上海盛迭信息科技（17min）

1. 自我介绍2. RAG 怎么优化，评估时你会看哪些指标RAG 的优化一般不能只盯着生成端，很多问题其实出在检索阶段。常见优化思路包括 query rewrite、chunk 切分策略调整、混合召回、重排序、上下文压缩和引用约束。比如文档切得太碎，召回会有信息断裂；切得太长，又容易把无关信息一起带进来，生成端会受污染。真正线上效果好的 RAG，通常不是“某个 embedding 更强”，而是检索、排序、上下文组织和回答约束配合得比较好。评估时我一般拆成两层。第一层看检索，比如 Recall@k、MRR、HitRate，看相关证据能不能被捞上来；第二层看生成，比如答案正确率、faithfuln...

量化是嵌入式 AI 部署绕不开的考点，面试官一定会拷打 INT8、INT4 量化全流程。常规提问：你做了哪种量化？训练后量化还是量化感知训练？量化后精度衰减怎么控制？很多人只知道一键量化工具，说不出底层逻辑，直接扣分。嵌入式设备存储与带宽有限，FP32 模型根本无法直接部署，必须压缩量化。要完整说明操作流程：数据集校准、算子映射、精度误差评估、异常算子手动修正。还要讲清量化带来的实际变化，模型体积压缩比例、推理速度提升幅度、内存占用下降数据。遇到框架不兼容的小众算子，如何手动替换、裁剪、自定义适配，也是加分点。

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.RAG的核心流程2.向量嵌入模型的选型3.多模态和文本在向量嵌入的时候存在什么区别4.Agent的核心组件5.Agent框架，应用场景6.大模型训练的过程7.Agent场景题（开发SQL查询 Agent），怎么设计，存在的问题，怎么解决8.AI coding场景题9.最近有没有压力特别大的事情，怎么解决的10.自我评价一下自己有哪些不足无手撕，无AI coding

家庭情况一般 父母不能支持买房 想咨询下各位大佬offer帮选