1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

腾讯 京东oppovivo快手美团百度字节蚂蚁上面的厂都投了，有的直接简历挂了（快手  阿里挂的最严重），测评做了，有的给了笔试，但为啥大多都一直卡流程？卡在“简历筛选/评估中”，这是怎么回事？项目不行？还能找到实习吗？

先说说情况：base北京，小厂，实习月薪5000，房补1000，工作时间9.30-18.30，双休。面试内容：算法题：最长回文子串，记事本写，只看思路和大概的编程，不用运行。场景题：Spring boot应用，接口，部署到线上，初步测试，运行一段时间后，没有反馈了。怎么排查。（我讲了限流方面+死锁+缓存三件套+循环依赖，就是一顿输出）。然后根据我的回答提问了其他内容：缓存三件套处理方法，怎么判断数据库故障了。死锁怎么判断。问了一下agent的项目提示词工程和上下文工程区别。（讲了个大概，联系了项目。他指出了我的不足，但是说我联系项目很好）基本就没了，然后口头给offer，给我讲了业务还有薪资和...