在AI时代，我认为刷leetcode还是很有必要的。我们首先要搞清楚为什么公司要考察我们写算法题，其实本质就是看会不会写代码和代码风格命名规范以及考察计算机四大件408中的数据结构。AI 确实能帮我们生成算法题的解题思路，甚至直接写出完整代码，但面试官要的从来不是 “能写出答案”，而是解题过程中体现的逻辑思维和工程素养。你让 AI 写一道动态规划题，它能给出标准答案，但你要是说不出状态转移方程的设计思路，解释不清为什么要这么定义 dp 数组，面试官一眼就能看出你是 “抄作业” 的。刷 LeetCode 的核心，不是背题，而是锻炼把复杂问题拆解成小步骤的能力 —— 这种能力是 AI 替代不了的，也是程序员安身立命的根本。对咱们 Java 后端程序员来说，刷 LeetCode 更是和日常工作息息相关。你刷过的链表题，对应着项目里 Redis 的链表结构底层；你吃透的哈希表题，能帮你更好地理解 HashMap 的扩容机制；你练熟的多线程题，更是和 JUC 并发编程直接挂钩。这些底层逻辑的理解，不是 AI 给一段代码就能悟透的，必须靠自己一道题一道题地敲、一遍又一遍地复盘才能掌握。而且大厂的算法面试题早就不是 LeetCode 原题了，很多都是结合业务场景的自创题。比如让你设计一个订单号生成的算法，既要保证唯一性又要提高生成效率；或者让你优化一个高频查询的缓存淘汰策略 —— 这些题没有固定答案，需要你结合数据结构、性能优化等知识综合分析。AI 或许能给出几个方案，但它没法帮你权衡不同方案的优劣，更没法帮你解释为什么这个方案最适合当前的业务场景。还有很重要的一点，刷 LeetCode 能帮你养成良好的编码习惯。变量命名是否规范、代码是否有注释、边界条件是否考虑周全、异常情况是否处理得当 —— 这些细节都是面试官考察的重点。AI 生成的代码有时候会为了追求简洁而忽略这些细节，而你在刷题过程中刻意养成的习惯，会直接体现在你的项目代码里，这才是真正的竞争力。说到底，AI 是工具，刷 LeetCode 是修炼内功。工具可以帮你提高效率，但内功不足，再好的工具也发挥不出作用。在 AI 时代，刷 LeetCode 不是没必要了，而是更有必要 —— 它能帮你区分开 “只会用工具的程序员” 和 “真正懂技术的程序员”。

HR面和技术面的区别就在于技术问题不是很多，主要是从过往经历了解个人。首先也会有个自我介绍，自己的个人信息还有教育背景以及过往实习经历。后面就是HR针对这些进行提问，比如对某段实习经历或者某段竞赛经历很感兴趣就会深挖。然后就是匹配度的问题了，比如问你是哪里人，如果离base地比较远，HR会问能不能接受这个base地。还有就是工作强度，HR说明一下工作强度，也是看能不能接受，以及涉及到出差和驻场这些，都需要强调。后面就是刺激的谈薪资环节了：这绝对是 HR 面里最让人紧张的部分，尤其是对咱们应届生来说，报高了怕直接被 pass，报低了又觉得亏了自己。大厂和中小厂的谈法还完全不一样，大厂 HR 一般都很直接，会先亮出他们的校招薪资包，基本工资、绩效比例、年终奖、补贴这些都讲得明明白白，甚至会告诉你 “我们的薪资是标准化的，同批次应届生差别不大”，基本上没什么议价空间，最多就是争取一下签字费或者安家补贴。中小厂的 HR 就灵活多了，一上来先问你 “期望薪资是多少”，这时候就是博弈了。你报高了，他们会跟你哭穷，说 “我们公司规模小，预算有限，但后续涨薪空间大”；你报低了，他们又会乐呵呵地直接答应，让你事后恨不得拍大腿。还有些 HR 会玩文字游戏，说 “我们月薪能给到 10k，还有绩效奖金”，但细问才知道绩效是看公司业绩，能不能拿到全看运气。除了谈钱，HR 还会确认一些入职细节，比如到岗时间、是否需要落户、能不能接受试用期薪资打折这些。像我之前面过一家上海的公司，HR 特意问我能不能接受三个月试用期，薪资打八折，还强调 “表现好可以提前转正”，这些都得问清楚记下来，避免后续踩坑。最后，HR 面收尾的时候，大概率会跟你说 “我们会在一周内给你答复”，然后就是漫长的等待。其实整个 HR 面下来，技术能力已经不是重点了，HR 更看重的是你这个人稳不稳定、期望值合不合理，毕竟招一个人进来，公司也不想刚培养好就跳槽。

