不愧是核心部门场均压力面强度直接拉满了二面甚至两道算法题自我介绍项目细节问答(太细了有好几次问着问着开始拷打某个公式让我现场手推。列举其中几个特别细节的问题:LoRA的rank、alpha、dropout参数以及为什么这么设置、rewardmodel怎么训练的(用公式解释)、写loglikelihoodloss公式、)算法题:最长公共子序列(但是要求时间复杂度小于o(nm)的方法)15分钟。写出DP后面试官提示时间复杂度不符后来再次提示用二分最后才想出二分哈希表的思路但是也没写完只说了思路不得不说难度拉满然后开始基础编程八股python的装饰器python哪些库可以调用C(答ctypes、pybind11)面试官觉得太少了于是告诉了其他答案然后让分别解释这些库的原理Node.js在返回时怎么指定数据类型(问nodejs我是没想到的)解释几种norm的区别(Batchnorm、LayernormGroupnormInstanceNorm和RMSNorm)? LN里面有哪些可学习的参数?二面(65min)这一面基本没问项目而是聚焦于我之前的开发实习问了极大量的工程八股算法题极难自我介绍聊了10多分钟项目RPC是在哪一层中?路由器是在哪一层(应该是说的七层网络结构)解释一下java中的controller是起什么作用?vue2和vue3分别是怎么实现数据-视图双向绑定的?(问前端也太可怕了)node.js和python的并发有什么区别?node 的 async/await 和 python 的asyncio库有什么区别?讲一下协程算法题2道30min第一道是纯英文题(太难蚌了)第二道是一个中文题是关于把一个jsonobject数组(类似于[[id:1value:123},{id:2,value:1234,parent:1}] 这 样的)转换成一个树状结构并输出并且要求能处理各种错误输入。两题均不是力扣题2026年大模型已经无处不在但幻觉hallucination仍是企业落地的最大杀手金融风控、医疗问诊、客服机器人动辄编造事实直接导致合规风险和信任崩盘。知识图谱Knowledge Graph的核心价值正是结构化知识把碎片化数据变成实体-关系-属性的三元组网络让大模型先查图谱再回答。行业价值支持复杂多跳推理、知识溯源、实时更新广泛用于推荐系统、智能搜索、企业大脑。大模型痛点纯向量RAG召回率低、无法处理逻辑关系知识图谱大模型GraphRAG可将准确率提升40%以上。图谱赋能意义把大模型从概率生成器变成可信知识引擎真正实现企业级私有化落地。核心知识点知识图谱不是又一个数据库而是大模型的长期记忆和推理大脑。为方便大家学习 这里给大家整理了一份学习资料包 需要的同学 根据下图自取即可