Unity游戏Lua性能优化实战：从编码习惯到架构设计
2026/7/10 2:49:03
这个是二维动态集合，基本都是f[i][j] = min/max [i-1][j] /[i][j-1]/[i-1][j-1] + 某个数字
三角形最小路径和
要点：这个是从下到上
class Solution { public int minimumTotal(List<List<Integer>> triangle) { int n = triangle.size(); int[][] f = new int[n][n]; for(int j = 0; j < n; j++){ f[n-1][j] = triangle.get(n-1).get(j); } for(int i = n-2; i >= 0; i--){ for(int j = 0; j <= i; j++){ f[i][j] = Math.min(f[i+1][j], f[i+1][j+1]) + triangle.get(i).get(j); } } return f[0][0]; } }最小路径和
要点：从两个方向过来
class Solution { public int minPathSum(int[][] grid) { //二维dp,注意n,m int m = grid[0].length; int n = grid.length; int[][] dp = new int[n][m]; dp[0][0] = grid[0][0]; for(int i = 1; i < m; i++){ dp[0][i] = grid[0][i] + dp[0][i-1]; } for(int j = 1; j <n; j++){ dp[j][0] =grid[j][0] + dp[j-1][0]; } for(int i = 1; i < n; i++){ for(int j = 1; j < m; j++){ dp[i][j] = Math.min(dp[i-1][j], dp[i][j-1]) + grid[i][j]; } } return dp[n-1][m-1]; } }不同路径 II
要点：有个阻碍，阻碍的地方dp=0；
class Solution { public int uniquePathsWithObstacles(int[][] obstacleGrid) { //二维dp int n = obstacleGrid.length; int m = obstacleGrid[0].length; int[][] dp = new int[n+1][m+1]; dp[0][1] = 1; for(int i = 0; i < n;i++){ for(int j = 0; j < m; j++){ if(obstacleGrid[i][j] == 0){ dp[i+1][j+1] = dp[i][j+1] + dp[i+1][j]; } } } return dp[n][m]; } }最长回文子串
要点：状态转移方程 s[i][j] =字符串相等+s【i-1】【j-1】；
class Solution { public String longestPalindrome(String s) { //动态规划dp【i+1】【j+1】 = dp【i】【j】+1； int n = s.length(); int strat = 0; boolean[][] dp = new boolean[n][n]; int max = 0; for(int i = 0; i < n; i++){ dp[i][i] = true; max = 1; strat = i; } for(int i = 0; i < n-1; i++){ if(s.charAt(i) == s.charAt(i+1)){ dp[i][i+1] =true; max =2; strat = i; } } for(int len = 3 ; len <= n; len++){ for(int i = 0; i +len-1 < n; i++){ int j = i + len -1; if(s.charAt(i) == s.charAt(j) && dp[i+1][j-1]){ dp[i][j] = true; max = len; strat = i; } } } return s.substring(strat,strat+max); } }交错字符串
要点：也是状态转移dp【i][j] = dp[i-1][j] || dp[i][j-1] + 字符串相等吗
class Solution { public boolean isInterleave(String s1, String s2, String s3) { int n = s1.length(), m = s2.length(), t = s3.length(); if (n + m != t) return false; boolean[][] dp = new boolean[n + 1][m + 1]; dp[0][0] = true; for (int i = 0; i <= n; i++) { for (int j = 0; j <= m; j++) { int p = i + j - 1; // s3 当前位置索引 if (i > 0) { dp[i][j] = dp[i][j] || (dp[i - 1][j] && s1.charAt(i - 1) == s3.charAt(p)); } if (j > 0) { dp[i][j] = dp[i][j] || (dp[i][j - 1] && s2.charAt(j - 1) == s3.charAt(p)); } } } return dp[n][m]; } }编辑距离
要点：f[i][j] = min/max [i-1][j] /[i][j-1]/[i-1][j-1] + 某个数字
class Solution { public int minDistance(String word1, String word2) { //二维dp int n = word1.length(); int m = word2.length(); int[][] dp = new int[n+1][m+1]; for(int i = 0; i <=n; i++){ dp[i][0] = i; } for(int j = 0; j <= m; j++){ dp[0][j] = j; } for(int i = 1; i <=n; i++){ for(int j = 1; j <= m; j++){ if(word1.charAt(i-1) == word2.charAt(j-1)){ dp[i][j] = dp[i-1][j-1]; }else{ dp[i][j] = Math.min(dp[i-1][j], Math.min(dp[i][j-1],dp[i-1][j-1]))+1; } } } return dp[n][m]; } }最大正方形
