RAG技术
RAG（检索增强生成）通过结合外部知识库与大模型，提升回答准确性，缓解知识过时与幻觉问题。核心架构含检索器、生成器与向量数据库，支持密集、混合检索，常用FAISS、Pinecone等工具，广泛应用于问答系统与AI面试场景。（238字）
解码策略
解码策略影响文本生成的创造性和准确性。贪婪解码确定性强但重复性高；Beam Search提升质量，适合翻译与摘要；随机采样结合Temperature、Top-k和Top-p，增强多样性，适用于创意写作。不同方法在质量、多样性和计算成本间权衡，适配各类NLP任务需求。（238字）
归一化技术
归一化技术对大模型训练至关重要，常见方法包括LayerNorm与RMSNorm。前者按特征维度归一，稳定高效；后者省去均值计算，更轻量。Pre-norm结构因提升梯度稳定性，成为现代模型主流选择。
强化学习
强化学习（RL）是一种通过智能体与环境交互来学习最优策略的机器学习方法，核心是最大化长期累积奖励。其关键概念包括状态、动作、奖励、策略与价值函数，依赖试错和延迟奖励机制。常用方法有基于值的Q-learning、基于策略的Policy Gradient，以及结合两者的Actor-Critic框架。PPO、DPO等算法在实际中广泛应用，尤其在RLHF中优化语言模型。该领域持续发展，追求高效、稳定与实用的决策智能。
模型推理加速
大模型推理加速关键技术包括KV-Cache优化、连续批处理、投机解码与模型并行等，涵盖算法、系统与硬件协同优化。vLLM等框架通过PagedAttention提升效率，助力高并发、低延迟场景落地。
模型评估
模型评估涵盖能力、对齐与效率三大维度，包括语言理解、知识问答、推理代码等能力测试，以及有用性、无害性、诚实性对齐评估，辅以延迟、吞吐量等效率指标。常用MMLU、C-Eval、GSM8K等基准，结合Hugging Face工具实现自动化评估，面试关注幻觉检测、指标设计与人工协同等关键问题。（239字）
🎲 解码策略
解码策略决定文本生成方式，平衡创造性与准确性。贪婪解码确定性强但重复性高；Beam Search提升质量但成本较高；随机采样（如Top-k、Top-p）增强多样性，适合创意任务。不同方法适用于翻译、摘要、创作等场景。
| 状态检索：如何快速判断一个用户是否存在？
本文探讨如何高效判断对象是否存在，对比有序数组、二叉树、哈希表的查询性能，引出位图与布隆过滤器。位图利用bit级存储，节省空间；布隆过滤器通过多哈希函数降低冲突，实现O(1)查询，虽有误判但适用于容忍错误率的场景，如缓存、爬虫去重。二者在时间与空间效率上优于传统结构，广泛用于大型系统中。
Vue框架
本文深入解析Vue核心原理，涵盖v-bind与v-model区别、响应式机制（Object.defineProperty）、模板编译为render函数、虚拟DOM渲染流程、数据双向绑定原理及MVVM模式。详解生命周期、组件通信、路由控制、Vuex状态管理及其内部实现，并对比jQuery与框架差异，系统梳理Vue源码设计思想与实践应用要点。
数组（顺序存储）基本原理
本章讲解数组的核心原理，区分静态数组与动态数组。静态数组是连续内存空间，支持O(1)随机访问，但增删效率低；动态数组基于静态数组封装，自动扩容并提供便捷API。我们将手动实现动态数组的增删查改，深入理解其底层机制，为学习栈、队列、哈希表打下基础。
