腾讯-混元大模型面经-华5硕-主页内tui腾讯-混元大模型面经-华5硕部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#

腾讯-混元大模型面经-华5硕部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#

腾讯-混元大模型面经-华5硕部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#

部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#

需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#腾讯-混元大模型面经-华5硕部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面

需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#腾讯-混元大模型面经-华5硕部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面

部门与岗位：TEG - 混元大模型团队 - 大模型对齐一面自我介绍，过实习，讲论文，论文过的比较细，有说的笼统的地方面试官会实时进行询问交流了解哪些大模型，简要挑一两个介绍一下，当时说了 Qwen 和 DeepSeek，然后面试官又问了这两个有什么区别接着上一问，为什么大家都开始探索 MoE 架构，MoE 相比 Dense 有什么好处在之前实习的时候用 LoRA 微调过 Qwen，于是问了有没有全量微调过，有没有对比过两者的性能表现讲一下大模型训练和推理的流程，SFT 和 RLHF 的作用分别是什么在 RLHF 中，目前主流的强化学习算法有哪几个，写一下损失函数的表达式代码：22. 括号生成代码：多头自注意力一面问的八股还是比较多的，问的也比较细，而且还写了两道代码题，整个面试花的时间也比较多，大概一个半小时左右二面自我介绍，过实习和论文，面试官会一起进行探讨，包括工作的动机、贡献和结果，也会提一些问题和建议之前实习用 DeepSpeed 微调过 Qwen2-72B，于是面试官问了 ZeRO-1，ZeRO-2，ZeRO-3 三个模式的区别当时你用 DeepSpeed ZeRO-3 来微调 Qwen2-72B，每一张卡占用的显存大概是多少，估算一下为什么是占这么多的显存除了 DeepSpeed，还用过其他的什么优化方法吗我看你也用到了 LoRA，知道 LoRA 的原理吗，A 和 B 两个矩阵怎么初始化，有了解过其他的初始化方法吗对 RLHF 了解的多吗代码：3. 无重复字符的最长子串二面更多的是结合具体的工作来问的，从用到的东西来引出问题，问的也比较灵活。当然因为部门主要是做对齐的，所以也大概聊了聊 RLHF三面自我介绍，挑一个觉得做的比较好的论文和实习讲一下，面试官问的比较详细，为什么选现在这种方案，为什么 work，其他方案有考虑吗在微调 Qwen 的时候，数据是怎么构造的，有用到什么数据清洗方法吗，数据配比是怎么做的讲一下 RLHF 的流程，之前有用 RLHF 做过模型对齐吗在做对齐的时候，为什么 SFT 之后还要做 RLHF，只用 SFT 可以吗知道哪些强化学习算法，除了 PPO 和 DPO 这些呢，DeepSeek 用的 GRPO 相比于 GPT 的 PPO 做了哪些改进开放题：对目前大模型的发展有什么看法代码：零钱的两个题 322. 零钱兑换518. 零钱兑换 II三面面试官更聚焦于对齐这一块的内容，考的比较深。由于之前没有接触过强化学习，答得还是比较吃力的，不过面试官还挺好的，会一起讨论来做引导四面自我介绍，过论文和实习，问的也比较细，这里能明显的感受出来面试官的视角更系统，会把这些工作串起来问我看你简历上没写 RLHF，平常有用过 RLHF 吗推导一下神经网络反向传播的过程一道排列组合的概率题开放题：你觉得大模型目前还有哪些可以改进的点四面整体更看重思维和基础，没有考察什么八股总结一共四轮技术面，整体来说强度比较大，对于大模型八股的考察比较细，对大模型的理解问的也比较深刻，包括一些数理逻辑基础，考察的比较全面需要内推码的可以用下面这个链接：内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw#26届实习##大模型##八股##面经##腾讯##内推#

腾讯后台开发面经-暑期实习基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#前端##技术##面经##后台开发##实习内推##腾讯#

基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#前端##技术##面经##后台开发##实习内推##腾讯#

