1、自我介绍2、项目：a.讲一个最熟悉的 Agent/RAG 项目b.项目中数据处理的难点 & 怎么解决的3、技术基础：a.大模型基础：Transformer 架构、注意力机制原理b. Agent 核心概念：规划、工具调用、记忆模块、反思机制c. RAG 全流程：文档清洗、切片策略、向量化模型、检索召回、重排序d. 向量数据库：FAISS/Milvus 原理、索引类型、性能优化e. 数据标注规范：怎么保证标注质量、数据清洗方法4、算法：a.数据召回率、精确率评估，怎么优化召回效果b.如何处理 Agent 工具调用的错误数据（数据校验、异常兜底）5、AI 业务理解：怎么提升 Agent 的回复准确性； 如何构建高质量的 Agent 训练 / 微调数据；对 MiniMax Agent 产品的理解 & 优化建议。

一、自我介绍二、项目：1.秒杀怎么做的2.项目没多问，可能不感兴趣三、八股：1.Go 相关：协程、GMP 调度，协程和线程的区别；Go 协程泄漏什么情况会发生2.MySQL 事务及实现：MySQL 索引、树、MVCC、索引覆盖，最左匹配原则，索引失效3.进程和线程区别，虚拟内存相关，RocketMQ相关四、算法：K 个一组反转链表五、AI 相关：RAG 是什么意思、主要流程；Skill 的工作模式

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.介绍你熟悉的大模型架构3.为什么 MoE 架构能在参数规模继续扩大的情况下保持训练效率？4.MoE 的路由机制是怎么工作的？为什么会出现专家负载不均的问题？5.如果专家利用率很低，你会怎么优化路由策略？6.SFT 和 RLHF 在训练目标上有什么本质区别？为什么很多模型在 SFT 后仍然需要 RLHF？7.RLHF 中 PPO 的核心优化目标是什么？写出 PPO 的目标函数，并解释每一项的意义。8.手撕：实现 滑动窗口最大值

给我面没招了，发点面经攒攒人品～1.实习拷打2.你们有没有遇到 Agent 之间“决策冲突”的情况？比如设计和代码生成不一致，是怎么解决的？3.你们为什么选择“技术方案驱动”，而不是直接让 AI 从 PRD 出码？4.你们 .catpaw/rules 这套知识库，和像 OpenClaw 这种基于 RAG 的 memory，有什么区别？5.如果知识库内容过多，AI 也会有上下文压力，你们是怎么做裁剪或者命中的？6.你们有没有做 embedding 检索？7.如果知识库里的内容是错的或者过期了，会不会对 AI 产生误导？你们怎么治理这个问题？8.在一个非常大的存量项目里（比如几十万行代码），你们是怎么让 AI 快速理解项目结构的？9.你们现在 AI 出码留用率是 50%+，那剩下 50% 主要问题出在哪里？10.在复杂业务场景下，AI 出码质量下降，你觉得是什么问题？11.AI 有没有出现过“看起来对，但其实逻辑是错的”这种情况？12.你们有没有做过代码 diff 级别的控制，比如限制 AI 修改范围？13.你们基于 Playwright 做自动化测试，那测试用例是怎么保证覆盖率的？有没有评估指标？

1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...

发点面经攒攒人品～1.项目拷打2.训练数据是如何构造的？如何做数据清洗、去重和质量控制？3.RLHF 的完整流程是什么？4.如果只使用 SFT，会带来哪些问题？5.在 RLHF 中奖励模型的训练数据是怎么构造的？6.如何避免奖励模型被策略模型“欺骗”？7.你怎么看当前大模型在对齐、安全和成本上的挑战？8.手撕：实现 区间第 k 小查询支持多次查询，要求接近 O(log n)

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.介绍实习和论文2.介绍你熟悉的大模型架构追问：两者在注意力结构、训练策略和推理优化上的主要差异。3.为什么 MoE 架构能在参数规模继续扩大的情况下保持训练效率？4.MoE 的路由机制是怎么工作的？为什么会出现专家负载不均的问题？5.如果专家利用率很低，你会怎么优化路由策略？6.SFT 和 RLHF 在训练目标上有什么本质区别？为什么很多模型在 SFT 后仍然需要 RLHF？7.RLHF 中 PPO 的核心优化目标是什么？写出 PPO 的目标函数，并解释每一项的意义。8.手撕：实现 K 个有序数组的中位数

