记一次面试腾讯的奇葩经历

FPGA实战:跨时钟域信号同步的三大核心策略 本文深入探讨FPGA设计中跨时钟域信号同步的三大核心策略:脉冲展宽、双寄存器同步和握手协议。针对亚稳态问题,详细分析了不同时钟频率比下的同步方案,并通过实战代码和案例展示如何确保数据可靠传输,提升系统稳定性。 阅读详情

腾讯面试出师不利,简历随即进入备胎池,不过没过多久,转机还是来了。

大概是一周之后,我的电话响起,号码来自腾讯,于是我接起电话,电话那头果然是另一个部门的面试官,这个部门是负责做腾讯游戏的一些数据仓库的,也就是我比较感兴趣的数据部门。面试官大概介绍了一下部门情况,又和我约了面试时间,于是乎我又重新得到了一次面试机会。

只不过为此我还是付出了代价,我原本投递的岗位是“后台开发”,但是由于部门要求被调整为“运营开发”,虽然两个职位看似相近,但是一看岗位职责,却是相去甚远,我本想婉拒这次面试,谁料面试官一通电话跟我说,岗位名称不一样没关系,最后还是把我给说服了。

原本面试官是打算和我进行电话面试的,不过巧的是,这个面试官刚好要来我们学校参加现场面试工作,于是电话面试变成了现场面试,面试地点就在学校旁边的一个高档酒店里。

电话面试和现场面试的区别就在于,很多人在现场面试容易怯场,并且考察手写代码的次数会大幅度增加。

怀着忐忑的心情,我还是如期赴约。大公司的现场面试还是非常有“牌面”的,引导员先把面试者安排在一个区域落座,然后在大屏幕上显示叫号情况(面试者一般根据指定时间到达面试地点,然后签到,等待叫号)

我到的时候已经比较迟了,眼见着等候席的座位已经快满了,大家都在焦躁不安地等待着,有的人在翻书复习,有的人则在窃窃私语,交流面试心得。恰好碰到一个同学,于是和他聊了一会,只不过他搞的是C++,我搞的是Java。

经过漫长的等待(其实也就十分钟)大屏幕上出现了我的名字,于是我惴惴不安地乘坐电梯上了18楼,引导员把我带向了面试官的房间。此时房间里还有一个人在接受面试,好像被问的很尴尬的样子,我不由得更紧张了。

在外面等了几分钟,刚才面试的同学背着书包低着头走了出去,我也就很自然地被面试官邀请进房间了。

房间很宽敞,视野很好,如果是自己旅行时住这里,想必是个不错的体验,但是现在我可完全不觉得这有什么美好的,因为这里坐着两个面试官,摆着两台MAC,还有几张演草纸,好像在对我说:轮到你了,大刑伺候。

不过,让我大跌眼镜的是,一个面试官居然穿着短裤,嘴里还叼着香烟,我差点笑出声来,这时,另一个非常斯文的面试官邀请我开启第一轮面试,此时我才回过神来,坐到位子上,接受他的考验。

这位面试官先是问了几道比较常见的题目,计算机网络和操作系统的常考题,我很自然地都回答上了,接着他又问了我几道Java方向的题,大概有三道左右,都是特别简单的基础题,应该也是面试官临时到网上搜的,因为他们根本就不是搞Java的。

接着,不幸开始了,由于面试官是做大数据处理的,所以开始问我SQL相关的问题,一开始我还能回答点比较简单题目,但是接着他又开始问非常细节的知识点,比如完整的建表语句,删表语句,我平时记的都是CRUD,还真把这些最基础的东西都忘记了,愣是没回答上来。现在想来当时确实也没复习到位,否则也不至于被问懵。

面试官见我答得不好,于是开始转变策略,开始问我Linux和shell相关的问题,殊不知这是我最不在行的题型了。一开始问了一些简单的命令倒还没关系,后面开始问一些组合命令,比如怎么查一个特定文件,怎么获取指定的文本等等,我基本上都没答上来。

面试官叹了口气“Linux命令和SQL语法都不太熟悉啊”我只能尴尬地笑一笑。随后他又给我出了两道智力题,第一道题是耳熟能详的“老鼠试毒问题”,第二道题则是第一道题的变形,因为之前有做过,所以还是写出来了。