要点：min
class Solution { public int maximalSquare(char[][] matrix) { //二维dp //dp[][] =dp[i-1][j-1] int n = matrix.length; int m = matrix[0].length; int[][] dp = new int[n+1][m+1]; int ans = 0; for(int i = 1; i <= n; i++){ for(int j = 1; j <= m; j++){ if(matrix[i-1][j-1] == '1'){ dp[i][j] = Math.min(dp[i-1][j], Math.min(dp[i][j-1], dp[i-1][j-1])) +1; ans = Math.max(ans, dp[i][j]); } } } return ans*ans; } }随机知识
🏗️ 模块一：底层架构与推理机理（必考基础）
大厂面试第一题往往从这里切入，考察你是否真的懂“物理运行逻辑”。
本质：基于Transformer的自回归概率模型，核心是预测下一个Token。
Prefill vs Decode（核心考点）：
Prefill（预填充）：处理Prompt，全量并行计算，生成KV Cache。耗时决定TTFT（首Token延迟），受算力（FLOPS）瓶颈限制。
Decode（解码）：自回归逐个吐字，利用KV Cache增量计算。耗时决定TPS（每秒吞吐量），受显存带宽（Memory Bandwidth）瓶颈限制。
KV Cache本质：缓存的是每层Self-Attention的K矩阵和V矩阵（浮点数张量），不是自然语言文本。显存占用 =
2 * Layers * Seq_Len * Hidden_Size。
面试话术：“超长上下文首字慢，是因为Prefill阶段计算量随长度平方增长；而生成过程靠KV Cache避免重复计算，但显存压力巨大，所以业界才需要PagedAttention（如vLLM）来管理。”
⚙️ 模块二：数据、训练与对齐（算法核心）
考察你是否清楚模型“聪明的来源”和“变乖的过程”。
Tokenizer：模型不看字，看Token（BPE/SentencePiece）。同一段中文在不同模型Token数不同，源于词表合并规则差异。这直接影响成本（计费）和跨语言表现。
三阶段训练流程：
预训练（Pre-training）：海量文本，自监督学习，奠定世界知识和语言分布。Base Model满腹经纶但不会对话。
SFT（监督微调）：用（指令，高质量回答）对，教会模型“对话格式”。数据量门槛：针对单一任务至少500-2000条，通用对话需数万+。100条只够做概念验证。
RLHF / DPO（偏好对齐）：通过人类偏好排序，教会模型“安全与价值观”。知道什么该答，什么该拒。Constitutional AI试图用规则减少人工标注，寻求Helpful与Harmless的帕累托最优。
对齐的核心目标：不是让模型只会拒绝，而是“该答时有证据地答，该停时停，不确定时明确说不确定”。
🧠 模块三：核心能力与致命缺陷（认知深度）
强项：In-context Learning（上下文学习）——给几个例子就能模仿；通用模式归纳——极强的泛化推理能力。
命门（工业界最头疼）：
幻觉：模型是“概率分布”而非“知识库”，会编造不存在的事实。
过时：知识截断，无法感知训练截止后的新事件。
格式不稳定：概率采样导致JSON、结构化输出偶尔崩坏。
面试话术：“本质原因是它存储的是Token间的统计规律，而非显式数据库。因此，绝不能把LLM当作搜索引擎，只能当作‘推理引擎’。”
🔧 模块四：工程落地与增强（大厂生存技能）
面试官最看重这一块，看你如何把“有缺陷的模型”变成“可靠的产品”。
提示词工程（结构化）：优秀Prompt =角色锚定 + 清晰指令 + 输入上下文 + 格式约束（JSON Schema）+ 兜底策略。本质是压缩概率空间，消除歧义。
RAG（检索增强生成）：解决幻觉和过时的外挂知识库。核心Prompt原则：“仅基于以下参考资料回答，禁止使用预训练知识”。
Agent（工具调用）：赋予模型“手”和“脚”。关键在于设计决策路由——让模型决定何时调用API（查天气/算数），何时直接回答。
解码约束（工程捷径）：固定格式（如JSON）不一定要靠SFT硬学，可用Guidance / JSON Mode在解码层强制约束，性价比极高。
🚀 模块五：大厂面试的“升维打击”认知（定薪分水岭）
如果你能在基础之上，说出下面这几点前沿商业洞察，这就是你拿SSP Offer的资本：
Scaling Law（规模法则）：模型能力与参数量、数据量、算力呈幂律关系。但大厂现在已从“盲目堆参数”转向“MoE（混合专家）”——用稀疏激活降低推理成本。
长上下文的工程代价：上下文从128K扩展到1M，KV Cache显存呈线性增长。这是为什么大厂狂卷Multi-Query Attention (MQA)和Grouped-Query Attention (GQA)的原因——为了压榨显存。
Post-Training（后训练）的重要性：基座模型决定上限，后训练（SFT+RLHF）决定下限和产品体验。大厂算法团队80%的人力其实不在预训练，而在构造SFT数据和RLHF偏好对。
成本意识（面试必杀技）：落地时，能用Prompt解决的绝不微调，能用小模型（如7B）解决的绝不用大模型（如70B）。
🎯 终极面试腹稿（串联所有模块）
面试官：“请谈谈你对大模型的理解。”
标准满分回答框架：
“面试官，我认为大语言模型本质上是一个基于Transformer的通用推理引擎。在原理上，它通过自回归预测下一个Token，推理分为Prefill（建立KV Cache）和Decode（逐字生成）两阶段，前者制约首字延迟，后者受限于显存带宽。
在能力构建上，它经历了预训练（注入知识）→ SFT（学习对话格式）→ RLHF/DPO（对齐人类偏好）三步。需要特别强调的是，SFT解决‘会不会答’，RLHF解决‘该不该答’，两者不能混淆。
落地时，它存在幻觉和知识过时的天然缺陷，所以不能裸用，必须结合RAG补充实时知识，通过结构化提示词强制输出格式，必要时辅以工具调用处理精确计算。
最后，作为工程师，我的核心考量是成本与效果的权衡：能用System Prompt约束的，绝不用微调；能用7B MoE模型承载的，绝不调用70B稠密模型。”
碎碎念：后续会更新每天学习的八股和算法 题，开始准备秋招的第60天。努力连续更新100天！以后每天就按，秋招项目【java +agent】，科研，必做项目，算法，八股，锻炼身体来总结。
总结：60天了，唯一的收获应该就是不怕看代码了，相信自己
1.算法面试150 133/150 2h
2.秋招项目，【java 项目】，
【agent 项目 】，
3.科研要跑一下，
4.实习；7h
6.背八股，2h
7.锻炼身体，
总结：今天看来大模型的八股，继续加油，继续整理项目的内容【这周周末加油看看能不能来个大总结吧，也得抓紧时间总结出个完整版应对秋招了】