1. 浏览器 CSS、JS、DOM 解析顺序• 解析顺序：HTML 解析生成 DOM → CSS 解析生成 CSSOM → 合成渲染树 → 渲染• 阻塞规则：CSS 不阻塞 DOM 解析，但阻塞 JS 执行；JS 阻塞 DOM 解析2. 表格相关• 表格缓存：内存/本地存储缓存数据、滚动位置、筛选状态• 首屏监控：用 Performance 监听 FP、FCP、LCP 等核心指标• 虚拟表格：只渲染可视区 DOM，用占位撑开高度，滚动时动态替换内容• 表格选型：简单用原生；大数据用虚拟表格；复杂用 AntD/AgGrid3. 前端安全• XSS：转义、CSP、HttpOnly• CSRF：Token、SameSite Cookie• 点击劫持：X-Frame-Options• 资源校验：SRI4. Tree-Shaking 原理• 基于 ES6 模块静态分析，打包时删除未引用代码，生产模式生效，不支持 CommonJS5. React 与 Vue 区别• React：不可变数据、JSX、手动更新、全量 Diff• Vue：响应式代理、模板、自动更新、精准追踪更新6. 微前端隔离（快照 vs Proxy）• 快照：保存/恢复全局变量，实现简单，性能差• Proxy：代理 window 实现沙箱，隔离好、性能高，兼容略差7. 部署与回滚• 部署：打包 → 上传静态资源 → Nginx 配置• 回滚：切换至历史版本/重新部署上一版包8. WebWorker• 作用：开辟独立线程，处理耗时计算，不阻塞主线程• API：new Worker()、postMessage、onmessage、terminate()9. AI 语音对话实现1. 前端获取麦克风音频2. ASR 转文字3. 发送大模型获取回答4. TTS 转语音5. 前端播放10. JWT 双 Token• AccessToken：短效，接口鉴权• RefreshToken：长效，刷新用• 流程：AT 过期 → 用 RT 换新 AT → RT 过期重新登录11. MiniMax 了解• 国内 AGI 大模型公司，提供文本、语音、多模态AI 能力，低延迟、端侧优化

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目拷打2.冷启动怎么做的，具体场景，排序和召回里怎么做3.多路召回怎么合并，考虑有评分和没有评分的怎么合并4.负样本采样，随机采样会有什么影响，用batch采样呢，应该怎么做5.特征怎么做的，最重要的特征是什么，怎么衡量特征的重要性6.比较下树模型和深度学习模型，哪个效果好，为什么7.介绍下NDCG和auc8.树模型的评估指标，信息熵，信息增益怎么算的，基尼系数怎么算的，物理含义，为什么用基尼系数，不用信息增益9.手撕auc

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。

最近闲下来了发点面经攒攒人品～～～1.如果让你从零设计一个AI Agent的工作流可视化编辑器，你会如何选型和设计架构?2.如何建立一套针对前端AI应用的质量监控体系?3.在多模态(图片、语音、视频)交互中，前端架构如何保持灵活性?4.谈谈你对端侧模型(如WebLLM)的看法，它在前端有哪些应用前景?5.如何处理AI幻觉(Hallucination)在UI层的反馈设计?6.聊聊你在过去一年中遇到的最难的AI前端技术挑战及解决方案。

整体面试还是不错的，有面试过同岗的朋友欢迎评论区交流～1.在React项目中，AI逐字输出会导致组件频繁重渲染，你有哪些优化手段?2.如何设计一个可扩展的Prompt模板管理组件?3.前端如何参与RAG(检索增强生成)流程的展示优化?4.谈谈WebWorker在AI前端应用中的实际使用场景。5.如何实现一个支持"多轮对话中断"和"重新生成"的状态机?6.React Fiber架构是如何提升AI对话这种高频交互场景的响应性的?7.手写一个处理流式数据并支持中途取消的自定义Hook(useStream)。8.移动端AI聊天场景中，如何解决软键盘弹出遮挡输入框的问题?

感觉有些难度，还得再接再厉！1.请简述SSE(Server-Sent Events)与WebSocket的区别，为什么Al对话场景多采用SSE?2.在实现AI聊天列表时，如何处理长文本渲染导致的页面卡顿?3.请手写一个Fetch处理ReadableStream的基本逻辑，模拟获取AI流式输出。4.如何实现一个自动滚动到底部的聊天容器，并处理用户手动向上滚动时的冲突?5.Promise.all和Promise.allSettled的区别是什么?在调用多个模型接口时你会选哪个?6.CSS如何实现一个类似ChatGPT的打字机光标闪烁效果?

