研一java仔的疑问

1、实习介绍2、简历项目深挖- 奖励函数设计：reward函数是如何设计的？数据集的配比是怎样的？- 编码树如何构建？为什么使用高斯分布？3、inductive learning和transductive learning有什么区别？4、实习深挖- Viking是什么？相关业务背景是什么？- 冷启动时，不同专家模型特征输入为什么不同- id特征为什么学习效果不好？5、手撕给你整数 delay 和 forget，以及整数 n。每个人在发现秘密后的 delay 天开始，每天可以分享给一个新的人。在发现秘密 forget 天后会忘记秘密，忘记后不再分享。求第 n 天结束时知道秘密的人数。

有打算考研吗？你的籍贯及父母所在地？实习公司是做什么的？追问：实习期间主要做什么研发工作？追问：做好这个项目的挑战是什么？哈希索引和B+树索引在使用上有什么区别？总结个人的优点和不足？反问

先说结论，我认为AI 并没有偷走我们的思考，反而帮我们把思考的重心，从怎么实现抬到了为什么这么实现。以前遇到技术难题，比如排查分布式事务的 bug，可能得去翻遍论坛、啃完几篇源码解析，才能摸到一点门道，大部分时间都耗在找答案的低效率环节。现在可以把报错日志、代码片段丢给 AI，让它快速列出可能的原因和解决方案。但不建议直接照搬，而是把 AI 给的思路当成解题线索—— 它说可能是 Seata 的事务模式配置错了，我就去深挖 AT 模式和 TCC 模式的底层差异；它说可以用 Redis 分布式锁规避问题，我就去研究锁的过期策略和重入机制。AI 省掉了试错的时间成本，可以帮助我们养成追根溯源的习惯。以前写代码，满足于功能能跑就行；现在拿到 AI 生成的 CRUD 代码，我们应该下意识琢磨：这段代码有没有考虑高并发场景？索引设计是否合理？有没有更优雅的设计模式可以重构？有人说，依赖 AI 会让人变懒，思维变浅。但我认为，AI 更像是一个高效的助手，它可以帮助我们砍掉重复劳动的枝叶，让开发者有精力去深耕技术的根。真正的思考，从来不是从零开始的摸索，而是站在工具的肩膀上，去探索更深处的逻辑与价值。

ai面总结：AI调教的很好，问的问题很有意思，整场面试不会有很大的压迫感，追问大多是根据你的回答提问。总时长：35分钟Q1:自我介绍，重点介绍一下个人背景和大学期间的主要经历。Q2：你对于在一家公司长期发展有什么看法？你认为哪几点因素会让你在一家公司长期工作？（有追问）Q3：你取得过的最大成就是什么？过程中最大的难点是什么？你是如何突破的？最终的结果怎么样？（有追问2个）Q4：请描述一个过往遇到的最有压力困难或最具挑战的一个场景，你是如何解决的？对你有什么影响？（有追问）Q5：依你的看法，请描述一个你近期完成的项目任务，如果重来一次，你会做哪些不同的事情来提升结果？（有追问2个）Q6：电商运营...