想找个中小厂实习，到现在投了四五天了就字节给了一面(前段时间投的大厂实习现在老实了)

📍面试公司：AMD🕐面试时间：前几天💻面试岗位：Agent工具开发（实习岗）❓面试问题：这次面试问的几个问题主要是围绕LLM和Agent在问，整个面试过程里我一直在主动去聊，所以面试官问的问题就比较少，很多没问都是因为我自己就全说了，但是主要的问题还是可以整理为：说一下简历上的项目，你做了什么。了解LLM微调吗？如何减少大模型的幻觉让它不瞎说。Agent工具了解吗，简单说说。你用龙虾做了什么？说一下Langchain和Langgraph。说说Agent的工作流程。聊聊RAG。MCP是什么？🙌面试感想：整体面试时间不算长，跟面试官聊的也非常好，后续面试也是通过了，不过因为一些原因不打算去...

非科班转agent，投了十几家大厂，约了两家都是KPI面。一个是腾子面试官简历都没看，一个是东子面试官评价不错然后给我挂，其余都卡简历，想请各位大佬指点迷津，拷打一下我这low到不能再low的简历

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...