就这样,我草草地结束了一面,给自己打个分的话,就是不及格,虽说如此,人家面试官还是给我了二面的机会。前面提到的那位面试官,叼着烟带我出了房间,聊了一会人生和理想,还劝我不要紧张,甚至还有点想给我递烟。这位大佬确实很直爽,我也没刚才那么紧张了,于是开始接受第二轮考验。

第二轮面试的题目我已经记不太清了,只记得讨论的都是数据库优化的问题,比如“数据表里的数据量太大,怎么优化”,“分库分表要怎么操作,依据是什么”,“数据库的主从部署,原理什么”等等问题。

这些问题我都回答的很浅,把握不到问题的本质,面试官自然也不满意,于是问了一些开放的问题,“客户对应用响应速度不满意,但是技术上已经做到极致了,此时该怎么办”,“如果我要求你24小时待命,你做得到吗”,感觉面试官已经是在调侃了,我也只好硬着头皮继续回答。

半个小时过后,两位面试官终于开始收尾,让我问一些关于他们部门的问题,我也很好奇他们到底是做什么的,我进去以后能做什么,他们大概地给我讲了一下,应该就是在IEG里负责大数据平台开发和维护的,我自知面试表现不好,也没抱多大希望,知趣地离开了。

不久后面试结果出来了,没有通过,由于这次是春招现场面试,所以后面也不会再有人能看到我的简历了,于是我的腾讯实习生面试最终宣告失败。

面试总结:

这次面试总结来说就是“强扭的瓜不甜”,原本我投递的岗位是“后台开发”,但是被调剂成了“运营开发”,面试官和我的方向差异也比较大,我最擅长的Java基本上无用武之地,倒是在数据库方面暴露出了很多短板。

当然,面试失败还是应该从自己身上找原因,比如数据库相关的知识点理解的不够深刻,Linux和SQL常用命令不太熟悉,都导致了这次面试结果的不理想。

腾讯C、C++ 最新面试题库 腾讯C、C++最新面试题库,内部资料 面试必问题库以及面试手写代码 立即下载

相关推荐

DataEaseV2.9 本地开发环境搭建与调试指南

本文详细指导如何搭建DataEase V2.9的本地开发环境,涵盖从软件准备、源码获取、数据库初始化到在IDEA中配置、编译和调试的全过程。重点解决了本地运行环境的关键配置与常见问题,帮助开发者高效开启DataEase的定制化开发与二次开发。

weixin_29290863的博客 141

苦学三个月,腾讯Java岗五面,含泪拿下offer

每个人都拥有大厂梦,我也不例外,在小公司待久了,感觉人会荒废掉,太轻松,没有压迫感。在众多大厂中,最终选择了腾讯。希望自己能够在这个舞台上展示出自己。 但说实话,想进大厂还真没那么容易。在入职腾讯之前,大大小小的面试经历了十几次,最后终于在 4 轮技术面+1 轮 HR 之后成功接到Offer,30k*16 薪! 第一轮主要考察 Java 基础, 比如: hashmap的实现 Java中的垃圾回收 除了代码之外你还学习了什么技术,框架 死锁是怎么产生的 线程和进程的区别 二、三轮注重对相

javaAnPou的博客 595

SRAM compiler选项中 Soft Error Repair (SER)

引起的瞬时故障,可能会影响 SRAM 中存储的数据。SER 功能通过某种机制检测并修复这些错误,从而提高存储器的可靠性。在 SRAM 编译器中,

hzmscut的博客 1152

是面试官放水,还是公司实在是太缺人?这都没挂,腾讯原来这么容易进···

本人211非科班,之前在字节和腾讯实习过,这次其实没抱着什么特别大的希望投递,没想到腾讯可以再给我一次机会,还是挺开心的。

软件测试技术资源分享官 1143

Kaamel白皮书:IoT设备安全隐私评估实践

明确评估的目的和预期结果。

kaamelai的博客 1317

WinForm制作文件传输助手,Tcp局域网传输文件,传输速度受限于宽带和硬盘速度上限

文件传输助手为什么会出现,是因为项目上有些特殊的地方限制太多了,连插硬盘都需要关软件,联网又要开很不方便,网络限制一般软件只能局域网通信,还要开特定的端口等,你才能在电脑上通信,这样和机房的服务器远程的时候文件就不好拿过去,又不可能每次都去开机房的门。现在这个功能比较简单,只能单文件发送,但是其实比U盘硬盘方便,一般的六类网线传输压缩包在50M/s以上,U盘硬盘复制就不行了,特别如果是像我们学校这种网络结构,一个学校都在一个局域网,那真的方便!普通的局域网用特定IP和端口,通信也是很方便的。

