知乎万赞回答:程序员面试为什么被要求造航母,而工作拧螺丝?

老生常谈!程序员为什么要阅读源代码? 对于阅读源码这个老生常谈的话题,首先「面试」带来的是短期价值,它让我们在面试的过程中形成差异化的竞争,从而让我们脱颖而出。其次「职业」带来的是长期价值,它让我们在自己的领域能够获得稳定且长足的发展。最后「兴趣」带来的是一种信念,它让我们在困难面前能够有坚持下去的勇气和动力。总而言之,阅读源码是一件利大于弊的事情,希望大家能持之以恒的对待,坚持做具有长期价值且正确的事情。 阅读详情

最近,程序员圈子里流行着一种说法:面试造航母,工作拧螺丝。

它描述了程序员工作中的一种怪象,面试的问题各种高大上:

什么分布式事务怎么实现啊

什么消息队列怎么保证幂等性啊

什么JVM的调优啊

。。。。。。

诸如此类

 

然而,过五关斩六将,一路拼杀下来,终于拿到了心仪的offer,入职以后,每天干的工作却是一些简单的增删改查,又或者是技术性不强的业务代码编写,甚至是一些拷贝粘贴的日常性工作,与面试时的情况大相径庭,不禁让人大跌眼镜。这种说法之所以能够流传开来,肯定是引起了广大码农们的共鸣,想必很多人都遇到了这种情况。

 

那么,如此强烈的反差和对比,到底是什么原因造成的呢?本文就试图来一次大猜想,对个中缘由进行一些分析和总结。

 

 

工作必需

 

在展开表达之前,我先说一个关于办卡的小故事,前一段时间,我去欢乐谷游玩,当时他们正在大力推销年卡,一年之内可以不限次数地进园游览,价格也相对公道,所以很多人都选择了购买年卡,我也不例外,办卡的流程比较简单,一共就三步:交费,拍照,制卡。轮到我了,交费和拍照都非常顺利,可是到了制卡这一步却出了问题,那个制卡机不能吐卡了,工作人员当时也比较着急,按了按某些按钮,并用手拍了拍机器,都没有起作用,制卡机依然不能正常工作,这时候,工作人员只好抱歉地让我等一等,她叫来了另外一个看起来更为熟练的同事,很快就把机器修改好了,我也顺利地拿到了我的年卡。

 

这个故事像极了程序员的日常工作,没错,如果一切如你所愿,用户输入的数据非常规整,服务器永远不会donw机,网络也不会抖动,各种系统参数的设置也是恰如其分,那么,你只需要掌握基本的编程知识和技能就足以应对了,然而,理想很丰满,现实很骨感,各种异常情况、各种突发状况层出不穷,让人应接不暇,况且,业务还在飞速发展,技术还在不断更新迭代,绝对没有一劳永逸的工作,特别是对于程序员这种职业来说更是如此,这个时候,如果你仅仅只会拧螺丝,对于编程的系统知识掌握不够深入,对于技术栈的学习不够全面,那么,你就会像那个工作人员一样,面对问题时束手无策,只能求助于他人了,偶尔一两次倒也不伤大雅,但长此以往,就只能被IT圈所抛弃了。

 

这确实是一个客观现实的原因,虽然我们可以调侃这种现象的荒谬,但如果静下心来思考,会明白这种现象存在即合理,只有全副武装了自己,让自己具备“造航母”的一身本事和格局,那么,我们在日常拧螺丝的工作中,才能更加举重若轻,游刃有余,况且,在工作的舞台上,只要你足够优秀,足够突出,慧眼识珠的领导们自然也会让你开始“造航母”的,如果入职以后,你一直还在拧螺丝,可能就得反思一下了。

 

这是第一个原因,也是最务实的、最有可能性的原因,我们接着来看下一个。

 

面试官装X、炫技

 

第二个原因就是面试官装X、炫技,这种情况也会经常发生。作为一个面试官,他其实是有心理优势的,自然而然的就认为自己的水平一定高过候选人(当然这是错的),更有甚者,一些有自卑心理的面试官,会问出一些所谓“高深”的问题,来显示自己的能力和水平,这种情况下,如果通篇问下来都是诸如以下的问题,是显示不出面试官的水平的:

Java有几种基本数据类型?

break和continue有什么区别?

