攒人品中，祝大家都能拿到满意的Offer！1. 实习拷打2. 项目拷打3. 请具体介绍这两个项目的工作流以及用到的技术栈。4. 数据清洗涉及哪些步骤？这些步骤起到什么作用？5. 微调数据集的结构是怎样的？6. 微调有哪几种方法？它们有什么区别？7. 对于各种文档，你们做了哪些处理方式？每种处理方式有什么优缺点？8. 你们采用了子块和父文档关联的方式，这种方式在实际应用中的优点和缺点是什么？9. 如果有一个具有多级标题（如1级、2级、3级）的文档，我想检索一个大类时能把其下所有子类内容都带出来，你会怎么设计？10. 在构建知识库进行检索时，可以涉及哪些算法？为了提高召回率，多路召回会涉及哪些方法？11. 在多路混合检索时，如何平衡不同检索方法之间的权重？12. 知识库构建好后，如何评估它的效果和能力？具体指标如何衡量？13. 在检索阶段，我们通过多种方法提高了召回率，召回了许多知识片段。在将这些片段提供给大模型时，我们是全部给模型吗？还是有什么方法可以提高模型的推理结果？14. 在设计智能体时，你是如何选择不同类型的智能体的？智能体之间如何流转？它们的记忆如何管理？15. 多智能体是如何编排的？智能体之间的流转状态是如何管理的？16. 你们的实现没有依赖LangGraph这类框架，是基于什么考虑？17. 在你的智能体规划场景中，如果涉及到需要用户确认的操作，你们是如何设计考虑的？18. 项目中使用的MCP工具调用，主要也是用于查询和推荐数据吗？19. MCP有哪几种协议？它们之间有什么区别？

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

一.实习 拷打28min二.项目12.1 现在有了Claude Code，为什么还要去重复的做一个类似的项目呢？2.2 这个项目和Claude Code相比，核心差异是什么？有什么比他做的好，什么不如他？2.3 分层上下文管理，每一层管的是什么？2.4 摘要生成器使用什么模型做的？这个摘要质量要如何保证？2.5 有没有尝试一下关于subagent的探索？启动多个agent的作用是什么？2.6 主agent和子agent的通信是怎么实现的？2.7 有没有遇到过agent陷入死循环的情况？有什么解决方案？三.项目23.1 GRPO和PPO的区别？3.2 KL散度，具体是怎么加入的？这个值太大或者太小有什么问题？3.3 Qlora的rank怎么设置的？3.4 训练参数是怎么选的？有没有调参测试？3.5 lora和qlora的区别是什么？3.6 量化之后对训练的效果影响是怎么样的？3.7 梯度检查点的原理。它对训练速度大概减缓多少?四.随机提问4.1 平时用过哪些Ai agent的工具?4.2 你觉得Ai工具，最大的帮助场景是什么?4.3 有没有遇到过Ai应用或者工具无法解决的场景?4.4 平时写的代码或者实习写的代码有多少是Ai生成的?4.5 openclaw有没有实际使用过？有没有做相关的了解？比如它的架构设计上的优势是什么?4.6 你觉得类似于openclaw或者Claude code，它现在还有哪些地方是可以改进的?4.7 Claude code源码泄露，有没有去了解它，有什么比较创新的东西？4.8 从开发者的角度，做agent最难的部分是什么？4.9 自己做agent的时候，踩过最大的坑是什么？4.10 一个好的prompt和一个差的prompt的区别?4.11 除了Qwen3VL，还有没有使用过其他的多模态大模型?4.12 有没有了解一些端侧部署的模型?五.python八股5.1 python中的深拷贝和浅拷贝的区别?5.2 python中的修饰器知道吗?5.3 python中的字典的底层原理?5.4 死锁的条件是什么?5.5 哈希表的原理?六.Code无code

1、RAG 里的幻觉怎么解决？RAG 幻觉一般来自三种情况：没有召回到正确证据、召回到了但排序不对、证据足够但模型还是自己补。解决也要对应分层。第一层是提高文档质量和召回质量，比如切片更合理、用混合检索、做 query rewrite、加 metadata 过滤。第二层是重排层，用 rerank 模型让最相关证据排前面。第三层是生成层，要让模型严格基于证据回答，证据不足就拒答，不允许自由扩写。如果从更抽象的角度看，幻觉问题本质上是“系统回答倾向强于证据约束”。所以真正要解决的是：让系统在信息不足时学会克制，而不是为了流畅性硬编一个完整答案。2、LoRA 微调原理LoRA 是 Low-Rank ...