964
大家好，我是小林。
最近收到读者反馈，在面试某个公司时，想要针对性地看该公司的面经比较困难，如果有快速 get 到公司面试重点的方法就好了。
于是，我想到一个好主意，我们何不把面经库喂给AI，这样就可以指定一个公司看面试题了！
试想一下，我下星期要面试腾讯，我直接问AI，帮我梳理腾讯的面试重点知识，那么就可以根据AI输出的重点知识靶向学习一波，这下面试需要准备的知识再也不用靠猜了！
这样复习到的知识，被面试问到的概率就会很高，这样的学习投入产出比不要太高了。
那说干就干！
技术选型
当然，我们在开发一个项目的时候，肯定首先要考虑技术选型的事情，技术选型重要的是基于场景来考虑， 比如实用性、开发成本、费用成本等等。
那么，做AI工具前，我们先来调研用哪个大语言模型。
那问题来了，国内外那么多大模型，到底哪个才是好用的呢？
于是我问了一位身处大模型行业的朋友，而他向我推荐了智谱旗下，据说性能十分强劲的GLM-4-Plus。
要说最近智谱也是动作频频啊，不但更新了基座大模型 GLM-4-Plus，还以此为契机，将旗下一系列全模型家族都上线到了bigmodel.cn。
而在 SuperBench 9 月综合榜最新的大模型评测中，国内模型 GLM-4-Plus 在本次评测中排名全球第三（国内第一），打破了国外模型对前三名的垄断。
从图中我们可以看到，国内模型在多个方面都有明显提升，包括对齐、智能体和数理逻辑等。
虽然和OpenAI还有一些差距，但也是遥遥领先其他国产大模型了！因为网络原因，我们调用OpenAI的模型不太方便，再加上国外模型对中文的适配度普遍较差。
最终我决定选择我们国产的模型GLM-4-Plus来做AI面试题知识库！
那问题来了，GLM-4-Plus是国内哪家的大模型的呢？
我调研了一下，发现是智谱团队全自研的大模型，智谱是由清华大学计算机系技术成果转化而来的公司。
在这次最新的国内外大模型的评测中，也能明显看到GLM-4-Plus的基本素质过硬，明显强于其他国产模型，进入世界第一梯队。
除此之外，我还想看看他的价格如何。
可以，零帧起手就是免费的1亿tokens，做个小应用完全够用了！
常见构建智能体的操作（文生文、文生图、文生视频、微调、知识库等），在智谱的文档里也写的相当清楚，对我们程序员的眼睛很友好！
接着，我们再看看GLM-4-Plus，到底有多厉害？能解决我的需求吗？
先来做个简单测试：「9.9 和 9.11，谁比较大？」，别看这个问题简单，之前有不少大模型都在这个简单的数学问题上翻车了。
我们，来看看智谱的GLM-4-Plus模型的回答。
很聪明，GLM-4-Plus模型回答是正确的，有意思的是，在后面也小小吐槽了其他大模型在这类简单的问题却出现了错误。
既然针对GLM-4-Plus模型的小测试，它挑战成功了，我们来继续测试测试GLM-4-Plus模型更多的能力。
文章总结的能力
面试解答的能力
最后，我把我整理的面经库交给模型，手把手教大家如何写一个可以指定公司的面试题库机器人，面试对应公司时，我们就能针对性地训练了！
GLM-4-Plus：文章总结
我在公众号已经分享了 100 多篇的互联网后端开发的面经，累计起来也有 100 万字了，其实这也是一个庞大的知识库了，但是短期着急面试的同学，肯定也看不完。
如果你突然收到了字节的面试，想要快速复习字节常考的知识点，我教大家一个高效的复习方法！
你可以从《互联网中大后端开发的面经》中找到我发布过的字节面经文章，然后把文章保存到本地文件交给了智谱AI BigModel开放平台的GLM-4-Plus模型来梳理文章的内容。
比如，我挑选了一篇字节的面经，上传之后，GLM-4-Plus会把重点内容的知识进行了分类，并且还把算法题的 leetcode 编号写出来，也方便我们可以去 leetcode 去练习这个算法题。
接下来，你可以针对不熟悉的内容进一步去学习。
比如，我跟他说「我对 RPC 与 HTTP 的区别不是很懂，请你帮我解释一下」，GLM-4-Plus模型是很认真回答了这个问题，而且罗列的也很全面。
GLM-4-Plus：面试解答
大家出去面试的时候，最好面试完之后，要把问题整理一下，并且要针对每一个问题进行复盘，这样你的成长才会比较快
为了更高效的对自己的面经进行复盘，我们可以把面试问题直接上传给GLM-4-Plus模型，让他帮我们整理！
比如，我这里找了一个同学的互联网中厂的Java后端面经，把内容保存为文件。
接着，直接上传给GLM-4-Plus模型，让它给出回答，不到几秒的时间，GLM-4-Plus模型就把所有问题的回答都总结出来了：
如果你想针对某一个问题，想具体详细的进一步学习，你可以继续追问。