从找暑期实习到秋招和现在的春招，我发现基本我面过的公司都会问八股文，无论是大中小厂，区别就在于问的比例。大厂可能问八股的比例会小很多，但是会问不少场景题，而且问算法的概率很高并且算法很多都是自创的题目。中小厂的话，基本都有八股环境，从java基础到juc和jvm还有mysql和redis和框架这一套，大部分不会特别考察算法。共同之处就在于，如果面试官对实习或者项目不感兴趣，可能就不会问了，现在AI很火，基本都会问AI相关的内容。中小厂对八股的执着，其实藏着他们的招聘逻辑 —— 更看重 “即插即用” 的基础能力。毕竟很多中小厂没有完善的新人培养体系，招进来就希望能快速上手业务，而 Java 基础、JVM 调优、Redis 缓存这些八股内容，刚好能快速校验一个应届生的知识储备是否扎实。之前面过一家做企业服务的小公司，面试官拿着我的简历，从 HashMap 底层实现问到 Spring 循环依赖的解决方式，连 String 为什么不可变这种基础题都没放过，全程像在 “背书抽查”，反而对我做过的项目没多问两句。他们要的不是能设计复杂架构的人才，而是能稳扎稳打写代码、少踩基础坑的执行者。而大厂的八股更像是 “入门门槛”，只占面试的三分之一左右，剩下的全是考验综合能力的场景题和算法题。比如阿里的面试，可能只问一句 “volatile 关键字的作用”，接着就延伸到 “如何用 volatile 解决单例模式的线程安全问题”，再过渡到 “分布式场景下的单例如何实现”；字节的面试更是直接，算法题可能是没见过的自创题型，场景题会让你 “设计一个亿级日活的秒杀系统”，考察流量削峰、防超卖、缓存一致性等多个知识点的综合运用。这些题目没有标准答案，更看重你的逻辑思维和工程落地能力，而八股只是用来确认你有资格进入这个 “综合能力考察” 环节。值得注意的是，2026 年的面试里，八股已经悄悄和 AI 结合了。不管是大厂还是中小厂，问完 JVM 或 Redis 的基础后，总会补一句 “怎么用 AI 优化这个场景”。比如面中小厂时，聊完 MySQL 索引优化，面试官会问 “有没有用过 AI 工具分析慢查询”；大厂则会深入到 “如何用 RAG 技术优化 Redis 缓存穿透问题”“虚拟线程结合 AI 任务调度的实践”。这时候单纯背八股就没用了，得把基础知识点和 AI 应用结合起来，才能接住这些延伸提问。说到底，八股文并没有退出面试舞台，只是不同公司对它的 “用法” 不同。中小厂用它筛基础，大厂用它定门槛，再叠加 AI 和场景题的考察，形成了现在的面试格局。对咱们求职者来说，八股还是得背，但不能死背，要结合实际场景和 AI 趋势去理解，这样不管面对哪种公司的面试，都能游刃有余。