1面（约60min）：基于项目提问：1.如何防止恶意iframe内嵌到页面2.什么是跨域？常见的跨域解决方案3.websocket和sse的区别；websocket怎么建立连接；5.多会话的websocket怎么实现的，讲讲方案4.大模型流式输出方案：fetch+reableStream.........算法题：1.异步调度器2.无重复最长子串的长度反问--------------------------------------------2面（约60min）：：基于项目提问：1.多媒体格式转化插件的浏览器兼容方案2.microapp微前端的了解3.传统iframe的缺点，如何解决url丢失，dom节点割裂4.延申了wujie，讲讲对wujie的了解，怎么实现沙箱，如何建立dom的proxy代理机制(类似vue的发布订阅者模式).........算法题：1.手写eventEmitter类2.回溯-目标和反问-------------------------------------------3面（30min）：看看落地的ai项目的代码并进行提问.........算法题：1.三角形最小路径和反问------------------------------------------hr面1.如何快速地熟悉项目及进行需求开发2.你的缺点是什么3.讲讲未来前端发展趋势4.讲讲对AI、Openclaw的理解--------------------------------------------感觉现在基本不会纯八股文开局，更多的是拷打项目，穿插八股，更多的是看个人的思考与理解，笔者认为简历上还是要有自己一个比较完善的项目，最近在面试感觉也欠缺这部分，感觉挺多面试官想通过你演示的项目来进行拷打的

总结一下最近面试的 agent 实习面试，包括深信服，anker，minimax，万物云，吉比特整体感觉是：不再考 “你会不会用大模型”，而是考 “你能不能把 Agent 系统跑在真实工程里”。下面把我遇到的高频 Agent 面试题，按模块系统性总结一下，供后来者参考。一、Agent 在学术 / 工程上是如何拆分的？高频问题：Agent 在学术上由哪些部分组成？和普通 LLM 应用有什么区别？二、上下文工程 vs Prompt 工程（几乎必考）高频问题：上下文工程和提示词工程有什么区别？三、如何减少幻觉（Hallucination）高频问题：Agent 如何减少幻觉？在工业场景下怎么做？四、多 Agent / 多异步任务下，如何防止上下文污染？五、RAG 流程（几乎场场都有）六、MCP vs Tool / Function Calling七、工程基础Redis 为什么单线程？HTTPS 握手流程？经典算法（课程表 / 拓扑排序）SFT/PPO/DPO/GRPO 的区别，微调一个大模型的流程是什么样的？

从输入一个Url到页面渲染的过程首屏优化方案Qiankun沙箱机制什么情况下会造成重排重绘V3响应式机制浏览器缓存vite热更新vite为什么快ref reactive区别nestjs依赖注入手写深拷贝买卖股票最佳时机

1. 自我介绍2. 上一段实习主要做了哪些业务？3. Agent Benchmark方面主要是针对通用Agent还是垂类agent？4. 请说一下在benchmark开发过程中，印象比较深得是哪一个benchmark，背景是啥，难点有哪些，学到了什么？5. 如果需要你做一个多模态的agent benchmark框架，你会如何实现？6. Python中哪些类型是不可变类型？7.python中的进程和线程有什么区别？8. 用过装饰器，迭代器，生成器嘛，讲一下9. OSI模型结构10. TCP/IP在哪一层11. TCP/UDP有什么区别？12. 代码题:  Z字形排列 leetcode中等难度题13. 反问14. 还有几个问题我忘记了。。。。体验：1. 网络不太好所以体验可能不是很好2. 回答不太好的地方：1. 生成器 迭代器 装饰器，我说的不是很细致 ，重点说了装饰器，另外两个一笔带过了就，当然也只是AI辅助下用过2. OSI模型结构，自下而上回答的，中间有顺序说反了3. TCP/IP回答是在传输层，应该分开答的，TCP传输层IP网络层，当时只回答了传输层。。。3. 代码题：只有一两个测试数据，难度leetcode中等题目，网络不太好线上IDE加载不出来，随便说了说思路，但是这题之前看leetcode没刷到过，第一次看有点懵逼找了半天Z形。。。。总结：1. 基础知识八股文要背的呀，之前从来没背过，虽然很多知识看一遍就能记起来，但是还是要多少看一下的2. 最近几次面试感觉比较喜欢考中等难度的这种非算法题，是让你找规律的这种题，不像著名的滑动窗口或者动态规划这一类的，感觉这种题找规律或者说去拼很花时间3. 整体还好吧，上次实习时间过去比较久了而且当时没有在自己电脑写实习记录导致很多细节都忘记了，回答的比较笼统，所以再实习还是做好记录吧

感觉有点拷打1.如何维护多异步任务下上下文窗口不被污染，2.rag流程3.mcp和tool区别4.redis的单线程模型5.https的握手流程6.手撕：课程表