m0_69233031的博客 1669

在某游戏公司的奇葩面试经历

2019年初,因为要照顾小孩子。所以选择从待了6年多的公司离职。刚开始是轻松的,但久了之后无比想念朝九晚六的工作时光。于是在2020年初,决定重新踏入职场。 可能是受疫情影响,今年的工作无比无比难找,其实在年前就有将简历挂到招聘网站上,但没怎么去投,直到年后3月份,才开始在各个平台搜索相关职位,从一开始的精准定投到最后的批量海投,这个过程真的是无比心酸。 重点开始…… 2020年04月17日下午三...

Cookie_1030的专栏 2220

网络攻防实验——网络监听

利用CAIN实现ARP监听。

Trieyes_of_feng的博客 3193

腾讯python面试都_记一次面试腾讯的奇葩经历

阅读本文大概需要 2.8 分钟。作者:黄小斜文章来源:【程序员江湖】​上回说到,我腾讯面试出师不利,简历随即进入备胎池,不过没过多久,转机还是来了。大概是一周之后,我的电话响起,号码来自腾讯,于是我接起电话,电话那头果然是另一个部门的面试官,这个部门是负责做腾讯游戏的一些数据仓库的,也就是我比较感兴趣的数据部门。面试官大概介绍了一下部门情况,又和我约了面试时间,于是乎我又重新得到了一次面试机会。只...

weixin_39746652的博客 276

WPF中使用TreeView封装组合控件TreeView+DataGrid

wpf的功能非常强大,很多控件都是原生的,但是要使用TreeView+DataGrid的组合,就需要我们自己去封装实现。功能如上图所示, 目前基本上把常用的样式都实现了,购买源码后,可以自行修改样式。本文源码效果如下,(搞了好几天,的确有难度,所以源码也收费,便宜,赚点辛苦费)第一种:技术的选择是TreeView(也就是本文的演示)。这2个图都是第三方控件自带的,并且都是收费使用。首先说明一下,实现上面的效果,有3种方法。本文演示的是使用TreeView的实现。第二种:技术的选择是DataGrid。

故里2130 1650

AI漫剧全套万能提示词合集

今天给大家整理一套已经跑通爆款漫剧的万能提示词库!覆盖:豆包剧本人设词 + 分镜生成词 + 即梦绘图词 + 动态优化词 + 防翻车固定词直接复制粘贴,新手也能做出稳定、高清、统一、有质感的AI漫剧!你是资深短视频漫剧编剧,擅长制作60秒竖屏爆款AI漫剧,请为我创作一集完整漫剧内容。要求:开头3秒高能抓眼,中段有冲突转折,结尾留强悬念钩子,节奏紧凑、适合短视频流量。首先生成固定统一人物人设:包含脸型、五官、发色、发型、穿搭、身材、气质、画风、光影细节,要求足够精细,保证全程角色不变脸。

欢迎来到鸾姝淡月博客,专为程序员和编程爱好者打造的技术博客。我们分享编程语言趋势、开发工具、编程哲学、职业发展等,助你掌握新技术,优化技能,激发编程热情。 1857

移动端页面布局首页,记一次Android奇葩面试经历(2),Android码农是如何进入腾讯的

!最后放上一个大概的Android学习方向及思路(详细的内容太多了~),提供给大家:对于程序员来说,要学习的知识内容、技术有太多太多,这里就先放上一部分,其他的内容有机会在后面的文章向大家呈现出来,不过我自己所有的学习资料都整理成了一个文档,一直在不断学习,希望能帮助到大家,也节省大家在网上搜索资料的时间来学习,也可以分享动态给身边好友一起学习!为什么某些人会一直比你优秀,是因为他本身就很优秀还一直在持续努力变得更优秀,而你是不是还在满足于现状内心在窃喜!Android架构师之路很漫长,一起共勉吧!

