一招搞定互聯(lián)網(wǎng)大廠面試提問！

大家好，我是小林。

最近收到讀者反饋，在面試某個公司時，想要針對性地看該公司的面經(jīng)比較困難，如果有快速 get 到公司面試重點的方法就好了。

于是，我想到一個好主意，我們何不把面經(jīng)庫喂給AI，這樣就可以指定一個公司看面試題了！

試想一下，我下星期要面試騰訊，我直接問AI，幫我梳理騰訊的面試重點知識，那么就可以根據(jù)AI輸出的重點知識靶向?qū)W習(xí)一波，這下面試需要準(zhǔn)備的知識再也不用靠猜了！

這樣復(fù)習(xí)到的知識，被面試問到的概率就會很高，這樣的學(xué)習(xí)投入產(chǎn)出比不要太高了。

那說干就干！

技術(shù)選型

當(dāng)然，我們在開發(fā)一個項目的時候，肯定首先要考慮技術(shù)選型的事情，技術(shù)選型重要的是基于場景來考慮， 比如實用性、開發(fā)成本、費用成本等等。

那么，做AI工具前，我們先來調(diào)研用哪個大語言模型。

那問題來了，國內(nèi)外那么多大模型，到底哪個才是好用的呢？

于是我問了一位身處大模型行業(yè)的朋友，而他向我推薦了智譜旗下，據(jù)說性能十分強(qiáng)勁的GLM-4-Plus。

要說最近智譜也是動作頻頻啊，不但更新了基座大模型 GLM-4-Plus，還以此為契機(jī)，將旗下一系列全模型家族都上線到了bigmodel.cn。

而在 SuperBench 9 月綜合榜最新的大模型評測中，國內(nèi)模型 GLM-4-Plus 在本次評測中排名全球第三（國內(nèi)第一），打破了國外模型對前三名的壟斷。

從圖中我們可以看到，國內(nèi)模型在多個方面都有明顯提升，包括對齊、智能體和數(shù)理邏輯等。

雖然和OpenAI還有一些差距，但也是遙遙領(lǐng)先其他國產(chǎn)大模型了！因為網(wǎng)絡(luò)原因，我們調(diào)用OpenAI的模型不太方便，再加上國外模型對中文的適配度普遍較差。

最終我決定選擇我們國產(chǎn)的模型GLM-4-Plus來做AI面試題知識庫！

那問題來了，GLM-4-Plus是國內(nèi)哪家的大模型的呢？

我調(diào)研了一下，發(fā)現(xiàn)是智譜團(tuán)隊全自研的大模型，智譜是由清華大學(xué)計算機(jī)系技術(shù)成果轉(zhuǎn)化而來的公司。

在這次最新的國內(nèi)外大模型的評測中，也能明顯看到GLM-4-Plus的基本素質(zhì)過硬，明顯強(qiáng)于其他國產(chǎn)模型，進(jìn)入世界第一梯隊。

除此之外，我還想看看他的價格如何。

可以，零幀起手就是免費的1億tokens，做個小應(yīng)用完全夠用了！

常見構(gòu)建智能體的操作（文生文、文生圖、文生視頻、微調(diào)、知識庫等），在智譜的文檔里也寫的相當(dāng)清楚，對我們程序員的眼睛很友好！

接著，我們再看看GLM-4-Plus，到底有多厲害？能解決我的需求嗎？

先來做個簡單測試：「9.9 和 ?9.11，誰比較大？」，別看這個問題簡單，之前有不少大模型都在這個簡單的數(shù)學(xué)問題上翻車了。

我們，來看看智譜的GLM-4-Plus模型的回答。

很聰明，GLM-4-Plus模型回答是正確的，有意思的是，在后面也小小吐槽了其他大模型在這類簡單的問題卻出現(xiàn)了錯誤。

既然針對GLM-4-Plus模型的小測試，它挑戰(zhàn)成功了，我們來繼續(xù)測試測試GLM-4-Plus模型更多的能力。

文章總結(jié)的能力

面試解答的能力

最后，我把我整理的面經(jīng)庫交給模型，手把手教大家如何寫一個可以指定公司的面試題庫機(jī)器人，面試對應(yīng)公司時，我們就能針對性地訓(xùn)練了！

