1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

四次面试终成鹅孝子 😭 

有一个问题：Multi-Agent 架构到底适合什么场景？ 很多人第一反应是：“任务复杂的时候就用多 Agent。” 然后面试官就会继续追问：什么叫复杂？复杂体现在哪？引入多 Agent 的代价是什么？有没有明确不该用的场景？ 如果这些问题答不清楚，这道题基本就丢分了。 真正成熟的回答，不是“复杂任务适合拆分”，而是要给出一套可操作的判断框架。结合 Claude Code、Codex 类产品的实战经验，可以把这个问题归结为一句话： 默认先用单 Agent，只有在单 Agent 已经暴露出明显瓶颈时，才引入 Multi-Agent。 好像也是很扯。 为什么不能默认上 Multi-Agent？ 很...