📍面试公司：北森云计算🕐面试时间：2026/4/10💻面试岗位：客开后端工程师❓面试问题：前面是经典的自我介绍，然后针对实习问问题，后面就是八股文了。MySQL的八股轰炸，如何设计一个表，表结构怎么考虑，MySQL的事务四大特性还有如何实现，MySQL的三大日志，MySQL的索引结构是什么，以及为什么选择B+树作为索引，MySQL的锁有什么如何分类。Redis的基本数据类型，Redis的String实现原理，Redis为什么快，Redis的过期策略和淘汰策略问简历上的项目，分工以及具体设计的思路，拷打。设计模式，单例的几种写法，策略模式是什么，版本链模式又是什么。后面就是HR交流了，生活和工作强度。🙌面试感想：没想到面完技术面就直接是HR面，这是让我没想到的。技术面后面反问面试官，做的是HR系统，在基础上进行二次开发，需要转到c#。HR面沟通了工作强度和期望薪资，说等待结果。

同事skill：https://github.com/titanwings/colleague-skill"你们搞大模型的就是码奸，你们已经害死前端兄弟了，还要害死后端兄弟，测试兄弟，运维兄弟，害死网安兄弟，害死ic兄弟，最后害死自己害死全人类”把同事的技能与性格蒸馏成AI Skill，让它替他工作。

某个小公司，面试不问任何技术相关的东西，纯聊天，校内生活和学习情况。还有一个小公司，上来就让做一个算法题，做不出来就不会有后续的流程，一次面试全死磕在算法上。HR 约面试的时候只说 “技术面考察基础”，到了现场直接丢给我一道 Hard 难度的动态规划题，要求半小时内手写代码跑通测试用例。我本来算法就不是强项，盯着题目愣了十分钟才勉强有思路，写出来的代码还有两个测试点没过。面试官全程黑脸盯着我的草稿纸，我卡住的时候也完全不引导，就冷冷地说 “再想想”。最后时间到了，他扫了一眼代码，直接说 “这个思路不对，今天就到这吧”，连句客套话都没有。出门的时候我真的心态崩了，感觉自己不是来面试 Java 后端的，而是来参加算法竞赛的。更离谱的是，这家公司的招聘 JD 上明明写着 “应届生优先，算法基础扎实者优先”，结果直接把算法当成了唯一的筛选标准，完全不看项目经验和技术栈匹配度。

对于现在入门AI，我觉得当务之急不是读一个AI相关专业的硕士，也不是学python，而是做一个AI相关的项目，在传统项目中应用AI，在干中学。毕竟咱们很多人都是有 Java、C++ 这些后端底子的，与其从零开始啃 Python 语法，不如直接把 AI 当成一个 “插件”，嵌到自己熟悉的项目里。比如你之前做过电商库存管理系统，就可以加个 AI 库存预测模块 —— 调用大模型 API 分析历史销售数据，生成补货建议；或者给你写的用户管理系统加个智能客服功能，用 RAG 对接本地知识库，自动回复用户的常见问题。这样做的好处是，不用陷入 “学了一堆理论却不知道怎么用” 的困境。你不用一开始就搞懂 Transformer 的底层原理，也不用死磕向量数据库的索引机制，先让 AI 功能跑起来再说。遇到调用 API 报错，就去查文档；遇到检索结果不准，就去调参优化 —— 这些问题都是带着明确目标去解决的，比抱着 Python 教程硬啃要高效得多。而且在传统项目里嵌 AI，更容易找到成就感。比如你花两天时间给自己的博客加个 AI 摘要生成功能，看到文章自动变成精简版的那一刻，那种满足感会逼着你继续深挖。反观那些一上来就想着做 “大模型训练”“自动驾驶” 的人，往往会被复杂的环境配置、海量的数据需求劝退。当然，这不是说 Python 和理论知识不重要，而是说项目驱动的学习才是入门的捷径。等你在项目里摸透了大模型 API 调用、RAG 搭建这些基础操作，再去补 Python 的高级用法、去理解 Embedding 向量的生成逻辑，就会发现这些知识都能和实践对应上，学起来一点都不费劲。毕竟对程序员来说，最好的学习方式从来都是 “干中学”—— 先动手做出东西，再回头补全知识体系。AI 入门也一样，别想着一步到位，先从给老项目加个 AI 小功能开始，你会发现这条路其实没那么难。

