|x; θ)，训练时希望真实类别的概率越大越好。实际优化时通常不会直接最大化似然，而是最大化对数似然，或者等价地最小化负对数似然。交叉熵损失本质上就是负对数似然。比如多分类中，真实标签是第 y 类，模型对这一类预测概率是 p_y，loss 就是 -log(p_y)。预测越自信且正确，loss 越小；预测越错，loss ...