努力拥抱AI中…1.项目拷打2.有没有部署过大模型？3.项目中对话流程是什么？4.如果面试官和AI对话生成的问题冲突怎么办？5.如果将项目升级为虚拟对话可以怎么改6.实习的这个项目还有哪些需要优化的7.你的这些实习项目哪些用到了rag8.rag的信息是怎么存储的9.用的哪些embedding模型10.embedding是怎么分chunk的11.硬切分在实践中有哪些弊端吗，有没有实际的例子12.选一个项目介绍一下react机制是怎么设计的，在实际应用场景表现如何13.这些项目哪个更适合使用模型再训练，哪些适合用rag14.微调的数据集从哪里来代码环节手撕self-attention和检测模型

一切都是未知的，期待中带有焦虑。

1. 当 Agent 依靠 RAG 回答专业领域问题时，若检索耗时超过 2 秒，你会选择让用户等待，还是先返回部分流式内容？检索重排序（Rerank）策略会对产品体验带来哪些具体影响？2. 对于金融场景的 Agent，如果工具调用返回 JSON 格式错误等结构性异常数据，除常规重试机制外，产品层面应如何设计人工兜底的触发条件与接管流程，以保障资金操作的绝对安全？3. 在评估多工具协同的 Agent 时，除任务完成率外，你会如何定义“工具调用准确率”这一指标？若模型选错了工具，但最终结果正确，这类数据该如何归因？4. 如果要引入 MCP 协议统一内部工具接口，作为产品经理，你认为这会对现有 Agent 任务规划模块带来哪些架构层面的改动？主要迁移成本体现在哪些方面？5. 面对复杂任务，你如何选择采用“对话式逐步确认”还是“一次性生成工作流供用户审核”？请结合 Token 成本与用户认知负荷两个维度，说明你的决策逻辑。

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. 实习拷打2. 你参与过模型训练吗？会觉得产品是算法工具人吗？产品视角你觉得能为模型训练贡献什么？3. 你觉得到底什么样的ai产品能赚到钱？4. 你怎么去定义badcase？标准是如何制定出来的？5. badcase的评估是你进行吗，还是有专门的外包团队？6. 了解自动化的ai-native评估方式吗？为什么你们不采用这种方式？7. 你们这个知识库主要场景是什么？传统的ai不能进行这样的知识问答吗？8. rag的流程是什么？9. rag的知识库来源是什么，其中你提到拆分逻辑，这个逻辑是怎么确定的？10. 如何优化rag里的badcase，提升rag效果？11. bert和transformer是什么，解释一下12. 为什么有这二者架构上的区别，使用场景上有什么不同？13. 大模型的大体现在哪些方面？14. 为什么传统ai没有像现在这样跑出来15. 为什么现在的ai都是一个字一个字蹦出来回答的16. 什么叫模型的过拟合？17. 什么业务该用大模型，什么业务该用小模型？