某汽车制造业公司⭐️ 总体评分：4.2/5技术沉淀深厚，适合长线发展的硬核平台【优点】平台含金量拉满：作为老牌汽车制造企业，不管是技术积累还是行业资源都没得挑。参与的项目都是实打实的整车研发、智能座舱相关，不是那种边缘外包活，写在简历上是真能加分的硬资历。同事圈层质量高：周围同事硕士占比很大，还有不少 985/211 背景的技术大佬，平时聊起技术方案、行业趋势都能碰撞出干货。就拿我所在的智能驾驶后端组来说，讨论车载系统的并发处理时，同事能从汽车电子的安全规范聊到 Java 代码的性能优化，完全没有摸鱼扯皮的氛围。培训体系完善：新人入职会有系统的轮岗和导师带教，从汽车制造的底层逻辑到车载软件的开发规范，都安排得明明白白。还有不少行业内的技术研讨会，能接触到最新的车联网、自动驾驶技术，对技术人来说成长空间很足。福利稳定有保障：五险一金按最高比例缴，节假日福利、班车食堂一应俱全，毕竟是制造业大厂，抗风险能力强，不用担心中小企业那种朝不保夕的裁员风险。【槽点】流程偏慢，创新落地周期长：汽车行业对安全和合规要求极高，一个技术方案从提出到落地，要经过多层评审和测试，不像互联网公司那样灵活。有时候明明是个能快速迭代的功能，却要走一堆审批流程，容易磨掉耐心。技术栈偏稳，前沿技术应用谨慎：为了保证车载系统的稳定性，核心技术栈不会轻易更新，像一些新兴的 AI 框架、云原生技术，在业务中应用的场景相对有限，对想追新技术风口的程序员来说，可能会觉得有点 “保守”。加班强度看部门：研发部门赶项目节点的时候加班是常态，尤其是新车上市前，调试车载系统的 bug 经常要跟着产线节奏走，但好在加班有调休，也不会强制无意义的耗时间。【总结】如果你是想深耕汽车电子、智能驾驶领域的后端 / 嵌入式程序员，这里绝对是能沉淀技术的好平台；但如果是习惯了互联网快节奏、想快速出成果的人，可能会觉得流程繁琐。【Tips】面试时可以重点问清楚岗位是偏向传统车机开发还是智能座舱 / 自动驾驶，后者的技术迭代更快，也更贴近程序员的职业发展需求。

AI替代不了体力劳动。这话放在程序员身上，其实能延伸出更具体的体感 ——AI 替代不了那些需要「人肉踩坑」的体力式技术活。就拿线上故障排查来说，服务器突然雪崩，监控面板红一片，日志里几千行报错信息滚屏。AI 确实能帮你检索报错关键词，列出常见的内存泄漏、数据库锁等待解决方案，但它没法像你一样，顶着凌晨三点的困意，跑到机房看服务器指示灯是否正常，没法蹲在现场排查是不是网线松动导致的网络丢包，更没法凭经验判断是这次上线的代码有问题，还是运维那边调整了防火墙规则。这些看似「体力活」的操作，藏着太多 AI 摸不着的现场变量和经验沉淀。再比如做性能压测，AI 能生成 JMeter 脚本，能帮你分析压测报告里的 TPS 和响应时间数据，但它没法替你扛着笔记本去客户现场，在满是噪音的机房里调试压测环境，没法手动模拟上万用户并发的极端场景，更没法在压测过程中，根据服务器 CPU、内存的实时波动，灵活调整压测参数。那些对着监控大屏盯到眼睛发酸，反复重启服务、调整配置的「体力付出」，是 AI 永远学不会的实战直觉。还有咱们日常的代码重构，AI 能帮你优化代码格式，甚至提出重构建议，但它没法替你逐行梳理遗留系统里的「祖传代码」，没法理解那些没有注释、逻辑混乱的函数背后，藏着的是前同事为了兼容老系统的无奈妥协。你得耐着性子一行行读、一遍遍测，这个过程就像在废墟里寻宝，耗的是体力，拼的是耐心，这些都是 AI 替代不了的「技术体力活」。说到底，AI 能替代的是标准化的脑力输出，却替代不了那些需要现场感知、经验判断、体力付出的技术劳动。毕竟代码是死的，但系统是活的，那些藏在机房噪音里、日志堆里、代码细节里的「体力活」，才是程序员真正的护城河。