GLM-4-Plus：文章總結(jié)

我在公眾號已經(jīng)分享了 100 多篇的互聯(lián)網(wǎng)后端開發(fā)的面經(jīng)，累計起來也有 100 萬字了，其實這也是一個龐大的知識庫了，但是短期著急面試的同學(xué)，肯定也看不完。

如果你突然收到了字節(jié)的面試，想要快速復(fù)習(xí)字節(jié)常考的知識點，我教大家一個高效的復(fù)習(xí)方法！

你可以從《互聯(lián)網(wǎng)中大后端開發(fā)的面經(jīng)》中找到我發(fā)布過的字節(jié)面經(jīng)文章，然后把文章保存到本地文件交給了智譜AI BigModel開放平臺的GLM-4-Plus模型來梳理文章的內(nèi)容。

比如，我挑選了一篇字節(jié)的面經(jīng)，上傳之后，GLM-4-Plus會把重點內(nèi)容的知識進(jìn)行了分類，并且還把算法題的 leetcode 編號寫出來，也方便我們可以去 leetcode 去練習(xí)這個算法題。

接下來，你可以針對不熟悉的內(nèi)容進(jìn)一步去學(xué)習(xí)。

比如，我跟他說「我對 RPC 與 HTTP 的區(qū)別不是很懂，請你幫我解釋一下」，GLM-4-Plus模型是很認(rèn)真回答了這個問題，而且羅列的也很全面。

GLM-4-Plus：面試解答

大家出去面試的時候，最好面試完之后，要把問題整理一下，并且要針對每一個問題進(jìn)行復(fù)盤，這樣你的成長才會比較快

為了更高效的對自己的面經(jīng)進(jìn)行復(fù)盤，我們可以把面試問題直接上傳給GLM-4-Plus模型，讓他幫我們整理！

比如，我這里找了一個同學(xué)的互聯(lián)網(wǎng)中廠的Java后端面經(jīng)，把內(nèi)容保存為文件。

接著，直接上傳給GLM-4-Plus模型，讓它給出回答，不到幾秒的時間，GLM-4-Plus模型就把所有問題的回答都總結(jié)出來了：

如果你想針對某一個問題，想具體詳細(xì)的進(jìn)一步學(xué)習(xí)，你可以繼續(xù)追問。

比如，我讓GLM-4-Plus模型幫我梳理HashMap 梳理 jdk1.7 版本和 1.8 版本的區(qū)別，一下子就給出更詳細(xì)且清晰的回答了。

通過這種方式，就可以非常高效的復(fù)盤和整理自己的面經(jīng)了，如果想要進(jìn)一步深入某個面試題，多向GLM-4-Plus模型追問幾句就可以，簡單又高效！

GLM-4-Plus：針對公司的面試題庫

通過文章總結(jié)，我們可以總結(jié)一篇面經(jīng)文章的內(nèi)容。可是，我們在準(zhǔn)備某個公司面試時，一篇文章顯然是不夠的，而單純和AI對話也不能容納太多的上下文。

那么如果我想要制作一個海納百川的題庫，然后根據(jù)指定公司得到對應(yīng)的面試題和解答呢？答案是：構(gòu)建一個面經(jīng)知識庫！

我們只需要完成以下幾步：

創(chuàng)建自己的API key

創(chuàng)建知識庫：上傳所有的面經(jīng)

訓(xùn)練面試題大模型

問答：面試哪個公司就喚起哪個公司的“面試官”

創(chuàng)建自己的API key

調(diào)用GLM-4-Plus 模型接口調(diào)用非常簡單，官方都已經(jīng)給出代碼示例了，只需要復(fù)制代碼示例，然后把代碼示例中的API密鑰改成你自己的，就完事了，極大縮減了開發(fā)的周期。

首先，創(chuàng)建一個自己的API key。而且，完全不用擔(dān)心token問題！智譜先送 1 億Tokens：

老用戶獻(xiàn)上大禮：根據(jù)用戶在9月份用量情況，贈送額度2000萬到 1億tokens的tokens資源包。

新用戶巔峰起步：每位新注冊用戶，注冊后即可獲贈 1億額度Tokens資源包。

接著，在代碼里初始化client：

private?static?final?String?API_SECRET_KEY?=?"此處替換為你的API?key";
private?static?final?ClientV4?client?=?new?ClientV4.Builder(API_SECRET_KEY)
?????????.networkConfig(60,?60,?60,?60,?TimeUnit.SECONDS)
?????????.build();