MySQL中对数据分组是哪个关键字?

数据库事务有哪几个特性?

消息队列常用的有哪些?

 

如果全是这样的问题,是不能体现面试官逼格的,他必定是要问你秒杀系统怎么设计,分布式锁怎么实现,一致性哈希的实现原理,等等,这样才能提高他的身段,换句话说,有些面试官甚至把面试当成了自己装X、炫技的一个舞台。

 

这是第二个原因,这种情况的可能性也不小。

 

拒绝候选人

 

第三个原因就是通过一些高深的问题来拒绝候选人,面试的时候问你怎么“造航母”,直到你回答不上来,然后让你感觉达不到职位的要求,通过这样的方式来将你拒之门外。什么时候会发生这样的情况呢?可能性也比较多:比如面试官是一个古板的人,但你的言谈举止稍显轻佻;比如面试官非常讨厌纹身,但你恰恰在显眼处纹了一个;比如面试官是个洁癖,但你当天恰好没有收拾得那么干净;甚至,你长得像面试官前女友的现男友。。。

 

这种情况其实是存在的,很多时候,面试就跟相亲一样,如果没有眼缘,或者气质相去甚远,那么面试成功的可能就会变得很小,既然气场不合,那面试官就会想方设法打发你走,问一些高大上的问题就成了一种常用的手段,这样至少不会把气氛搞得很尴尬,最后也让候选人知难而退,而真正的原因也有面试官心知肚明了。

 

压价

第四个原因就是压价,候选人可能各个方面都比较合适,但要价相对偏高,那这种时候怎么办呢?其中一种手段就是问一些深奥的问题,压压候选人的锐气,让候选人觉得自己原来还那么多东西没有掌握,然后面试官再适时地提示薪酬方面的问题,受到打击的候选人可能就会在工资问题上做出让步。

 

看看,这种迂回战术在面试过程中也是存在的,项庄舞剑,意在沛公,表面上看起来是问你技术问题,但其实是嫌你要的工资太高了,特别是,如果你的期望薪酬还高过面试官的话,甭提他心理有多不爽了,当然得搞一些难题来为难为难你。学海无涯,知识的东西是没有尽头的,面试官既然能做为面试官,必然有他的过人之处,至少也得到了大家的认可,所以他要想问倒你,其实是不难的。

 

这是第四个原因,除了上面提到的这些,还有一些其它的因素导致了这种现象,我们来看最后一个原因。

 

其他方面

还有一些其他原因导致“面试造航母,工作拧螺丝”:

 

  • 面试官的心情不好。比如面试官上班坐地铁的时候,被人踩了一脚,心情异常不美丽,或者面试前与产品经理吵了一架,或者刚好被领导批评了,这时他正想找个人发泄一下情绪,通过问一些“造航母”的问题来虐一下候选人,来找一些心理上的平衡。
  • 套方案。在研发过程中遇到了一些非常棘手的问题,暂时又没有找到一些好的解决方案,把这种问题当做面试题,试图从候选人那里获得问题的解决办法,这种情况也并非罕见,因为问题较难,所以当然会归到“造航母”的类别。

 

 

上面罗列了“面试造航母,工作拧螺丝”这种怪象的种种原因,你觉得还有其他原因吗?欢迎来补充。

 

推荐阅读

为什么阿里巴巴的程序员成长速度这么快?

纳尼?SpringCloud要被淘汰了?

