-
面试链表反转需先定义问题本质并明确O(1)空间约束，再用STAR-L法结构化表达：背景、任务、三指针思路、复杂度及关联扩展，同时预判陷阱、精准运用Python特性。
-
globals()返回当前模块的全局变量字典，不跨模块；修改它会直接改变命名空间，但易引发维护问题，应优先用setattr()或专用配置对象替代。
-
Dropout应加在全连接层后、激活函数前或Flatten后首个Dense层前；避免加在输入层后或输出层前；训练时training=True，推理时training=False；rate为丢弃比例，典型值0.2–0.5；RNN中须用recurrent_dropout而非普通Dropout。
-
AI岗位核心要问题建模、数据敏感度、算法理解深度和工程落地闭环能力；三类岗位分别侧重数学与论文复现、分布式工程与线上指标、多模态集成与Prompt设计；Python程序员需补数据质量校验、模型全周期管理、无监督/小样本问题解决能力。
-
准确率需确保y_true与y_pred标签空间一致，多分类慎用accuracy_score；precision/recall必须指定average参数；F1平衡precision与recall，非accuracy升级版；混淆矩阵是诊断基础。
-
xs默认降维导致返回类型变化，加drop_level=False可强制返回DataFrame；重复索引易触发KeyError，需用iloc[0]或布尔索引规避；xs仅适用于单层精确匹配，性能最优但不支持复杂条件、正则或函数式查询。
-
Python3.9引入|和|=操作符简化字典合并：|创建新字典并覆盖重复键，|=就地更新原字典；相比{d1,d2}和update()更直观，仅支持字典类型且需Python3.9+。
-
需将DATABASES的ENGINE改为'django.db.backends.mysql'，并正确配置NAME（已创建的数据库名）、USER、PASSWORD、HOST、PORT及OPTIONS中的charset为'utf8mb4'；同时必须安装mysqlclient（PyMySQL仅限开发替代）。
-
freezegun通过monkeypatch标准库时间函数（如time.time、datetime.now）实现“停住”时间，不修改系统时钟；对C扩展、外部命令或time.monotonic()无效，需注意时区、auto_tick_seconds和调度器集成。
-
按频次降序排应调用most_common()方法，它返回(key,count)元组列表，全量排序用most_common()，TopN用most_common(k)，比sorted(counter.items(),key=lambdax:x[1],reverse=True)更高效且语义明确。
-
Python对象状态管理核心在于明确责任主体与变更可预测性，强调封装、契约化修改、避免隐式跃迁，并通过测试验证状态边界与一致性。
-
Counter减法默认保留负值，需手动实现零截断：遍历左右键并集，对每键取max(0,left[k]-right.get(k,0))构造新Counter。
-
不能用random.choice(list(file))读大文件，因为会一次性加载全部内容进内存导致MemoryError；正确方法是用os.stat()获取总大小、random.randint()选字节偏移、seek()定位后向前找换行符，再readline()读取并解码。
-
torch.export不能直接导出ONNX，需先用torch.export得到ExportedProgram，再通过torch.onnx.dynamo_export或第三方工具转为ONNX；要求模型可追踪、无副作用、输入仅为Tensor/tuple/dict、动态尺寸需显式声明。
-
三引号字符串是真实字符串对象而非注释，出现在语句位置即被创建；用作docstring须紧贴def/class下一行，多行文本拼接时注意缩进保留，嵌套引号需匹配，f-string与三引号组合需谨慎处理跨行和性能。