創(chuàng)建知識庫

新建一個知識庫，上傳各個公司的面經(jīng)（這里我就上傳了我整理的面經(jīng)文章）。

注意，我們可以根據(jù)文章格式，配置文檔類型為文章知識、問答類知識或自定義知識。

訓(xùn)練面試題大模型

我們設(shè)計兩個角色：AI面試官和AI面試者。

AI面試官：根據(jù)我們指定的公司，從知識庫找到問題提問。（此時你可以根據(jù)問題試試自己能不能答得出來！）

AI面試者：根據(jù)知識庫的解答，總結(jié)并潤色成“人話”。（此時你可以對比看看自己剛才回答得怎么樣）

（1）我們先設(shè)計好他們各自的Prompt：

????private?static?final?String?AI_INTERVIEWER_SYSTEM_PROMPT?=
????????????"從知識庫中找屬于{{用戶給出的公司名稱}}的后端開發(fā)面試題，用于向面試者提問，找不到就用自身知識提問并且告訴用戶該信息不是來自文檔。n"?+
????????????????????"如果用戶沒有給出公司名稱，請從知識庫中隨機(jī)找面試問題。n"?+
????????????????????"要求：（1）只需要提出問題，絕對不要回答給出的問題。（2）至少給出5個問題?（3）不要直接照搬知識庫內(nèi)容，請將找到的內(nèi)容潤色成面試問題（4）按照{(diào)序號}.{面試題}的格式輸出";
????private?static?final?String?AI_APPLICANT_SYSTEM_PROMPT?=
????????????"你是一位求職者，你要結(jié)合知識庫，清晰準(zhǔn)確地回答面試官提出的問題。n"?+
????????????????????"要求：（1）優(yōu)先搜索知識庫答案?（2）找到答案后，潤色成口語化表達(dá)?（3）使用第一人稱進(jìn)行回答，回答不超過200字。";

（2）第二步，我們包裝一個請求函數(shù)，傳入上下文（之前發(fā)過的消息）、配置知識庫工具等。話不多說，直接看代碼：

????public?static?String?invoke(String?systemMessage,?String?userMessage)?{
????????//?1.?這里的作用是收集上下文，讓AI根據(jù)我們給出的上下文繼續(xù)推導(dǎo)，也可以把入?yún)⒅苯痈臑長ist<ChatMessage>?context
????????List<ChatMessage>?messages?=?Arrays.asList(
????????????????new?ChatMessage(ChatMessageRole.SYSTEM.value(),?systemMessage),
????????????????new?ChatMessage(ChatMessageRole.USER.value(),?userMessage)
????????);

????????//?2.?配置知識庫工具
????????List<ChatTool>?tools?=?Collections.singletonList(createKnowledgeChatTool());

????????//?3.?構(gòu)建請求
????????ChatCompletionRequest?chatCompletionRequest?=?ChatCompletionRequest.builder()
????????????????.model("glm-4-long")?//?使用最新的大模型
????????????????.stream(false)?//?不使用流式輸出
????????????????.invokeMethod(Constants.invokeMethod)
????????????????.messages(messages)?//?已知上下文
????????????????.tools(tools)?//?其他工具：網(wǎng)絡(luò)搜索、知識庫、自定義函數(shù)等
????????????????.build();

????????try?{
????????????//?4.?發(fā)起請求，如果想到達(dá)到GPT那種“打字”效果，可以轉(zhuǎn)換為流式輸出（SSE、Websocket）
????????????ModelApiResponse?invokeModelApiResp?=?client.invokeModelApi(chatCompletionRequest);
????????????return?(String)?Optional.ofNullable(invokeModelApiResp)
????????????????????.map(ModelApiResponse::getData)
????????????????????.map(data?->?data.getChoices().get(0).getMessage().getContent())
????????????????????.orElse("");
????????}?catch?(Exception?e)?{
????????????System.err.println("調(diào)用AI失敗:?"?+?e.getMessage());
????????????return?"";
????????}
????}

