交大捷普 C++开发一面

2024.05.11上午：上午来到工位后接着弄昨天没完成的平台调测方面的东西，从9点做到10点总算是将一些环境还有服务器什么的都安装好了😹，然后就简单写了下测试样例，这边就要求最小改动达到功能要求，所以我看了下之前项目仓库上提交的代码，基本上改动都非常小，然后就让带我的那个大哥看了下改动文件，检验无误后就让我的老师给我的MR打了个分，合入到master分支中去，等到这个时候已经是接近12点了，就划了会儿水后在工位上自己学习了一下😋😋，等到12点多人少了后去吃饭😹😹下午：在上午合入MR后，就将最新的代码仓中2个关键文件下载下来，和之前我提交MR前的2个关键文件作对比，并将这2个修改好的关键文件在平台上调测，搞了2天终于能开始测试了😂，测试过程中平台还是要跑很久的，由于有新老版本的平台和新老版本的文件，总共要测试4遍，所以还是比较久的，后面发现测试过的报告都是正常的，然后就把这些内容弄成一个测试文档上传到需求交付平台上去，再和审核人说明一下，回归测试到专门的测试人员那边，他们测试的效率还是蛮快的，几分钟就OK了😙😙，随后将这个新的仓库打包成一个新包推送出去了，这个过程中还是比较顺利的，也没人催什么的，当是熟悉开发流程了😹，然后基本上就快到6点了，后面就去吃饭结束了这周六的劳动节调休😵😵，后面好像要开始做一个较大的需求，不知道具体是怎么样的，只能等下周再看看了😂😂

RAG：AI大模型联合向量数据库和 Llama-index，助力检索增强生成技术 在大模型爆发的时代，快速准确地从大量数据中检索出有价值的信息变得至关重要。检索增强生成（RAG）技术，结合了传统的信息检索和最新的大语言模型（LLM），不仅能够回答复杂的查询，还能在此基础上生成信息丰富的内容。 RAG 技术的核心在于其能够将大型语言模型的生成能力与特定数据源的检索相结合。这意味着，当模型面对用户提出的问题时，它不仅依赖于自身训练时的知识，还可以实时地从外部数据源中检索相关信息，以此增强回答的准确性和丰富性。这种方法对于处理最新信息特别有效，能够有效弥补传统模型在时效性方面的不足。 这里我们将基于...

时长：60min聊项目（30min）Kafka为什么性能这么好？你刚才提到了零拷贝，详细介绍一下相比于普通IO的模式，sendfile减少了几次拷贝？Kafka可用性如何保证的，介绍一下？Kafka leader副本挂了，如何切换leader副本，选主过程讲一下？Kafka副本的ISR是什么概念？Kafka如何实现Exactly-Once语义Kafka消息位点机制，如何做消息幂等？Kafka消费者提交offset，相关数据会存放到什么地方？Java介绍一下JVM内存模型介绍一下元空间，运行时常量池为什么String是不可变的？String的不可变性有什么作用？String的拼接为什么有性能问题...

一面 自我介绍，提到了对量化感兴趣。为什么对量化感兴趣？以前投过基金，然后讲了一下对量化交易的理解。 简单讲了一下项目： 图像识别项目，你扮演的是什么角色，做这个项目的目的是什么，最后有没有验收？ 驱动维护，有做新的开发吗，还是只是琐碎的修补？ 自动测试系统的原理是怎么样的，怎么进行图像对比？这个是有需求还是自己开发的？ 算法题 手写计算器，需要考虑括号乘法什么的，字符处理不是我的强项，所以写了很久比较挣扎。 八股 虚函数是怎么实现的，会增加开销吗？增加的是编译还是运行开销？提到虚函数表，表示指针寻址开销可以忽略。后来发现他问的应该是编译器优化的开销，编译时无法确定要调用哪个函数...