春招前期，我还是收到了挺多的机会的，很多中小公司给机会，其中还有转转、小黑盒这样很有知名度的公司，但是都没走到最后。现在春招中后期，基本只有外包会面试，初创小公司收了简历也没约面试，现在面试很杂了，不光局限于java后端，还有全栈，甚至用c++去做游戏，因为现在面试太少了，只能这样了。到了中后期，招聘需求肉眼可见地缩水。打开招聘软件，首页刷出来的全是外包岗位，写着 “Java 后端”，点进去一看却是驻场开发，干的活和业务关系不大，全是重复的接口调试。那些之前主动找我的初创小公司，现在连简历都不看了，估计是招到了更有经验的人，或者干脆砍掉了校招名额。

入门AI的当务之急是先了解基本的概念，有个大体的框架，然后详细学习，最重要的是一定要去实践，不能只学习理论。上来就啃《深度学习》花书，或者死磕神经网络的数学公式，很容易被一堆复杂的术语劝退 —— 什么卷积层、注意力机制、反向传播，光记概念不落地，过不了几天就忘得一干二净。不如先花一周时间，把 AI 的核心分支理清楚：机器学习、深度学习、大模型、Agent、RAG 这些方向分别是做什么的，它们之间有什么关联，再结合自己的背景选一条主线。比如咱们是 Java 后端出身，就可以优先从AI 工程落地入手，不用一开始就扎进算法研究的深水区。有了大致框架后，再针对性地补基础。如果走工程路线，Python 基础语法和常用库（Pandas、NumPy）是必须的，这是和 AI 工具打交道的敲门砖；然后了解主流大模型的 API 调用逻辑，比如用 OpenAI 或者国内的通义千问接口，写个简单的问答机器人。如果对算法感兴趣，那就从线性回归、决策树这些经典机器学习算法入手，搞懂它们的核心原理和适用场景，不用一开始就碰 Transformer 这种复杂模型。但这一切的前提，都是动手实践。哪怕是跟着教程做一个 “本地知识库问答” 的小项目，用 LangChain+Chroma 向量数据库搭个雏形，都会比看十篇文章收获大。实践中你会遇到各种问题：比如向量数据库怎么配置、大模型 API 调用超时怎么处理、检索结果不准确怎么优化 —— 这些坑是看理论永远遇不到的，而解决这些问题的过程，才是真正入门 AI 的关键。很多人卡在 “我还没准备好” 的阶段，总觉得要把所有知识学完再动手，结果就是永远停在起点。其实入门阶段不用追求完美，哪怕写的代码漏洞百出，哪怕做的项目功能简陋，只要能跑起来、能解决一个小问题，就是进步。AI 的发展速度很快，理论知识会不断更新，但动手解决问题的能力，才是能跟着你一辈子的核心竞争力。

