心法利器[84] | 最近面试小结

心法利器

本栏目主要和大家一起讨论近期自己学习的心得和体会，与大家一起成长。具体介绍：仓颉专项：飞机大炮我都会，利器心法我还有。

2022年新一版的文章合集已经发布，累计已经60w字了，获取方式看这里：CS的陋室60w字原创算法经验分享-2022版。（2023在路上了！）

往期回顾

心法利器[79] | 对话系统中的多路召回和排序
心法利器[80] | 稳定性和过拟合问题真的重要吗
心法利器[81] | chatgpt下非端到端方案是否还有意义
心法利器[82] | chatgpt下query理解是否还有意义
心法利器[83] | 一种技术懒惰陷阱

最近我正好在找机会，在这个即将结束的时间点，我做了一些小结，把自己在里面的路线，犯过的错误总结下，希望对大家都有些帮助。

另外，因为我是社招，所以很多内容会更倾向于社招一些，不过因为校招也即将来临了，所以我也会把校招的带上，大家都可以参考参考。

懒人目录：

简历
前期准备和复习
笔试
面试
- 基础知识类
- 涉及项目的方案细节
就业环境问题
- 总体情况
- 大模型背景下的需求变化
其他想法补充
小结

简历

我的简历给到了很多前辈朋友修改，首先感谢你们的建议。

简历上不外乎就需要这些东西，我的简历上依次就是这些内容，大家可以根据需要看看：

人名照片联系方式应聘岗位等基础信息。
简要的个人评价，突出技术点和经验，包括一些自己的特质（校招生要是不多可以不写或者放后面），主要是自己个人的摘要。
教育和工作经历。
主要的项目经历，写2-3个比较关键的即可。
- 主要背景和任务。
- 核心技术方案。
- 技术点（用于给HR快速筛选技术点）。
- 收益成果和亮点（指标、论文等）。
总结自己的关键技能点。
其他项目经历，尽量用一句话说清楚，用什么方法做了什么事，效果如何。
专业成果、奖项、专利等。

前期准备和复习

准备起来其实花了不少时间，主要是针对这几方面的内容：

深度学习和机器学习的知识。
算法题，也就是刷leetcode。
简历上所提到的技术要点，以及自己所做过的项目的细节，需要熟练。

第一个其实是比较直接简单的，靠着《百面机器学习》和《百面深度学习》，结合面经笔经，就已经覆盖的比较多了，很大部分的知识点都能够覆盖到，不过现在回头看，考的概率不是很高，不过一旦不会，对面试官对自己的能力判断确实会有很大的影响的，所以还是得会。值得强调的是，包括机器学习里面的一些很基础的问题，甚至是深度学习的细节，平时很可能用得不多，对校招而言就是接触的不多，但是面试还是很可能问的，所以该复习还是得复习。

第二是算法题，经过统计，社招会遇到的概率大概在50%左右，对于校招，笔试基本都会考了，所以必须要掌握，最简单的方式就是刷leetcode了，但是不能盲目的刷，然后图数量和时间快慢，所谓复习肯定是要有章法，如果平时就没有刷的习惯，那此时非常推荐按照专题来整，链表、双指针、动态规划之类的，每个专题每个专题过会扎实很多，然后在开始找各大厂的高频题来刷，这样质量就上去的很快，很多人可能会晒什么刷了很多题之类的，意义不是很大，最终能在考试里面做出来才最重要。

第三就是简历上的要点，每一个都要熟练，甚至包括他的一些衍生，都需要了解，一方面是原理，具体是怎么算的，这个是基础，进一步的就是背后的原因，为什么要这么做，这么做有什么优势，甚至是问题，如果这些都能理解，其实说明你已经存在一定的深度了。再者就是对自己的项目要理解，这点我会在后面展开来聊的。

笔试

社招里，其实笔试已经很少了，不过难免会遇到，所以仍然需要认真准备。

从笔试角度看，笔试的目标是快速筛选，毕竟面试是一件很耗费人力的事，因此，会用很通用的技术来考察，具有一定难度但是其实不会很高，重要的就是晒人，而且因为是笔试性质，所以答案或者评分标准会相对统一，因此常见的笔试题主要是这几种类型，我也会给出一些复习建议：

深度学习和机器学习的知识。
- 常见模型的结构和原理。
- 常见任务的评价指标。
- 涉及算法相关的代码，尤其是深度学习框架，例如tensorflow、pytorch等。
智力题和性格测试。
- 最好能提前了解，如果有条件，可以问到公司的价值观倾向，有利于通过性格测试。
算法题。
- 上面提到了，就不赘述了，说白了就是要堆点时间做题的。

面试

面试毫无疑问是重头戏，也是应该好好准备的，这里要聊的东西可能一篇文章都说不完，在这里，我就整理列举一下NLP领域常见的问题以及应对策略吧。

基础知识类

这里的基础知识是指一些和自己的项目可能无关，或者是可能有关，但是你没用到或者接触到的知识点。

首先，是广义的各种算法相关的基础知识点。

深度学习、机器学习强调了超级多了，这个就不必多说了，一定要看，平时我们可能用得少了，或者在学生时代可能因为奔着前沿去了而接触不到的，就很容易漏掉，这个不能忘记。
一些前沿而且常见的知识点。例如预训练模型、prompt、ICL等等，了解和听说是及格水平，如果清楚里面的原理，或者有进行实验，会更好。