阿里架构师【柏羲】带你揭秘架构项目实战与源码解读:微博+B站架构设计、JUC核心、Mybatis源码

进大厂也就这回事,工作2到3年后进大厂操作指南

看完三件事

如果你觉得这篇内容对你还蛮有帮助,我想邀请你帮我三个小忙:

点赞,转发,有你们的 『点赞和评论』,才是我创造的动力。

关注公众号 『 Java斗帝 』,不定期分享原创知识。

同时可以期待后续文章ing🚀

硬件单板类机考复习提纲 6、 功率晶体管低导通损耗时处于的状态(饱和状态、放大状态、截止状态)(放大器的采样频率特性)总结:元器件特性(电阻、电容、二极管、三极管、晶体、晶振、MOS、磁珠等)信号质量问题产生根因(单调性、边沿过缓、毛刺、回沟、抖动等)3、 几种电容容量范围大小(超级电容、钽电容、陶瓷电容、铝电容)66、背板连接器接触设计的接触顺序(先导向、再地针、最后信号针)28、逻辑电平接口的特性(CMOS、TTL、ECL、PECL)76、差分电平(lvpecl、RS-422/485、cml) 阅读详情

相关推荐

01|无代码开发 | 如何使用Zion实现导航网站制作

以上就是我制作导航网站的心得,分享给大家,作为一个小白想要独立搭建一个网站还是比较困难的,而在Zion不仅可以用可视化的方法进行搭建,甚至还可以一键发布,不用考虑服务器域名啥的问题,真是太方便了。

2301_76262110的博客 1390

Android程序员面试造航母,工作拧螺丝?各种缘由大揭秘!

最近,程序员圈子里流行着一种说法:面试造航母,工作拧螺丝。 它描述了程序员工作中的一种怪象,面试的问题各种高大上: NDK,音视频开发了解过吗? 讲讲热修复,Android的前沿技术了解过吗? 讲讲你在项目中的优化工作%&%#@¥…… 诸如此类 然而,过五关斩六将,一路拼杀下来,终于拿到了心仪的offer,入职以后,每天干的工作却是一些简单的增删改查,又或者是技术性不强的业务代码编写,甚至...

weixin_45258969的博客 391

ZYNQ-Video out IP与Video Timing Controller IP协同工作模式解析

本文深入解析了ZYNQ平台上Video out IP与Video Timing Controller IP的协同工作模式,详细介绍了它们的架构、工作原理及配置要点。通过AXI4-Stream接口实现高效视频数据传输,并结合HDMI输出系统设计实践,为开发者提供了实用的调试技巧和性能优化建议。

redis7keeper的博客 637

面试造航母,工作拧螺丝?个中缘由大揭秘!

点击上方蓝字,关注互联网全栈架构最近,程序员圈子里流行着一种说法:面试造航母,工作拧螺丝。它描述了程序员工作中的一种怪象,面试的问题各种高大上:什么分布式事务怎么实现啊什...

weixin_44742132的博客 1463

手把手教你用VCS+VERDI搭建数字IC验证环境(附Makefile避坑指南)

本文详细介绍了如何使用VCS编译器和VERDI调试工具搭建数字IC验证环境,涵盖从RTL设计到波形分析的全流程。重点解析了Makefile自动化构建、FSDB波形生成方法及常见问题解决方案,帮助工程师高效完成验证工作。特别提供了VCS编译参数配置和VERDI调试技巧的实用指南。

weixin_33738578的博客 450

【STK】手把手教你利用STK进行导弹和反导仿真04 - STK/MMT模块03 导弹飞行工具应用案例

飞行设置的工具栏就在附加窗口的中间,首先点击左边的General,修改这个项目的名字。然后在下拉的System中选择导弹的类型,这里我们选择远程。(4)输出数据文件到STK,任务窗口里选择Export Manager项,飞行数据输出到STK。项目可以命名为Test;(1)首先建立新项目,点击Flight菜单中的New Flight选项,见下图。首先看世界地图中间的红圈,是一个导弹形状的图标,这个图标表示的是导弹的发射点。选择下面的Export Manager,依次勾选红框的选项。我们拖动这个导弹的图标,

weixin_44184852的博客 1631

面试造航母,入职拧螺丝,工资离了个大谱...