AI 能写工整的 CRUD 代码，能帮你排查语法错误，甚至能给出基础的架构建议，但它永远替代不了程序员对业务的深度理解、对技术的决策能力，以及解决复杂问题的创造力。比如面对一个电商平台的高并发秒杀场景，AI 可以生成分布式锁的代码片段，却不知道这个场景下用户的核心诉求是 “防超卖” 还是 “提升用户体验”，也判断不了用 Redis 锁还是 ZooKeeper 锁更适配公司的技术栈；AI 可以告诉你 JVM 内存溢出的常见原因，却没法像资深程序员那样，通过几行日志就定位到是代码里的内存泄漏，还是服务器资源的瓶颈。更重要的是，程序员的工作从来不是 “写代码” 这么简单。从需求评审时拆解业务逻辑，到架构设计时权衡性能与成本，再到线上故障时快速定位止损，这些都需要经验沉淀、逻辑判断和临场应变能力—— 这些是 AI 现阶段完全无法企及的。AI 是工具，是帮程序员提升效率的 “外挂”，但工具永远替代不了使用工具的人。就像计算器替代不了数学家，绘图软件替代不了设计师，AI 也替代不了程序员。它淘汰的只会是那些只会机械写代码、不愿深耕技术和业务的人，而真正有核心能力的程序员，会因为 AI 的存在，把精力放在更有价值的事上。

面试体验好的基本都是大厂，流程规范，而且也都有反问环节。大厂的面试从预约到结束，每一步都透着专业。HR 会提前确认时间，还会把面试流程、面试官背景甚至公司周边的交通指引都发过来，不用你反复追问。面试时，面试官的问题都紧扣岗位需求，不会东拉西扯问些无关的内容，聊技术的时候，会顺着你的项目经历深入，遇到你答不上来的，还会引导你思考，而不是直接否定。最加分的是反问环节，不管你问团队技术栈、新人培养还是业务规划，面试官都会耐心解答，不会用 “你来了就知道” 这种话敷衍。面试结束后，结果也会反馈得很及时，就算没通过，也会告诉你问题出在哪，给你实实在在的建议。面试体验差的基本都是小厂，强制线下面试而且流程不规范。有些小厂 HR 打电话约面试，上来就一句 “明天下午来公司面试”，连岗位详情、面试流程都不说，你多问两句还嫌你麻烦。更离谱的是强制线下面试，明明岗位和远程办公兼容，却非要你跑大半个城市过去，连路费都不报销。到了公司，要么在开放工位面试，周围吵得根本没法好好说话；要么等了半天，面试官才慢悠悠过来，手里的简历还是打印歪的。提问更是毫无章法，明明招 Java 后端，却问你会不会做 UI 设计，甚至还打听你的家庭情况、婚恋计划。反问环节更别提了，你问团队规模，他说 “不多”；你问技术栈，他说 “啥都用”，全程敷衍。面试结束后更是石沉大海，你发消息追问结果，永远都是已读不回。说到底，面试体验好不好，其实就是公司对人才的尊重程度的体现。大厂的规范流程，是把候选人当平等的交流对象；而那些流程混乱的小厂，从面试环节就暴露了管理上的短板，就算给了 offer，也得好好掂量掂量。

⭐️ 总体评分：3.5/5适合技术深耕，慎选职场新人【优点】技术氛围真的浓：作为安全公司，内部的技术分享会每周都有，从漏洞挖掘、渗透测试到应急响应，大佬们会把实战经验掰开揉碎了讲。像我们后端组，经常会讨论如何用 Java 实现安全加固、日志审计，对技术提升帮助很大。项目含金量高：对接的客户多是政企、金融行业，做的都是真实的安全防护项目，不是那种外包式的重复 CRUD。参与过一次大型攻防演练的项目，学到的应急处置流程，够我在简历上吹好久。福利不算抠门：五险一金按实际工资缴，加班有餐补和打车报销，逢年过节会发安全相关的周边，还挺有意思的。【槽点】加班是常态，尤其攻防季：每年护网行动期间，基本是 007 的节奏，通宵守监控是家常便饭。平时也经常因为客户突发漏洞，半夜被叫起来处理，对作息不规律的人不太友好。管理有点 “硬核”：公司重技术轻管理，流程相对混乱。比如需求变更很频繁，有时候刚写完的代码，客户一句话就要推倒重来，沟通成本有点高。新人培养体系弱：基本是 “放养式” 成长，没人会手把手带你。刚入职那会，我对着一堆安全协议文档懵了一周，全靠自己查资料、问同事，踩了不少坑才上手。