1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

搞笑呢？？？？？

项目经历之外，也问了基础和端侧 AI Agent 理解这场高通一面整体给我的感觉是，节奏比较平，先从自我介绍和项目经历展开，然后慢慢转到计算机基础、Agent 理解、岗位匹配度和实习安排这些内容。不是那种一上来就连续追问很深的底层细节，更像是在确认你的背景是不是和岗位方向对得上，以及你是不是具备继续做这类工作的基础。开头还是常规自我介绍。我主要讲了自己现在做的方向，包括 AI Infra、底层性能优化、算子开发、图优化这些，也讲了在一段 GPU 软件栈相关实习里做过的几类事情，比如算子性能优化、算子融合、稳定性问题排查，以及在学校里做过的一个量化推理 runtime 小项目。这里我还是尽量把重...