2401_84104460的博客 670

52、切换线性动态系统:原理、挑战与高斯和滤波解决方案

本文介绍了切换线性动态系统(SLDS)的基本原理及其在复杂时间序列建模中的应用。SLDS结合了隐马尔可夫模型的离散状态切换与线性动态系统的连续状态演化,适用于系统动态发生跳跃的场景,如化工过程监测和金融市场分析。由于精确推理在计算上不可行,文章重点阐述了高斯和滤波这一近似方法,通过有限高斯混合来逼近后验分布,并详细描述了其递归更新、权重计算与组件合并流程。同时讨论了性能评估、优化策略及常见问题的解决方案,并展望了SLDS与深度学习、在线学习和多模态融合的未来发展方向。

algae的博客 161

奇葩面试大赏:四年没见的前女友成了我的面试官

看着正常人,实则奇葩魂。 面试,是每一个职场人都难以绕开的话题。无论你是初出茅庐的应届毕业生,还是久经沙场的职场老将,都或多或少有过一些印象深刻的面试经历。 我们在面试过程中自我迭代的同时,也不断刷新着自身的认知。当周围都是正常人时,偶尔来些奇葩闯入我们的视野,是一种平淡职场生活中的新型“调味剂”。 后厂青年在脉脉上联系了八位职场人,聊了聊他们的奇葩面试经历: 有人因为面试官的温柔鼓舞,在会议室里放声痛哭;有人在反问阶段,被面试官以“不属于本次面试范围”为由,各种拒绝回答问题;有人发...

programmerjob的博客 6086

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

记一次Android奇葩面试经历:因为没去过BAT,我被面试官“轰”出门外

其实Android开发的知识点就那么多,面试问来问去还是那么点东西。所以面试没有其他的诀窍,只看你对这些知识点准备的充分程度。so,出去面试时先看看自己复习到了哪个阶段就好。上面分享的腾讯、头条、阿里、美团、字节跳动等公司2019-2021年的高频面试题,博主还把这些技术点整理成了视频和PDF(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节,由于篇幅有限,上面只是以图片的形式给大家展示一部分。【Android思维脑图(技能树)】知识不体系?

2401_84562210的博客 872

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")

一次奇葩面试经历,没去过BAT的Android研发就不配面试架构师?

经常有粉丝问我:工作一段时间后,如何度过瓶颈期?如果你想成为一个优秀的 Android 开发人员,请集中精力,对基础和重要的事情做深度研究。对于很多初中级Android工程师而言,想要提升技能,往往是自己摸索成长,不成体系的学习效果低效漫长且无助。在这里小编分享一份自己收录整理的技术体系图,还有相关的几十套腾讯、头条、阿里、美团等公司的面试题,把技术点整理成了视频和PDF(实际上比预期多花了不少精力),包含知识脉络 + 诸多细节。如果你有需要的话,可以点击。

2401_84149896的博客 811

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

记一次Android奇葩面试经历:因为没去过BAT,我被面试官“轰”出门外(1)

第一、BAT我没有去过,但确是我追逐的目标,我一直把BAT需要的技术作为研究方向,并且根据实际用到项目中。我希望未来有一天能够进入BAT,跟你们这些大佬并肩作战。你毕竟是有多年工作经验的,我应该多向你学习。今天能有幸参与贵公司的面试,我很感谢大佬能给我这个机会。我也希望大佬能给我一点指点,我有哪些不足的,欢迎指教。**第二、**我在以前的公司里面做架构开发做了好几年,也有实战经验,对各种新技术,跨平台技术了如指掌,也多次研讨不同的技术方案选型问题,对每一种技术都是做了研究之后再决定是否采用,以及如何使用的。

2401_84149845的博客 955
上一篇: 程序员吐槽:在阿里工作带来光环,在京东却带来负面影响!
下一篇: 我是如何拿到蚂蚁金服 offer 的 ?(Java岗)
刀哥谈Java
博客等级 码龄8年 110粉丝 84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