比如，我让GLM-4-Plus模型帮我梳理HashMap 梳理 jdk1.7 版本和 1.8 版本的区别，一下子就给出更详细且清晰的回答了。
通过这种方式，就可以非常高效的复盘和整理自己的面经了，如果想要进一步深入某个面试题，多向GLM-4-Plus模型追问几句就可以，简单又高效！
GLM-4-Plus：针对公司的面试题库
通过文章总结，我们可以总结一篇面经文章的内容。可是，我们在准备某个公司面试时，一篇文章显然是不够的，而单纯和AI对话也不能容纳太多的上下文。
那么如果我想要制作一个海纳百川的题库，然后根据指定公司得到对应的面试题和解答呢？答案是：构建一个面经知识库！
我们只需要完成以下几步：
创建自己的API key
创建知识库：上传所有的面经
训练面试题大模型
问答：面试哪个公司就唤起哪个公司的“面试官”
创建自己的API key
调用GLM-4-Plus 模型接口调用非常简单，官方都已经给出代码示例了，只需要复制代码示例，然后把代码示例中的API密钥改成你自己的，就完事了，极大缩减了开发的周期。
首先，创建一个自己的API key。而且，完全不用担心token问题！智谱先送 1 亿Tokens：
老用户献上大礼：根据用户在9月份用量情况，赠送额度2000万到 1亿tokens的tokens资源包。
新用户巅峰起步：每位新注册用户，注册后即可获赠 1亿额度Tokens资源包。
接着，在代码里初始化client：
private static final String API_SECRET_KEY = "此处替换为你的API key";
private static final ClientV4 client = new ClientV4.Builder(API_SECRET_KEY)
.networkConfig(60, 60, 60, 60, TimeUnit.SECONDS)
.build();
创建知识库
新建一个知识库，上传各个公司的面经（这里我就上传了我整理的面经文章）。
注意，我们可以根据文章格式，配置文档类型为文章知识、问答类知识或自定义知识。
训练面试题大模型
我们设计两个角色：AI面试官和AI面试者。
AI面试官：根据我们指定的公司，从知识库找到问题提问。（此时你可以根据问题试试自己能不能答得出来！）
AI面试者：根据知识库的解答，总结并润色成“人话”。（此时你可以对比看看自己刚才回答得怎么样）
（1）我们先设计好他们各自的Prompt：
private static final String AI_INTERVIEWER_SYSTEM_PROMPT =
"从知识库中找属于{{用户给出的公司名称}}的后端开发面试题，用于向面试者提问，找不到就用自身知识提问并且告诉用户该信息不是来自文档。n" +
"如果用户没有给出公司名称，请从知识库中随机找面试问题。n" +
"要求：（1）只需要提出问题，绝对不要回答给出的问题。（2）至少给出5个问题 （3）不要直接照搬知识库内容，请将找到的内容润色成面试问题（4）按照{序号}.{面试题}的格式输出";
private static final String AI_APPLICANT_SYSTEM_PROMPT =
"你是一位求职者，你要结合知识库，清晰准确地回答面试官提出的问题。n" +
"要求：（1）优先搜索知识库答案 （2）找到答案后，润色成口语化表达 （3）使用第一人称进行回答，回答不超过200字。";
（2）第二步，我们包装一个请求函数，传入上下文（之前发过的消息）、配置知识库工具等。话不多说，直接看代码：
public static String invoke(String systemMessage, String userMessage) {
// 1. 这里的作用是收集上下文，让AI根据我们给出的上下文继续推导，也可以把入参直接改为List<ChatMessage> context
List<ChatMessage> messages = Arrays.asList(
new ChatMessage(ChatMessageRole.SYSTEM.value(), systemMessage),
new ChatMessage(ChatMessageRole.USER.value(), userMessage)
);
// 2. 配置知识库工具
List<ChatTool> tools = Collections.singletonList(createKnowledgeChatTool());
// 3. 构建请求