有粉丝跟我吐槽说:金三银四去面试软件测试岗,真的是面试造航母,入职拧螺丝,工资还低 这种现象很正常,因为找一个测试员,当然希望他能做的业务越多越好,最好像机器猫一样,啥事儿都能搞定。然而,目前正在做的业务并没有扩张到那么大的规模,可能刚加入团队的时候,只能帮老员工打打下手,这在大厂里很常见。

2201_76100073的博客 1619

【CANdelaStudio编辑CDD】-21.2-创建OBD诊断$03,$07,$0A和$04服务以及OBD DTC

案例背景(共11页精讲):创建OBD诊断$03,$07,$0A和$04服务;以及OBD DTC。 在《【ISO15031_OBD诊断】-3.1-$03服务Request emission-related diagnostic trouble codes理论部分https://blog.youkuaiyun.com/qfmzhu/article/details/122157513》, 《【ISO15031_OBD诊断】-7.1-$07服务Request emission-related diagnostic trou

「汽车电子助手」的博客 1698

面试造航母,入职拧螺丝,工资...

有粉丝跟我吐槽说:金三银四去面试软件测试岗,真的是面试造航母,入职拧螺丝,工资还低

一个不太黑的测试人~ 1615

基于STFT和卷积神经网络的时序数据分类

我们提供了相应的代码和数据,读者可以直接运行并尝试在自己的数据集上进行分类实验。在本文中,我们将介绍一种基于短时傅里叶变换(STFT)和卷积神经网络(CNN)的时序数据分类方法。我们将提供可直接运行的代码和数据,以帮助读者理解和实现这一方法。STFT可以提取信号的频谱信息,有助于捕捉时序数据中的关键特征。在这个例子中,我们将使用一个简化的手势识别数据集作为示例。在这段代码中,我们使用Adam优化器和稀疏分类交叉熵损失函数进行模型的编译。然后,我们使用训练集进行模型的训练,同时使用测试集进行模型性能的验证。

CodeWOW的博客 694

【WLAN】【调试】再谈如何使用Wireshark解密WiFi数据包——使用TK信息

- 本文介绍了一种wireshark使用TK信息解密空口报文的方式,该方式对是否有关联过程的报文没有要求。

一介草民,只为生活。 1190

面试造航母,工作拧螺丝,到底八股文有没有用

很多求职的人在面试失败并且失败在八股文上面时,都可能会感叹:“面试造航母,工作拧螺丝”,又或是:“考一些工作上用不到的八股文有什么用”,在很多面试官看来,在选拔人才时,第一关就要考察候选人的八股文,也是所谓的基础。真是各有各的道理,但改变不了的事实,有些人因此而落选,有些人也因此未选拔出可能实战经验更加优秀,更适合企业或者团队的人选。

idu的博客 2271

打破RK3588 GPIO中断响应延迟的枷锁,开启高效编程

本文针对RK3588芯片在智能安防和工业自动化应用中出现的GPIO中断响应延迟问题展开深入分析。通过硬件原理剖析,发现延迟主要源于中断控制器优先级设置、线路干扰等硬件因素,以及中断处理函数复杂、内核调度延迟等软件问题。提出硬件优化方案包括合理布局布线、电源稳定设计,软件层面则通过精准配置设备树、精简中断处理函数、利用工作队列等内核机制进行优化。测试结果显示,优化后中断响应延迟从50-80ms降至10-20ms,高负载下也能稳定在50ms以内。文章最后展望了AI技术在中断调度中的潜在应用价值。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 364

面试造航母,工作拧螺丝?各种缘由大揭秘!