❗❗腾讯26届春招提前批/26届暑期实习生/日常实习生/25届补录招聘启动 | 所有专业类型均有岗位🏅中国民营企业500强排行榜第6位【在招岗位】1. 技术类：软件开发、技术运营、安全技术、测试与质量管理、技术研究、解决方案与服务、硬件开发2. 产品类：游戏产品、内容制作、通用产品、金融产品、项目管理3. 设计类：游戏美术、平面交互4. 市场类：战略投资、市场营销、公共关系、销售拓展5. 职能类：财经分析、人力资源、法律与公共政策、行政支持【招聘范围】应届生（24届、25届可投）、实习生（在校生可投）、青云计划（23届/24届/25届博士、24届/25届硕士）【内推链接】目前后台已经收到很多同学简历了，在陆续走流程，抓紧时间投递，现在就是春招实习拿offer几率最高的时候！！！！23，24，25，26届都招！！！#腾讯##实习##腾讯内推码##腾讯内推##26届实习#

腾讯后台开发面经-暑期实习基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#前端##技术##面经##后台开发##实习内推##腾讯#

#腾讯#腾讯后台开发面经-暑期实习基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#前端##技术##面经##后台开发##实习内推#

腾讯后台开发面经-暑期实习基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#前端##技术##面经##后台开发##实习内推##腾讯##春招#

基本情况面试全程拷打了1.5个小时，基本网络、数据库、缓存、消息队列、算法都问到了。问题范围广，整体难度算适中，重点考察的是基础知识和实际问题的解决能力。* 网络：HTTPS原理、TCP粘包/拆包。* 编程语言：Golang协程、Context实现原理。* 消息队列：Kafka消息重复消费、消费者组管理。* 数据库：MySQL底层数据结构、慢查询优化、吞吐量提升。* 缓存：Redis vs 本地缓存、缓存一致性、本地缓存固定实例访问。* 项目经验：Job调度优化、导出性能优化。* 算法：回文链表。问题记录1. 自我介绍* 简洁明了，突出技术栈和项目经验。2. HTTPS的原理* HTTPS = HTTP + SSL/TLS，通过非对称加密交换对称密钥，后续通信使用对称加密。* 面试官可能会追问：为什么需要非对称加密？（因为对称加密的密钥传输不安全balabala）3. TCP的粘包、拆包* 粘包：TCP是字节流协议，消息边界不清晰，多个消息可能粘在一起。* 拆包：一个消息可能被拆成多个包传输。* 解决方法：固定长度、分隔符、消息头声明长度等等。4. Golang协程* 协程优势：轻量级、上下文切换快、由用户态调度。* 对比线程：协程更高效，适合高并发场景。5. Context实现原理* Context用于控制Goroutine的生命周期，传递请求范围的值。* 实现原理：通过树形结构管理Goroutine的取消信号和超时控制。6. Kafka消息重复消费* 原因：消费者提交offset失败、分区重平衡、消费者重启。* 解决方法：幂等消费、事务消息、去重表。7. 消费者组管理* 多个消费者在一个消费组中，Kafka会将分区分配给消费者。* 避免重复消费：确保每个分区只被一个消费者消费。8. 延迟调用API* 使用消息队列（如RabbitMQ的延迟队列）或定时任务（如Cron）实现。9. MySQL底层数据结构* InnoDB：B+树索引，支持事务、行级锁、外键。* 优势：查询效率高，支持高并发。10. 慢查询优化* 方法：加索引、优化SQL、分库分表、缓存热点数据。11. Redis vs 本地缓存* Redis：分布式缓存，数据共享，适合大规模系统。* 本地缓存：速度快，但数据不共享，适合单机场景。12. 本地缓存固定实例访问* 使用一致性哈希或固定路由策略，确保请求总是访问同一个实例。13. 缓存和数据库一致性* 方法：先更新数据库，再删除缓存（Cache Aside Pattern）或延迟双删，能分析出各自的优缺点更好。14. MySQL提升吞吐量* 方法：读写分离、分库分表、优化索引、使用连接池。15. Job调度优化* 通过调整调度策略（如优先级调度、批量处理）提升系统性能，和操作系统很相关。16. 导出性能优化，如何从30分钟优化到3分钟* 并行处理。* 减少数据库查询次数。* 使用缓存* 流式导出等等。17. 流式导出什么意思* 边查询边导出，减少内存占用，提升响应速度。18. 算法题：回文链表* 思路：力扣原题，快慢指针找到中点，反转后半部分，比较前后两部分是否相同。* 实现：手写代码，注意下边界条件。内推链接：https://join.qq.com/resume.html?k=ANQI6RfQ3rhPS2dpyIkeSw评论区可以留下姓名缩写加岗位，方便后台查看是否内推成功#技术##前端##面经##后台开发##实习内推##腾讯#