然后就是一些自己简历上涉及的内容，可能会有一些新的或者比较流行的方案，你可能之前没听说的，此时也需要去补充。

这些都是算法相关的，但是不能局限在算法本身，还有一些别的能力，例如工程能力等，但是因为算法本身涉及的工程一般不会很重，所以问的会比较少，但是如果公司规模不大，需要人进去后承担一定的工程开发工作，那自然是有要求的，因此我还是比较希望大家能够了解一下，主要涉及这些知识点吧：

SQL，要会写，常见的select，偶尔会有一些聚合函数之类的。
各种常见的数据工具，mysql会比较高频，然后hadoop、spark之类的也有，不过就很少了，看公司和岗位了。
有关算法的加速方面，建议大家学学，常见的可能就是TVM、ONNX这种编译层面的技术，然后是多机多卡，或者是类似deepspeed的框架啥的，有条件的多了解会有一定收益。
算法题我放这里，但是前面说过的就不赘述了。

另外还要补一个比较特别的考点，有好几个公司考过，手写一份深度学习训练的伪码，即训练的主要流程，至少要有一个深度学习框架要熟悉才行，如果平时搬代码多的，容易栽跟头，要多自己手写一下。

涉及项目的方案细节

针对项目，要能把整个项目的脉络给说出来，一般会有这几个成分：

项目的背景，有的时候可以说一些场景特色。
方案的选型思路和权衡，或者是项目的迭代历程。
明确自己负责的部分，与其他同事的合作方式。
如果有的话，可以说说现状以及后续可能有的规划。

12是比较关键的，因为是你经历过的事，所以面试官可能会非常细地探你的底细，此处深度的体现，一般来源于这几点：

对某个方案的理解深度，例如simcse，具体原理，论文中谈论到的关键点，样本的处理策略等，甚至到源码层的讨论。
某个任务下的常见方案，以及最终你的选型和实验结果。
是否有自己的trick或者改进。
评价指标的设计，以及会不会有什么特别的问题。
项目过程中比较困难的点是什么，最终有没有解决，是如何解决的。
数据流问题，训练数据和在线数据是怎么流动的。
工程性能问题，是否需要把控，如何把控以及如何调优。

就业环境问题

总体情况

难，真的挺不容易的，我的主阵地在深圳，说实话现在深圳的需求很少，如果限制在大厂，那会更少，很多大厂似乎并没有招聘，即使是蹲好像收益也不是很大，我自己的角度，要不就是压根不招，要不就是要求很高，我还够不上吧。

不过把目标放大的话，其实机会还是不少的，包括也能看到很多不错的小厂和2B的公司，其实内部的机会质量都很不错的，也不乏很优秀的团队，因为很多原因最终没选择吧，很可惜，所以只要技术足够硬，还是能够找到合适的，但是对技术能力的把控、能力组的匹配度要求会很高，大家还是要加油才行了。

大模型背景下的需求变化

这个相信大家也是比较关注的，chatgpt出来后，很多公司的战略可能都会有一些变化，之前有些犹豫的可能在最近也会更有信心和决心了，因此招聘上确实可能会开始招对应的人才，这点是真的，奔着大模型去的小伙伴，这确实是个机会，确实也是需要这方面的竞争力：

是否真的做过大模型，有没有这方面的经验。
模型内部的机理是否了解，如何部署，这块是否有经验。
性能调优、编译问题，多机多卡。
对应的前沿内容，最好都了解下，竞争者视角其实做过的不是很多，但是懂的不少，至少要懂点吧。
另外是一些常见的问题要提前准备，我整理的是这几个：
- 自己做过得部分，有什么亮点或者关键技术点。
- 有关模型的应用场景，优势和劣势，是否有什么风险。
- 如何落地，如何把控成本和风险。
- 目前有哪些技术难点，如何应对。
- 有关技术在企业内的发展路径可以是什么样的。

其他想法补充

有些问题可能不涉及上面的类目，所以单独拎出来记录一下：

比较好的机会，不要太早投，多面试积累经验后再来投，不要怕机会溜走，宁可错过也不要不去，因为同一个公司近期只有一次机会就进入的。
一定要有意识地需要通过面试官的提问挖掘更多信息，也通过这个机会了解公司，他们的需求、主要工作内容、部门等，毕竟最终你在选择的时候需要足够的信息，即使没提，最终补充问题的时候也要补充。
注意发现自己的技术盲点，这种盲点是工作内容导致的，工作会让你聚焦，某些技术的深度是够的，但是广度不足，例如我做对话系统和搜索，这会让我对长文本的处理不太熟悉。那就需要补充了，后续技术肯定会对长文本有一定的要求了。
不要过分要求工作和技术前沿相匹配，我自己一直是这个观点，追前沿是自己技术成长的必须，但是解决问题，落到公司业务之类的方面，就不一定了，需要综合去考虑，能去做前沿技术的机会是可遇不可求的，再者某些技术不是那么多公司玩得起，且坑位也不见得那么充裕，也不见得就好或者稳定，所以这个执念如果有，建议放下，这个可以作为一个加分项，但别执念太深。