最近,程序员圈子里流行着一种说法:面试造航母,工作拧螺丝。它描述了程序员工作中的一种怪象,面试的问题各种高大上:什么分布式事务怎么实现啊什么消息队列怎么保证幂等性啊什么J...

singwhatiwanna 9080

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

程序员为什么要挤破头也要进大厂?别说是拧螺丝,递扳手我也愿意去!

大家好,前段时间写了一篇关于程序员的年薪五十万指南,引起了一些共鸣,有些读者私信问我。现在不是大厂竞争很激烈吗?再说大厂的薪水待遇也没有比一些二线公司更好呀,既然如此,那为什么我们还要挤破脑袋进大厂呢? 今天就和大家闲聊几句,以下说的仅代表我个人的看法。如果有不同观点,欢迎在评论区留下您的看法。 金字招牌 前几年阿里在校招的时候,打着的旗号就是叫“阿里大学”。把阿里巴巴这家企业比作了学校,我们进去不是为了赚钱,也不是为了打工,而是另外一个层面上的学习和深造。所以内网当中很多离职的小伙伴发帖都说自己不是离职

Androiddddd的博客 2万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

有非常多的人吐槽:面试造航母,工作拧螺丝。为什么会有这种现象存在?

这种情况其实是存在的,很多时候,面试就跟相亲一样,如果没有眼缘,或者气质相去甚远,那么面试成功的可能就会变得很小,既然气场不合,那面试官就会想方设法打发你走,问一些高大上的问题就成了一种常用的手段,这样至少不会把气氛搞得很尴尬,最后也让候选人知难而退,而真正的原因也有面试官心知肚明了。,这个时候,如果你仅仅只会拧螺丝,对于编程的系统知识掌握不够深入,对于技术栈的学习不够全面,那么,你就会像那个工作人员一样,面对问题时束手无策,只能求助于他人了,偶尔一两次倒也不伤大雅,但长此以往,就只能被IT圈所抛弃了。

weixin_44742132的博客 248

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

面试造航母入职拧螺丝

殊不知面试是一个双向选择的过程,你在面试求职者,同样,求职者也在面试你。众多打工人面试工作中会发现,往往面试时要求什么都会,实际入职工作后却仅仅是做拧螺丝的工作,如同面试造航母入职拧螺丝。为什么会有这样的感觉呐,分析了几个场景。总之,面试过程中遇到各种问题保持冷静,不要让面试官的刁难问题影响自己的情绪和自信心。面试官仰仗着自己对某一方面的技术优势,过于自我陶醉,刻意卖弄,炫耀自己的优秀,不关注求职者的需求和情况,,尽管面试官的态度可能不友好,但候选人仍然可以展示自己的技能和经验,以证明自己适合该职位。

zhulijunyou的博客 597

“面试造航母,工作拧螺丝”,面了4家公司,感慨万千(Java岗)

楼主离职已有 10 天,这段时间里除了看源码,就是投简历面试了。一共面试了 4 家,说说感受。 1、XX 汇 XX 汇是一家小型的电商网站,由于楼主的技术栈集中在 Java 语言这里,所以,即使楼主对并发,JVM,Netty,Spring 等都稍有了解,但依然没有任何优势—— 因为他们完全用不到。 整个面试过程中,问了大概以下问题: 说说你的项目,用了 SpringCloud 哪些功能? 熟悉...

aixuexidemomo的博客 549

程序员为什么要挤破头也要进大厂?别说是拧螺丝,递扳手我也愿意去

大家好,前段时间写了一篇关于程序员的年薪五十万指南,引起了一些共鸣,有些读者私信问我。现在不是大厂竞争很激烈吗?再说大厂的薪水待遇也没有比一些二线公司更好呀,既然如此,那为什么我们还要挤破脑袋进大厂呢?

