Shopee大模型算法一面 （已过

一、Agent Memory的结构形式1.Token-level memoryToken-level memory 将信息存储为可持久化的离散单元，这些单元是外部可访问且可解释的。“token”在这里是广义概念，不仅包括文本 token，也包括视觉 token、音频帧等任何可在模型外写入、检索、重组与修改的离散元素。按照组织架构的不同，Token-level Memory可以分为三大类：Flat Memory（1D）、Planar Memory（2D）和Hierarchical Memory（3D）。✅Fat MemoryFat Memory 将信息存储为离散单元的集合，但不显式建模它们之间的关系。✅Planar MemoryPlanar Memory 在单层结构中引入显式关系（如图、树、表），但没有跨层结构，其核心突破是：从“存储”升级为“组织”。✅Hierarchical MemoryHierarchical memory 在多层结构中组织信息，并通过层间连接形成“立体 memory 空间”。主要形式有“金字塔结构”和“多层模块结构”。二、Agent Memory的功能角色✅扮演事实记忆（Factual Memory）的时候，可以：用于存储稳定的、可复用的客观知识，例如用户信息、世界知识、业务规则等。在推理过程中，Agent 可以通过检索这些记忆来补充上下文，从而避免重复查询外部知识源（如 RAG），提高响应效率与一致性。同时，事实记忆还可以通过持续更新来保持知识的时效性，例如覆盖过期信息或修正错误事实。通俗来说，就是记录一些事实信息，比如用户偏好信息、领域内容基本常识、业务规则等等。✅扮演经验记忆（Experiential Memory）的时候，可以：记录 Agent 在历史任务中的行为轨迹、决策过程以及对应的反馈（成功或失败）。这些记忆可以被用于总结经验、抽象策略，并在后续类似任务中进行复用，从而提升决策质量。✅扮演工作记忆（Working Memory）的时候，可以：在当前任务执行过程中，临时存储中间推理结果、上下文状态以及多步任务的阶段性信息。它类似于一个“思考缓冲区”，用于支持复杂推理、多轮交互或长链路任务执行。Factual Memory 和 Experiential Memory 在系统运行之前或运行过程中被持续沉淀下来，用于在后续任务中被直接检索和复用，为模型提供稳定的知识与经验支持。而 Working Memory 则不同，它并不是预先存储好的，而是在当前任务或交互过程中实时构建，用于记录中间状态、上下文以及推理过程中的关键信息。三、Agent Memory的运作流程1、Memory Formation（记忆形成）该过程将原始经验转化为高信息密度的知识。关键点：不再简单记录所有历史只保留长期有价值的信息成功的推理模式环境约束关键事实2、Memory Evolution（记忆演化）该过程负责：将新记忆整合进已有记忆库保持系统的：一致性（coherence）泛化能力（generalization）效率（efficiency）3、Memory Retrieval（记忆检索）这一部分要解决的问题是：如何在推理过程中检索并利用这些记忆。我们将记忆检索定义为：在合适的时刻，从某个记忆库中提取相关且简洁的知识片段，以支持当前的推理任务。其核心挑战在于：如何在大规模记忆存储中高效、准确地定位所需知识。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

一、重要的 API： //初始化与注册： int spi_register_driver(struct spi_driver *sdrv); // 注册SPI驱动 void spi_unregister_driver(struct spi_driver *sdrv); // 注销驱动 //数据传输： int spi_sync(struct spi_device *spi, struct spi_message *message); // 同步传输，会阻塞，返回值: 0-成功传输, 负数-失败码：传输失败 int spi_async(struct spi_device *spi, struct ...

继续来分享下之前的面经~欢迎友好讨论，信息共享1. wrrf与bm25的权重配置2. Rag系统中端到端满意度的评估方案（为何不在检索生成阶段分别评估）3. Rag意图理解query改写与routing机制如何实现4. Dpo中数据配比，对grpo理解，为何不用grpo5. 多agent框架理解，skills的优势在哪。6. 数据飞轮如何实现来迭代调优7. 精排阶段为何不用更优的reranker模型（推理性能资源有限，后续迁移到reranker模型加蒸馏）8. leetcode 简单动态规划

AI岗位需求暴涨12倍、月薪6万+，这数据确实诱人。但若让我重新选择专业，估计还是不会盲目的ALL IN AI。高薪就意味着极高的门槛。大模型算法这些岗动辄要求名校硕博、顶会论文，普通开发者转行面临激烈竞争，很可能沦为“调参侠”或数据标注工，在泡沫退去时被淘汰。况且技术迭代太快，今天的热门技能明天可能就过时，焦虑感如影随形。其实按道理来说 ，大学学的也是ai专业， 什么机器学习 ，深度学习 ，NLP那些 ，但是双非还是让我选择了java(ps : 考研也坠机了) ，但是其实对于ai这东西还是抱有很大的意愿的 ；与其拥挤地追逐“造AI”，我更倾向务实地“用AI”。在原有专业基础上，利用AI工具提...