大家好，我是二哥呀。
每到年底，我都会有一种时不我待的感觉——还有好多事情没有做完呢！
不知道大家有没有相同的感受（想紧紧抓住多干点事）～
今天我们来盘点一下拼多多的 26 届校招薪资， 我已经收录在《Java 面试指南》 专栏中。这几乎是互联网大厂最后的期盼，通常都会开的比较高。
- 硕士 211，Java 后端开发岗，开了 36k，认识的全都比我高，心态有点崩，base 上海；
- TOP2，算法岗，开了 50k，明确 11116，比预期中的低很多；
- 硕士 985，后端岗，开了 39k，感觉开的还可以；
- 硕士 985，服务器研发，开了 35k，实习转正，和预期差距有点大，拒了。
对比其他家，拼多多开的其实很高 了，但无一例外，大家希望拼多多能开的更高（😄）
毕竟工作强度摆在那。另外，也可以间接证明，互联网大厂在疯狂卷 AI 这一年，开的薪资都很高，26 届几乎可以说是 23、24、25 届最羡慕的一届。
27 届看这势头，应该也会非常值得期待，这就是 AI 时代的红利，人们在 AI 的浪潮中又看到了新的曙光。
视金钱如废土，哦不，视金钱为动力的同学们还是要激发斗志，猛猛冲啊 🤣。
国内的大模型公司智谱、MiniMax 纷纷递交了招股书，释放的信号可见一斑。
拼多多虽然没有直接去卷大模型，但也在积极的推进大模型基建，上周的文章里我们也提到过。一位球友拿到了拼多多的 AI infra offer，薪资给的非常可观。
拼多多母公司的另外一个产品 Temu，相信大家也都有所耳闻，海外版的拼多多，目前体量可能已经接近拼多多的国内主站了。
拼多多联席董事长陈磊就曾在股东大会上讲过：Temu 用 3 年走完了拼多多国内电商 10 年的路。
可能有同学存在这样那样的偏见，觉得拼多多肯定没人去，但我要告诉大家一个数字：拼多多目前的员工数约为 2.3 万，妥妥的互联网大厂啊。
该冲还是要冲，你可以拿到 offer 后不去，但千万别简历都舍不得投（😄）。
多说一句，考研结束了，26 届参加考研的同学，估计接下来会有一大波冲入到春招的准备当中（往年就是这么一个情况）。
虽然复试的准备也很辛苦，但奔着两手准备的原则，只能咬牙再坚持坚持，毕竟春节后春招就开始了，也就还有 2 个多月的时间。
对了，冲寒假前日常实习的 27 届同学，记得把简历准备好，我现在每天改的简历中，也几乎都是 27 届的同学。
对于没办法实习，但仍然想要拿派聪明 RAG 这个项目去面试的同学，我这里分享一个攻略：如何掷地有声地介绍派聪明这个项目，打动面试官。
面试官你好，简单来说，派聪明是一个企业级的 RAG 问答知识库。您可以把它想象成一个私有化部署的、专门针对企业内部文档的 ChatGPT。
员工可以上传公司的各种资料，比如产品手册、技术文档、规章制度、会议纪要等，然后通过自然语言对话的方式，快速准确地从这些海量资料中获取信息。
我是借鉴了 anythingLLM 这个产品来实施的，代码层面有使用 Claude Code 来辅助完成。
这个项目的核心是基于目前业界非常流行的 RAG 架构。
我来为您拆解一下整个技术流程：
后端主要采用 Spring Boot 3 全家桶，配合 Java 17 。前端是 Vue 3 结合 Vite 。数据和中间件层面，我用了 MySQL 做业务数据存储， Redis 做缓存， Kafka 作为消息队列， Elasticsearch 作为向量数据库和全文检索引擎，以及 MinIO 作为对象存储服务。
用户通过前端界面上传文件。后端接收到文件后，会将其存入 MinIO 对象存储中，这样做的好处是便于管理非结构化数据。文件存入 MinIO 后，系统不会立即处理它，而是创建一个文件处理任务对象，包含文件的路径、上传者信息等，然后将这个任务发送到 Kafka 的 file-processing-topic 主题中。使用 Kafka 的目的是异步和削峰填谷，即使瞬间有大量文件上传，系统也能平稳处理，不会阻塞用户请求。
Kafka 的消费者监听到任务后，会从 MinIO 下载文件。我使用 Apache Tika 这个库来解析文件内容，它很强大，能自动识别并提取 Word, PDF, Markdown 等多种格式的文本。提取出的长文本会被切分成小的文本块（Chunks） ，为后续向量化做准备。
接下来，系统会调用一个外部的 Embedding 模型服务，将每一个文本块都转换成一个高维度的数学向量。然后， 文本块原文和它对应的向量会一起被存储到 Elasticsearch 中。Elasticsearch 在这里扮演了向量数据库的角色，同时我也利用了它强大的 BM25 全文检索能力。
当用户提出一个问题时，系统同样会将用户的问题文本进行向量化。
然后，系统会执行一次混合搜索（Hybrid Search）：一方面在 Elasticsearch 中进行 向量相似度搜索 ，找到与问题向量最接近的文本块；另一方面进行关键词搜索（BM25） ，匹配关键词。结合两者的结果，就能非常精准地召回最相关的知识片段。
最后，派聪明会将召回的这些知识片段作为上下文（Context），连同用户的原始问题，一起打包成一个 Prompt，发送给一个大型语言模型（LLM）。
LLM 会根据我提供给它的上下文内容，生成一个忠于原文的、流畅的回答，并通过流式接口实时返回给前端，用户体验就像和真人对话一样。
大家可以把这段介绍反复背，背到滚瓜烂熟。
就像球友在 VIP 群里吐槽说，现在面试除了派聪明，其他都问的少，面试官巴不得派聪明的每一个标点符号都问一遍。
别抗拒，现在每个人都在被 AI 裹挟着往前，面试官不例外，我们求职者也无法置身事外。
当前这个节点，更像是一个时代切片——每一家公司都在把钱、技术往 AI 上靠，拼多多也不例外。
这本身就说明了一件事：大家都在用最现实的方式下注未来。
跟着拼吧！吧！
ending
一个人可以走得很快，但一群人才能走得更远。二哥的编程星球已经有 10900 多名球友加入了，如果你也需要一个优质的学习环境，戳链接 🔗 加入我们吧。这是一个 简历精修 + 编程项目实战（RAG 派聪明 Java 版/Go 版本、技术派、微服务 PmHub）+ Java 面试指南的私密圈子，你可以阅读星球专栏、向二哥提问、帮你制定学习计划、和球友一起打卡成长。
最后，把二哥的座右铭送给大家：没有什么使我停留——除了目的，纵然岸旁有玫瑰、有绿荫、有宁静的港湾，我是不系之舟。共勉 💪。
回复