面试相关
一、面试公司与岗位信息
- 面试公司：顺丰科技
- 面试岗位：AI 方向产品经理
- 工作地点：深圳
- 面试结果：通过，但放弃了该 offer
二、面试过程
- 整体情况
- 整个暑期实习面试之旅包含三轮，其中两轮是专业面试，一轮是 HR 面试。由于不在本地，均采用电话面试的方式，整个过程大约持续了半个月。尽管最终因个人因素放弃了 offer，但在面试过程中收获颇丰，故在此进行复盘。
- 投递简历与测评
- 暑期实习投递简历时，和大多数人一样采取了海投策略。选择顺丰的 AI 产品经理岗位，一是因为个人对深圳这座城市的喜爱，二是看好 AI 的发展前景，尽管 AI 产品经理这一岗位相对较新，但觉得未来前景可观，于是投递了该岗位。简历投递后，顺丰很快就发送了测评，主要包含一些行测题和性格测试题。提交测评后的第二天，收到了笔试通知。
- 笔试环节
- 笔试时间较短，但题量很大且难度不小。
- 笔试题包括：
- 某一天，领导让你仿照微信 APP 做一款一模一样的产品，阐述该项目的开展方式。
- 简述用户从顺丰寄件到收件过程中，运单号在后台运转的数据流程。
- 分析各种金融类 APP 对于用户账号安全的风险点以及有哪些安全保障功能。
- 设计一款针对仓储和快递员（小哥）的 APP，要求与大众用户的 APP 不同，阐述该产品的设计思路。
- 快件业务是顺丰的主打业务，简要说明如何利用这一优势拓展线上或线下的其他业务。
- 从这些笔试题可以看出，该岗位对技术以及整个后台轮转的业务逻辑有一定的要求。我答题时习惯先浏览所有题目，寻找其中的逻辑关联后再逐一作答。例如，顺丰的笔试题围绕物流、供应链、仓储以及后台管理展开，那么答案也应围绕后台逻辑进行阐述。
- 一面
-
笔试结束没几天，一位 HR 小姐姐打电话来预约视频面试时间，并在面试开始前约 1 个小时通过邮件中的链接提醒提前登录系统等待面试官。面试官是一位看起来年轻帅气且有一定技术背景的小哥哥。
-
面试开始，先进行自我介绍并简单介绍实习经历。由于我的实习经历大多是面向消费者（to C）的，所以面试官并未深入挖掘，而是更多地询问了如何处理后台数据以及在实习中学到了什么。
-
接着询问了一些基本问题，例如对 AI 产品经理的看法以及它与普通产品经理的区别（针对这一点，如果面试 AI 产品经理或者数据产品经理，一开始不知道在智能方面与普通产品经理的差异，一定要提前通过搜索或者咨询有相关工作经验的学长学姐来了解）。
-
随后，面试官问在我看来顺丰科技的产品经理需要做哪些工作。我在面试前通过百度了解了顺丰近期在做无人机、无人仓储、智能物流等方面的工作，于是逐一说出并结合自己的理解阐述了产品经理在其中的工作内容，最后询问是否还有遗漏。面试官表示差不多，实际落实会更复杂。
-
面试官又询问是否使用过 SQL 或者 Python 处理数据，由于我的专业与计算机相关，我回答用过但不常用，但上手很快。面试官比较满意，接着问了两个具体的数据处理问题。回答完后，面试官设想了一个场景：需要从后端获取一些数据，但后端开发人员由于考虑数据安全性而不配合提供数据，但又必须要获取这些数据，问我该怎么做。我回答：一是先进行需求评审，召集两边的领导和该后端人员一起讨论解决方案；二是从他那里获取数据时可以对涉及安全性的数据进行加密，然后直接提供给需要的人，且在整个过程中其他能看到加密数据的人无法将其泄露出去等。面试官点头后继续追问，我又说了一些相关内容，面试官比较满意并让我提问，我问了一两个问题后，面试官让我等待 HR 的后续通知。
-
一面总结：要做好充分准备，尤其是对于之前没有接触过的领域的岗位，避免一开始就被问住而导致面试无法顺利进行。对于一些与技术相关的产品岗位，需要了解一些基础的知识和数据处理软件。
- 二面
- 顺丰二面首先会发邮件询问能否到现场面试，面试城市有广州、武汉、北京、深圳、长沙、西安、中国香港。正式招聘要求必须现场面试，实习生如果因课业原因无法到现场可以发邮件申请远程面试，我申请了远程面试。远程面试在所有现场面试之后，所以我猜测现场面试可能更有优势，如果现场面试没有招满才会考虑远程面试人员。
- 二面的面试官比一面的看起来年纪略大，同样先让我进行自我介绍和实习介绍。这一轮对实习经历问得比较多，还询问了做过的最有成就感的事情、受过的最大挫折是什么，对产品经理的看法以及自身优势等。与一面相比，二面的问题更常规。面试大约进行了半个小时后让我提问，根据以往经验，二面的面试官通常是部门领导或者领导的领导，所以我问了几个战略方向的问题，比如如何拉开与其他物流公司的差距，如何看待与京东的市场竞争等，然后等待 HR 的通知。
- 二面总结：这一轮问的简历相关问题比较多，也有一些常规固定问题，可以在面试前查看宝洁八大问，并结合自身经历准备答案。
- HR 面
- 一般来说，正常企业的 HR 面基本不会淘汰人（阿里巴巴除外，哈哈哈），真诚、端正的态度很重要。HR 面比较常规，包括自我介绍、简述实习经历、自我评价，还询问了实习时间、是否接受实习地点等问题，面试大约进行了 20 分钟。