ChatCompletionRequest chatCompletionRequest = ChatCompletionRequest.builder()
.model("glm-4-long") // 使用最新的大模型
.stream(false) // 不使用流式输出
.invokeMethod(Constants.invokeMethod)
.messages(messages) // 已知上下文
.tools(tools) // 其他工具：网络搜索、知识库、自定义函数等
.build();
try {
// 4. 发起请求，如果想到达到GPT那种“打字”效果，可以转换为流式输出（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("调用AI失败: " + e.getMessage());
return "";
}
}
private static ChatTool createKnowledgeChatTool() {
ChatTool tool = new ChatTool();
tool.setType(ChatToolType.RETRIEVAL.value()); // 规定工具类型为搜索知识库
Retrieval retrieval = new Retrieval();
retrieval.setKnowledge_id(KNOWLEDGE_ID); // 指定知识库ID
tool.setRetrieval(retrieval);
return tool;
}
（3）搭建根据Prompt和用户输入得到回答的机器人
AI面试官：输入为面试官Prompt+公司名，让AI根据知识库调出对应公司的面试题
AI面试者：输入为面试者Prompt+刚才面试官提出的问题，让AI根据知识库的解答，回答问题
这是测试函数的代码：
public static void main(String[] args) {
String company = "字节";
String aiInterviewerReply = invoke(AI_INTERVIEWER_SYSTEM_PROMPT, company);
if (StringUtils.isEmpty(aiInterviewerReply)) {
return;
}
// 切分字符串为问题数组
List<String> questions = Arrays.asList(aiInterviewerReply.split("n"));
// 按需保存问题和答案
Map<String, String> questionAnswerMap = new LinkedHashMap<>();
questions.forEach(question -> {
String userPrompt = String.format("---公司名---n%sn---面试问题---n%s", company, question);
String aiApplicantReply = invoke(AI_APPLICANT_SYSTEM_PROMPT, userPrompt);
questionAnswerMap.put(question, aiApplicantReply);
});
// 打印结果
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）主体函数完成了，接下来我们来测试一下！也顺便看看你能不能答出来吧！
字节
阿里
腾讯
美团
最后
怎么样？
通过我前面测试的情况，大家肯定也是能明显感觉到 GLM-4-Plus 在语言理解、长文本处理、逻辑推理能力还是非常强大的。
咱们的算法和面试题方面的问题统统都能被 GLM-4-Plus 模型轻松解决，妥妥就是我们学习编程和面试的好帮手。
而且GLM-4-Plus 模型提供的SDK，也可以很简单就上手了，简单几行代码就能直接调用 GLM-4-Plus 模型接口，极大的缩减了开发周期。
随着大模型的普及，未来肯定也会出现更多有意思的AI应用，如果你正在做AI相关的应用，那么接入国内第一梯队的GLM-4-Plus 模型是不错的选择，不仅能力强，而且上手快，更关键价格对开发者太友好了。
智谱团队也给开发者们发了个大福利：新用户注册后即可获赠 1 亿额度 Tokens 资源包！
即使用完这个免费的额度 GLM-4-Plus 定价也很实在，一千 Token 仅需0.005元，相比前代旗舰 GLM-4-0520 便宜了 50%，这力度太强了，难道又要卷起一波，国内大模型价格战？
大家可以直接访问智谱开放平台 bigmodel.cn 注册领取，也可以点击下方「阅读原文」快速跳转
