送的书和文件夹
携程首先是在去参观了一下数据大屏。在走廊里面工作环境也能看得到，也可以看到连廊里面的休闲场所，有一些简单的健身设施器材。之后是会议室里的技术分享，以及人事聊公司和校招。分享技术部分应该是这次行程中最多的。技术和人事到场。
数据大屏
首先是看了数据大屏，能看到国内以及国际实时的酒店订单、机票订单、火车票订单、景区门票订单，还有实时的排行榜。这次去的时候除了一些大城市，哈尔滨的景区门票订单也是一个热门。通过这些对热门地区规律的分析，可以指导下一年更好的对业务和技术做规划和准备。
数据大屏
后端服务&日常工作
后端服务&日常工作
后端服务可以划分为3个部分：
- 底层是一些数据和加工
- 中间是聚合层
- 顶层是App和网页
一些日常工作：
- 上午会解决一些前一天晚上的问题
- 下午解决大功能和需求
- 晚上的活动包括：模拟黑客攻击、模拟bug、大功能迭代和更新
后端职业发展
后端职业发展
关于专业能力的建议
关于专业能力的建议
这里有一个对技术的观点问题：具体的技术只是工具，也要将视角拓展到专业领域。例如计算广告、搜索引擎、大数据，每个领域都有对应的需要额外学习的理论知识。
对后端开发的要求
对后端开发的要求
在校期间可以做哪些准备
在校期间可以做哪些准备
入职之后如何快速成长
- 自驱力
- 导师制
- 项目总结
- 详尽文档，包括SOA、QMQ、Kafka、DAL、SLB、爬虫、反爬等等等等
- 如果有过算法的顶会一作，可以申请顶尖人才算法计划（天宫计划）
- 星火计划。。。。
算法例子
解决方案
对于一些海外店铺，面临的问题是点评较少，但这并不是因为商家本身质量不行，而是因为海外旅行相较于国内来说，携程的用户较少，造成商家冷门的错觉。
在这种情况下，可以利用爬虫、合作伙伴的点评提炼生成AI对该商家的简要点评。
另外一个经典的例子是，用户对于要订的酒店有价格上的，以及其他偏好（带不带早餐）。如何实现算法，预测用户喜好，并使得清单中的前列符合用户喜好。
一些其他例子
幻觉问题：大语言模型可能会“一本正经的胡说八道”，对于一个商业应用，不允许这种情况出现。
AI回答
求职的建议
求职的建议
- 第二点指的是，不建议一年换几个工作，给面试官一个不好的印象。
- 第三点指的是，不要将自己定义为一个学生，认为自己是来学习的，技术上不如其他人，要用于拥抱挑战，做出贡献。
- 第四点指的是，例如一些专家专门做NLP这个方向，认为自己做的很好并只钻研了这一个方向。但当大模型的冲击到来之时，突然发现自己钻研的NLP在解决同一个问题上完全比不过大模型。那咋办？
后端知识
后端知识
算法知识
招聘岗位
招聘岗位
应聘流程
应聘流程