Anker 一面 3.27

经常被问的其实很固定：模型选型依据是什么、有没有遇到bad case、怎么做效果优化、延迟和成本怎么控制，还有如果换一种方案会不会更好。很多时候不是问你做了什么，而是问你有没有认真思考过取舍。

说实话，最近这大环境确实让人焦虑，但要不要因为行情降级找工作，我觉得得看核心逻辑。作为在新能源车和电池测试领域做大数据架构（天天跟Doris、Kafka、Flink CDC打交道）的开发，我个人的态度是：薪资可以适当妥协，但技术栈和赛道绝对不降。行情差时很多人病急乱投医，随便找个边缘业务坑就蹲了，干两年发现技术没长进履历还花了，等回暖连跳槽的资本都没了。我的底线是，哪怕平薪或微降，也要去有真实数据流处理场景或硬核业务的团队。毕竟咱们做软件开发的，技术深度和业务理解才是抗风险的最大底气。短期少拿点钱可以当成买核心项目经验，但千万别为了个保底Offer把职业规划全盘推翻，不然真成了温水煮青蛙，大家...

推荐理由： RAG（检索增强生成）是企业落地的标配，但基础RAG准确率往往不够。这个项目不只要“做出来”，而是要解决“检索不准”和“回答胡说”的痛点，展示你的工程化能力。核心痛点：传统RAG在处理专业术语、长文档关联时效果差，且容易产生幻觉。技术栈：LangChain / LlamaIndex + 混合检索（BM25 + 向量） + 重排序（Rerank） + 知识图谱。核心功能与亮点：混合检索策略：不要只用向量检索。实现关键词检索（BM25）与语义检索的加权融合，解决专业术语（如医疗缩写、法律条文号）匹配不准的问题。引入重排序（Rerank）：在检索出Top-20文档后，使用轻量级Rerank模型（如BGE-Reranker）进行精排，只将最相关的Top-5喂给大模型，显著提升回答准确率。引用溯源与防幻觉：强制模型在生成回答时标注引用来源，并设计一个“自我验证”模块，如果检索内容不足以回答问题，明确告知用户“未找到依据”，而不是编造。量化指标：在README中展示使用Ragas或TruLens框架评估的指标（如上下文召回率、忠实度），证明你的优化有效。

自我介绍 实习1. 去上一家公司实习的目的？2. 为什么离职？3. 上一家公司职场氛围和交流氛围如何？4. 上一家公司实习主要的工作背景和产出？5. 介绍一下上一家公司实习的背景和原理6-12. 实习拷打13. 上一家公司有没有 AI 提效工具？有没有 AI 培训？其他员工有没有相关的使用经验？14. 你为什么在实习开发中使用 AI 工具吗？15. 总结一下上一家公司实习你的收获是什么？16. 实习期间，你遇到最困难的一个点？你是如何解决的？项目1. Raft 项目的动机是什么？算法无闲聊1. 你转专业了吗？还是自学？2. Golang 和 C++ 哪个用得比较多？3. 面试官介绍 Golang 和 C++ 在后端和鸡架开发之间的差异...4. 能实习多久？专业其他同学的规划是读研还是就业？5. 你为什么想要就业？你不用上课吗？6. 有没有想过跨考？7. 反问总结第一次约面后，面试官临时有会，面试前 5 分钟取消会议。推迟了一天，然后又迟到 10 分钟。自我介绍完就感觉像是 KPI 面了，不过没关系，感觉还是很好为人师的面试官，反问环节直接让他帮我把从 C++ 到 Golang 学习路线规划了一下，也请教了一下应该阅读哪些书籍。