- HR 面总结：要认真对待，只要不让面试官觉得太随意或者三观不正以及不会放弃 offer，基本上没有太大问题。除非进入 HR 面的人数大于最终的招聘人数（hc 数），可能会综合排名来决定最终录用人员。
AI 大模型学习相关
现在社会上大模型越来越普及，很多人都想涉足这一领域，但找不到合适的学习方法。作为一名资深码农，我在刚接触大模型时也经历了很多挫折，踩了不少坑。现在我希望把自己的经验和知识分享给大家，帮助大家学习 AI 大模型，解决学习过程中遇到的困难。
大模型资源分享
针对所有自学遇到困难的同学，我为大家系统梳理了大模型学习的脉络，并且分享这份LLM大模型资料：其中包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等。😝有需要的小伙伴，可以扫描下方二维码免费领取↓↓↓
一、全套 AGI 大模型学习路线
AI 大模型时代的精彩学习之旅：从根基铸就到前沿探索，牢牢掌握人工智能核心技能！
二、640 套 AI 大模型报告合集
此套涵盖 640 份报告的精彩合集，全面涉及 AI 大模型的理论研究、技术实现以及行业应用等诸多方面。无论你是科研工作者、工程师，还是对 AI 大模型满怀热忱的爱好者，这套报告合集都将为你呈上宝贵的信息与深刻的启示。
三、AI 大模型经典 PDF 书籍
伴随人工智能技术的迅猛发展，AI 大模型已然成为当今科技领域的一大热点。这些大型预训练模型，诸如 GPT-3、BERT、XLNet 等，凭借其强大的语言理解与生成能力，正在重塑我们对人工智能的认知。而以下这些 PDF 书籍无疑是极为出色的学习资源。
阶段 1：AI 大模型时代的基础认知
-
目标：深入洞悉 AI 大模型的基本概念、发展历程以及核心原理。
-
内容
：
- L1.1 人工智能概述与大模型起源探寻。
- L1.2 大模型与通用人工智能的紧密关联。
- L1.3 GPT 模型的辉煌发展历程。
- L1.4 模型工程解析。
- L1.4.1 知识大模型阐释。
- L1.4.2 生产大模型剖析。
- L1.4.3 模型工程方法论阐述。
- L1.4.4 模型工程实践展示。
- L1.5 GPT 应用案例分享。
阶段 2：AI 大模型 API 应用开发工程
-
目标：熟练掌握 AI 大模型 API 的运用与开发，以及相关编程技能。
-
内容
：- L2.1 API 接口详解。
- L2.1.1 OpenAI API 接口解读。
- L2.1.2 Python 接口接入指南。
- L2.1.3 BOT 工具类框架介绍。
- L2.1.4 代码示例呈现。
- L2.2 Prompt 框架阐释。
- L2.2.1 何为 Prompt。
- L2.2.2 Prompt 框架应用现状分析。
- L2.2.3 基于 GPTAS 的 Prompt 框架剖析。
- L2.2.4 Prompt 框架与 Thought 的关联探讨。
- L2.2.5 Prompt 框架与提示词的深入解读。
- L2.3 流水线工程阐述。
- L2.3.1 流水线工程的概念解析。
- L2.3.2 流水线工程的优势展现。
- L2.3.3 流水线工程的应用场景探索。
- L2.4 总结与展望。
阶段 3：AI 大模型应用架构实践
-
目标：深刻理解 AI 大模型的应用架构，并能够实现私有化部署。
-
内容
：- L3.1 Agent 模型框架解读。
- L3.1.1 Agent 模型框架的设计理念阐述。
- L3.1.2 Agent 模型框架的核心组件剖析。
- L3.1.3 Agent 模型框架的实现细节展示。
- L3.2 MetaGPT 详解。
- L3.2.1 MetaGPT 的基本概念阐释。
- L3.2.2 MetaGPT 的工作原理剖析。
- L3.2.3 MetaGPT 的应用场景探讨。
- L3.3 ChatGLM 解析。
- L3.3.1 ChatGLM 的特色呈现。
- L3.3.2 ChatGLM 的开发环境介绍。
- L3.3.3 ChatGLM 的使用示例展示。
- L3.4 LLAMA 阐释。
- L3.4.1 LLAMA 的特点剖析。
- L3.4.2 LLAMA 的开发环境说明。
- L3.4.3 LLAMA 的使用示例呈现。
- L3.5 其他大模型介绍。
阶段 4：AI 大模型私有化部署
-
目标：熟练掌握多种 AI 大模型的私有化部署，包括多模态和特定领域模型。
-
内容
：- L4.1 模型私有化部署概述。
- L4.2 模型私有化部署的关键技术解析。
- L4.3 模型私有化部署的实施步骤详解。
- L4.4 模型私有化部署的应用场景探讨。
学习计划：
- 阶段 1：历时 1 至 2 个月，构建起 AI 大模型的基础知识体系。
- 阶段 2：花费 2 至 3 个月，专注于提升 API 应用开发能力。
- 阶段 3：用 3 至 4 个月，深入实践 AI 大模型的应用架构与私有化部署。
- 阶段 4：历经 4 至 5 个月，专注于高级模型的应用与部署。
