来自网络，供个人学习 某讯 两个
先完成后完美
计算机网络：
1.OSI七层，TCP/IP四层
物理层，数据链路层，网络层，传输层，会话层，表示层，应用层
2.TCP/IP四层及对应协议
网络接口层，网络层（IP），传输层（TCP/UDP）,应用层（HTTP，DNS，SMTP）
操作系统：
1.进程和线程区别
- 进程：资源分配的最小单位。拥有独立的内存空间（堆、栈、数据段），进程间切换开销大。
- 线程：CPU调度的最小单位。共享所属进程的内存资源（堆、方法区），拥有独立的栈和程序计数器。线程间切换开销小。
2.原子类和CAS
基于硬件级别的 CAS (Compare-And-Swap) 指令。CAS 本身是一条 CPU 指令，不可分割，不会被线程调度打断。
ABA 问题 ：值从 A 变 B 又变回 A，CAS 会认为没变过。解决方法是加版本号（AtomicStampedReference）。
3.页面淘汰算法
- OPT (最佳置换)：理论算法，淘汰未来最久不用的（无法实现，用于衡量标准）。
- FIFO (先进先出)：淘汰最早进入的（可能出现 Belady 异常）。
- LRU (最近最少使用)：淘汰最近一段时间最久未使用的（常用，效果好）。
- Clock (时钟置换)：LRU 的近似实现，性能好，开销小。
mysql：
1.mysql如何实现持久性
- 通过 Redo Log (重做日志) 实现。
- 机制：事务修改数据时，先写内存（Buffer Pool），同时写 Redo Log（顺序写磁盘）。即使宕机，重启后可根据 Redo Log 恢复未刷盘的数据。
2WAL技术，为撒先写日志再写磁盘
顺序写日志：Redo Log 是追加写入，顺序IO，速度极快，且日志文件小，容易落盘。
redis:
java八股：
1.基本数据类型，容器
整数型、浮点型、字符型、布尔型
collection List（有序，可重复） set（无序（部分有序）、不可重复）
2.arrayList 和LinkedList结构 场景
arraylist基于动态数组，支持随机访问，增删慢，扩容时有拷贝开销；适用于读多写少，频繁访问的场景
LinkedList基于双向链表，需要遍历访问，增删快；写多读少
3hashmap底层原理
下篇写下
4.二维数组存储和按行遍历还是按列遍历性能高
- 存储 ：Java中的二维数组实际上是**"数组的数组"** 。
int[][] arr是一个引用，指向一个一维数组，该数组的每个元素又是一个指向另一块内存区域的一维数组的引用。内存不一定连续。 - 遍历性能 ：按行遍历更快 。
- 原因：虽然每一行内部的内存是连续的，但行与行之间可能不连续。按行遍历（外层循环行，内层循环列）符合局部性原理（Spatial Locality），CPU缓存命中率更高。按列遍历会导致频繁在不同行的内存块之间跳转，缓存失效（Cache Miss）严重。
5.怎么解决线程竞争，synchorized和reentranlock区别，哪个性能更高
- ReentrantLock：显式锁，功能更灵活。
- Atomic 原子类 ：如
AtomicInteger，基于 CAS (Compare-And-Swap)。 - ThreadLocal：线程隔离，每个线程拥有一份独立副本（如果不需共享结果）。
- 并发容器 ：如
ConcurrentHashMap。
| 特性 | synchronized | ReentrantLock |
|---|---|---|
| 层面 | JVM 关键字 (内置锁) | API 类 (代码级锁) |
| 释放 | 自动释放 (代码结束或异常) | 必须在 finally 中手动 unlock() |
| 灵活性 | 较低 | 高 (可中断、超时尝试、公平/非公平) |
| 条件变量 | 配合 wait/notify |
配合 Condition (可绑定多个条件) |
| 性能 | JDK 1.6 优化后两者性能接近 | 高竞争下略优，低竞争下差别不大 |
- 非公平 vs 公平：默认都是非公平锁（性能更好）。ReentrantLock 构造函数可指定为公平锁。
- 性能哪个好 ：在高并发激烈竞争下，
ReentrantLock通常略好；但在一般场景下，由于 JVM 对synchronized做了大量优化（偏向锁、轻量级锁、重量级锁升级），两者差异很小。首选synchronized因为不易出错（自动释放）
项目难点：
ai：
1.有了解过openclaw吗，底层是怎么做的
感知->规划（plan）->行动(tools，skills)->记忆（memory）->反思（reflection）
感知：多模态识别（ocr，whisper）、全渠道接入
规划：LLM 和system prompt
行动：tools skills
记忆：短期记忆 长期记忆
反思
OpenClaw 的底层本质是一个**"基于大模型的任务操作系统"** 。它利用 LLM 作为CPU （逻辑计算），利用 Tool/Skill 作为外设驱动 ，利用向量数据库作为硬盘（记忆），将自然语言直接编译为系统动作。
对于开发者而言，学习 OpenClaw 的架构（特别是它的Tool Calling 协议 、记忆管理机制 和沙箱执行策略）是理解下一代 AI Agent 开发的关键。