【帮转，自己实习过的团队，技术和氛围都很好的，适合有兴趣的新手入门】我们是晞德求索，主要做数学求解器和工业软件核心计算引擎相关研发。目前正在招一位算法实验实习生，协助团队做求解器和算法实验相关工作。岗位类型：实习 / 远程薪资：3000 元/月时间：每周 3–4 天，具体时间可沟通主要工作：1. 运行求解器和算法实验，整理实验结果2. 协助分析算法或系统运行中的性能瓶颈3. 对实验数据做对比、归纳和简单总结4. 参与调参、benchmark、case 分析等实验支持工作5. 如果感兴趣，也可以参与算法优化和性能改进，但不是必须我们希望你：1. 是在校本科生或研究生，有一定编程基础2. 熟悉至少一门编程语言，如 Python / C++ 等3. 能看懂基本的实验说明，愿意动手跑实验、整理数据4. 做事认真、细心，能够稳定投入每周 3–4 天5. 对算法、求解器、优化问题感兴趣6. 不要求你已经很有经验，愿意学习和沟通更重要加分项：1. 接触过求解器、组合优化、数学规划、启发式算法等相关内容2. 使用过 Gurobi、OR-Tools、SCIP、CPLEX、MiniZinc 等工具3. 熟悉 Linux、命令行、脚本自动化或实验管理4. 做过算法、科研、竞赛或课程项目相关经历以上加分项都不是硬性要求，有相关经验更好，没有也可以边做边学。你将获得：1. 参与真实算法实验和研发工作的机会2. 接触求解器、优化算法和性能分析相关任务3. 远程灵活协作，适合在校生参与4. 如果感兴趣，可以进一步参与算法优化和核心问题分析有意向可以私聊我发送简历，并简单说明你做过的编程、算法、实验、求解器或相关项目经历。

希音这家公司也是第一次面试，感觉整体还是偏难的1 先做个自我介绍2 讲一下你目前做的项目，主要是用了哪些技术栈，解决了哪些问题，做了哪些优化3 对于数据湖你能说一下各个湖仓的优缺点吗，你目前用的哪个，主要是用了哪一块技术和实现4 对于flink来说，对于一条主流一天有千亿级别数据，目前对于数据实时写入Doris存在这性能瓶颈，第一个问题是解析比较慢，第二个精确一致写入比较慢，你如果来优化需要怎么入手，对于优化的话怎么实现不延迟不oom5 目前有个场景，需要每10秒看到某个APP的主页的实时uv并且需要取top100个页面，你来实现如何做到实时秒级计算和展示，数据量级有亿级起步6 对于离线模型，如果存在一个画像需求，对于某些人群或者漏斗需要做到每天周期2点前产出，你如何保证这个时效性7 目前你建设模型是怎么建设的，如何确保你这个模型是合理的，有啥量化的8 对于数据倾斜如何快速定位，如何实现快速解决数据倾斜，除了加资源和join改变还有啥方法9 对于数据治理有啥好的办法快速治理，你来主导治理的话主要是从哪一块入手，解决哪些问题10 来个SQL题目，取一支股票的最大利润11 有啥需要找我了解的我这还是第一次面试这家公司，给我的感觉似乎还比较难啊，技术深度算是比较深了，对于面试的人来说必须要有这方面的经验才能解决上面的问题，要不然感觉估计答不出来

个人情况 27届硕士ai毕业生，目前手握两个实习offer，纠结该选哪个，想听听牛友们的建议～🙏Offer详情1. GE医疗（GE Healthcare）• 岗位：AI相关功能开发（CT核心部门）• 地点：北京• 实习时长：12周（6月-8月）• 转正情况：有转正名额• 实习薪资：180元/天• 转正薪资：HR说年包大概30w• 面试体验：技术面1小时，问得不深，已拿offer2. 华为（Huawei）• 岗位：AI模型工程师-端侧大模型（计算产品线）• 地点：上海• 实习时长：不固定（可能较长）• 转正情况：明确无转正名额• 实习薪资：9k + 2k• 转正薪资：看秋招定级• 面试体验：笔试+技术面，已拿offer纠结的点1. GE有转正，外企；华为无2. 行业赛道：医疗AI 但内容不确定 vs 方向不固定内容不确定。想听听大家的建议• 从技术成长和行业前景看，哪个方向更值得深耕？• 如果目标是秋招进大厂，哪个实习经历更有帮助？• 有没有了解这两家公司内部情况的大佬，透露下实际工作强度和技术氛围？真心求建议，欢迎任何角度分析～回复时麻烦说下理由，感谢！🙇‍♂️

