一、核心项目深挖（一）AI Agent系统项目请详细介绍一下这个系统项目，包括项目背景、你的核心职责、落地成果。请解释系统的主从Agent架构设计，主Agent和从Agent分别承担什么职责？从Agent的数量是怎么确定的？如何解决多个从Agent重复探索的问题？请解释MCP和Tool Calling的区别是什么？Skill和固定的Workflow有什么区别？你们是怎么选择和平衡的？你们是怎么实现过往Agent经验的复用和Memory优化的？（二）Next.js电商项目请详细介绍一下这个电商项目，包括你的核心工作、遇到的技术难点和解决方案。二、前端基础能力考察请解释CSR、SSR、SSG分别是...

如题，一面正常，二面改成了vibecoding，给你一个周末的时间，周五发题，然后周一现场演示，还有综合评估题目。。

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...