Androiddddd的博客 753

程序员为什么挤破头也要进大厂?别说是拧螺丝,递扳手我也愿意去

现在不是大厂竞争很激烈吗?再说大厂的薪水待遇也没有比一些二线公司更好呀,既然如此,那为什么我们还要挤破脑袋进大厂呢? 金字招牌 前几年阿里在校招的时候,打着的旗号就是叫“阿里大学”。把阿里巴巴这家企业比作了学校,我们进去不是为了赚钱,也不是为了打工,而是另外一个层面上的学习和深造。所以内网当中很多离职的小伙伴发帖都说自己不是离职,而称自己“毕业了”。 但你仔细想一下就会发现,除去企业宣传的目的和手段之外,还真的有那么几分道理。每年都有大量的工程师从BAT离职,进入各行各业大小公司当中继续发光发热,某种程度上

xx_nm98的博客 437

程序员为什么要挤破头进大厂?说说那些你不知道的潜在原因

大家好,前段时间写了一篇关于程序员获得年薪五十万的方法,引起了一些共鸣,有一些读者私聊问我。现在不是大厂竞争很激烈吗?再说大厂的薪水待遇也没有比一些二线公司更好呀,既然如此,那为什么我们还要挤破脑袋进大厂呢? 今天就和大家闲聊几句,以下说的仅代表我个人的看法。如果有不同观点,一笑置之便是。 金字招牌 前几年阿里在校招的时候,一直打的旗号就是阿里大学。把阿里这家公司比作了学校,我们进去不是为了赚钱,也不是为了打工,而是另外一个层面上的学习和深造。所以内网当中很多离职的小伙伴发帖都不说自己是离职,而称自己是毕业

weixin_55596273的博客 603

程序员面试经历分享

​ ​金九银十,又是一年当中各大公司招聘的黄金时期,同样也是我们程序猿跳槽的春天。作者作为一个刚工作一年的程序员,同样准备在这个时间段跳槽。跳槽不是说因为现在的工作不好,而是为了生活。说白了就是为了工资能够高一点。​总所周知,一般而言,跳槽的程序员涨的最快。 ​ ​七月末向上司提了离职,得一个月才能走,刚好赶上金九银十,一切都在作者的计划之中。 ​ ​跳...

qq_31689009的博客 1069

大数据平台测试-软件测试常见面试回答(持续更新)

答:主要有2方面,一、现在的系统很多都是前端后端分离,前端和后端工作进度不一样,咱为了尽早测试,尽早发现问题,所以可以在前端界面没有开发完成的情况下,后端接口只要开发完了,就可以介入测试了,这也叫测试左移。答:因为我面试的自动化的岗位,所以,我短期希望尽快熟悉我的工作内容,适应公司节奏,根据公司长期发展提升自己的专业技能,同时,过2-3年,能够成为独当一面的高级测试开发工程师,我已经有了N年的功能测试积累了,并且也参与过自动化的实施,通过我的努力,我相信一定可以达成目标。面试,讲点面试官想听的。

全村的希望的博客 3275

程序员为什么要挤破头进大厂?说说那些你不知道的潜在原因_程序员头部大厂

前几年阿里在校招的时候,一直打的旗号就是阿里大学。把阿里这家公司比作了学校,我们进去不是为了赚钱,也不是为了打工,而是另外一个层面上的学习和深造。所以内网当中很多离职的小伙伴发帖都不说自己是离职,而称自己是毕业。但你仔细想一下就会发现,除去企业宣传的目的和手段之外,还真的有那么几分道理。每年都有大量的工程师从BAT离职,进入各行各业大小公司当中继续发光发热,某种程度上来说互联网产业的发展所需要的大量人才正是这些大企业提供的。

2401_84302583的博客 752
上一篇: 阿里架构师如是说:权限系统就该这么设计
下一篇: 妙呀,Redis和Mysql两大难题这不就解决了嘛!
Java斗帝之路
博客等级 码龄7年 2392粉丝 687原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值