一、基本情况与项目背景1.请做一个简单自我介绍。2.你简历里的两段 AI 项目和字节实习经历，整体技术背景是什么？二、计算机基础3.顺序存储和链式存储有什么区别？在随机访问、遍历、插入删除上的效率分别如何？4.HTTPS 的加密原理是什么？对称加密和非对称加密有什么区别？为什么 HTTPS 要结合两者使用？5.高并发场景下，数据库性能可以从哪些方向优化？比如索引、分库分表、缓存分别适合解决什么问题？6.Redis 缓存穿透、缓存击穿分别是什么？一般怎么解决？三、RAG 与检索系统7.RAG 的完整流程是什么？从文档处理、分块、向量化、索引、检索、重排到生成答案，每一步分别做什么？8.混合检索一般包含哪些方式？向量检索和关键词检索分别适合什么场景？9.向量检索在哪些情况下表现不好？比如专业名词、日期、编号、精确字段为什么更适合关键词检索？10.如果 RAG 检索质量比较低，可能是什么原因？你会从 Query 改写、Embedding 模型、Top-k 召回、重排、关键词匹配等方面怎么优化？四、大模型生成参数与输出控制11.如果希望大模型输出更稳定、更确定，可以调整哪些参数？Temperature、Top-k、Top-p 分别有什么作用？12.除了调参数，提示词层面如何提高输出的准确性、确定性和可追溯性？五、LangChain / LangGraph 技术选型13.你的项目为什么选择 LangChain？14.LangChain 和 LangGraph 的区别是什么？什么场景下 LangGraph 更适合？六、Multi-Agent 架构设计15.你的多 Agent 系统是怎么设计的？主控 Agent、子 Agent、分析 Agent 分别负责什么？16.多 Agent 之间是如何协作的？任务编排、工具调用、状态管理和结果汇总是怎么做的？17.相比单 Agent，多 Agent 在上下文隔离、职责拆分、问题排查方面有什么优势？又会带来哪些复杂度？七、金融 Agent 的幻觉控制与冲突处理18.金融场景对准确性要求高，你做了哪些减少幻觉的设计？比如降低 Temperature、引用来源、无依据不输出等。19.如果实时新闻和知识库结论冲突，你会如何处理？如何根据用户意图判断该更信实时数据还是长期经验？20.系统里有行情数据、新闻数据、知识库数据等异构数据，你是如何分别处理的？如果要统一检索，会如何设计 metadata、过滤和重排策略？八、AI 交互系统与上下文管理21.你项目里的滑动窗口 / 类滑动窗口上下文管理是怎么做的？超过 token 限制时如何丢弃或保留历史？22.如果不想直接丢弃历史对话，如何通过摘要机制、长期记忆、短期记忆来优化上下文管理？23.子进程调用 AI 接口、主进程通过 JSON 通信这一套机制是怎么设计的？为什么不让主进程直接调用？24.如果子进程调用 AI 接口超时、崩溃或失败，主进程如何感知、重试、记录日志和停止重试？九、Agent 评估体系与后续优化25.你的 Agent 系统现在是怎么评估效果的？如果要做完整评估体系，会从人工评测、测试集、系统指标、RAG 指标、用户反馈哪些方面建设？26.如何评估工具调用成功率、接口超时率、运行成功率、检索召回率和回答质量？27.你的 Agent 后续有哪些优化方向？比如长短期记忆、用户画像、反馈闭环、动态调整子 Agent 权重等。28.为什么 Agent 的“自动自进化”比较难，仍然需要人工干预和质量评估？