继续来分享下之前的面经~欢迎友好讨论，信息共享1. Transformer中Attention的本质是什么？你能从数学角度简要解释一下吗？2. 在Agent多轮对话任务中，你觉得Attention的局限性体现在哪些方面？3. 简要介绍一下SFT的核心流程，以及数据集的构建策略，SFT之后常见的Post-Training还有哪些？它们之间的目的有何区别？4. 什么是RAG，它是怎么提升生成质量的？与传统检索＋模型生成的流程有何不同？如何评估一个RAG系统是否work的？5. PPO和DPO在大模型对齐中的主要区别是什么？DPO训练通常有哪些注意事项？用过GRPO么？6. 项目里的Modular Agent，你能讲讲它是如何实现多步规划的吗？7. 项目提到了多个工具调用链路，调度策略是如何设计的？是否有异常fallback策略？8. Agent评估体系包括哪些维度？如何衡量planning能力 vs hallucination rate？9. 项目里微调Qwen，选择的训练阶段和Loss函数是如何决定的？10. Prompt自动推荐模块用了哪些优化策略？有没有尝试过Prompt压缩或embedding表示的方式？11. 场景题：假如一个Agent 推理链路包含3个工具+高频请求，系统整体延迟较高，你会如何优化？12. 代码：岛屿数量

最近 Claude Code 很火，但用过的同学都知道一个痛点：新开对话啥都不记得，上次说好的代码风格、踩过的坑、定好的方案——重新来过。而且在目前的面试中，面试官已经不仅仅询问你Skills，MCP，他们更看重你对于实际工程中的痛点有没有深刻的认识。最近的一场面试中，面试官就深入的与我讨论了记忆机制的落地场景，在什么时候应该用什么，然后我忽然发现，mem0并不是最好的解法，至少它绝不是唯一的解法。考虑到这儿，索性就自己写了一个开源项目，既是增强简历的竞争力，也是希望在ai浪潮中做出自己的贡献。项目是什么CapsuleMemory —— 给 AI 系统加「胶囊式记忆」的 Python 框架。G...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.如果让你设计一个AI Agent的工作流编排画布(类似LangFlow)，你会选择什么技术栈，核心难点在哪?2.在RAG(检索增强生成)系统中，前端如何优化长文档的展示与引用来源的跳转?3.谈谈AI时代下，前端工程师的角色发生了哪些转变?4.面对快速迭代的AI技术，你如何保证团队技术栈的稳定性与前瞻性?

今天给大家介绍一个非常适合上手实操的 AI Agent 开源项目——CoPaw（GitHub 12.5k star），一个真正能跑起来、用起来的私人 AI 助手。 CoPaw 是什么？ CoPaw 全称 Co Personal Agent Workstation，是一个可以部署在自己电脑或云端的个人 AI 助手框架。它不是那种只能在网页聊天的 demo，而是能接入你日常使用的各种聊天工具，帮你干活的实战型 Agent。 一句话总结： 把 AI 能力接入你的钉钉/飞书/QQ/Discord/Telegram，让它变成你的 7x24 小时私人助理。 为什么推荐这个项目？ 1. 上手极简，3 行命令...