????private?static?ChatTool?createKnowledgeChatTool()?{
????????ChatTool?tool?=?new?ChatTool();
????????tool.setType(ChatToolType.RETRIEVAL.value());?//?規(guī)定工具類型為搜索知識庫
????????Retrieval?retrieval?=?new?Retrieval();
????????retrieval.setKnowledge_id(KNOWLEDGE_ID);?//?指定知識庫ID
????????tool.setRetrieval(retrieval);
????????return?tool;
????}

（3）搭建根據(jù)Prompt和用戶輸入得到回答的機(jī)器人

AI面試官：輸入為面試官Prompt+公司名，讓AI根據(jù)知識庫調(diào)出對應(yīng)公司的面試題

AI面試者：輸入為面試者Prompt+剛才面試官提出的問題，讓AI根據(jù)知識庫的解答，回答問題

這是測試函數(shù)的代碼：

????public?static?void?main(String[]?args)?{
????????String?company?=?"字節(jié)";
????????String?aiInterviewerReply?=?invoke(AI_INTERVIEWER_SYSTEM_PROMPT,?company);
????????if?(StringUtils.isEmpty(aiInterviewerReply))?{
????????????return;
????????}

????????//?切分字符串為問題數(shù)組
????????List<String>?questions?=?Arrays.asList(aiInterviewerReply.split("n"));

????????//?按需保存問題和答案
????????Map<String,?String>?questionAnswerMap?=?new?LinkedHashMap<>();
????????questions.forEach(question?->?{
????????????String?userPrompt?=?String.format("---公司名---n%sn---面試問題---n%s",?company,?question);
????????????String?aiApplicantReply?=?invoke(AI_APPLICANT_SYSTEM_PROMPT,?userPrompt);
????????????questionAnswerMap.put(question,?aiApplicantReply);
????????});

????????//?打印結(jié)果
????????printResults(company,?questionAnswerMap);
????}

????private?static?void?printResults(String?company,?Map<String,?String>?questionAnswerMap)?{
????????System.out.println("******?"?+?company?+?"?******");
????????questionAnswerMap.forEach((question,?answer)?->?{
????????????System.out.println("============================");
????????????System.out.println(question);
????????????System.out.println(answer);
????????});
????}

（4）主體函數(shù)完成了，接下來我們來測試一下！也順便看看你能不能答出來吧！

字節(jié)

阿里

騰訊

美團(tuán)

最后

怎么樣？

通過我前面測試的情況，大家肯定也是能明顯感覺到 GLM-4-Plus 在語言理解、長文本處理、邏輯推理能力還是非常強(qiáng)大的。

咱們的算法和面試題方面的問題統(tǒng)統(tǒng)都能被 GLM-4-Plus 模型輕松解決，妥妥就是我們學(xué)習(xí)編程和面試的好幫手。

而且GLM-4-Plus 模型提供的SDK，也可以很簡單就上手了，簡單幾行代碼就能直接調(diào)用 ? GLM-4-Plus 模型接口，極大的縮減了開發(fā)周期。

隨著大模型的普及，未來肯定也會出現(xiàn)更多有意思的AI應(yīng)用，如果你正在做AI相關(guān)的應(yīng)用，那么接入國內(nèi)第一梯隊的GLM-4-Plus 模型是不錯的選擇，不僅能力強(qiáng)，而且上手快，更關(guān)鍵價格對開發(fā)者太友好了。

智譜團(tuán)隊也給開發(fā)者們發(fā)了個大福利：新用戶注冊后即可獲贈 1 億額度 Tokens 資源包！

即使用完這個免費的額度 GLM-4-Plus 定價也很實在，一千 Token 僅需0.005元，相比前代旗艦 GLM-4-0520 便宜了 50%，這力度太強(qiáng)了，難道又要卷起一波，國內(nèi)大模型價格戰(zhàn)？

大家可以直接訪問智譜開放平臺 bigmodel.cn 注冊領(lǐng)取，也可以點擊下方「閱讀原文」快速跳轉(zhuǎn)