📍面试公司：美团🕐面试时间：4.9💻面试岗位：一志愿Agent简历挂，二志愿java后端捞起来🙌面试感想：面试官难评，没有压力但是也没有反馈，八股问的不是很深，说对说错就点头没下文了，算法题也是hot100外的hard题，对于只会hot100的我很难崩，深度怀疑是kpiAgent（20分钟）：说一下Agent项目使用的架构ReActAgent的think()-act（）过程（对应LangChain4j的推理-行动-反馈）说一下项目中的Advisor责任链数据库存储了什么，Agent的数据库有多少条数据（两个项目都问了）如何实现向量化的说一下Rerank和topK，具体做了哪些操作(RA...

人生第一次主动投递简历，深受打击总共打招呼120，其中67个未读，34个已读不回，主动涌上来的5个字节和3个华为kpi，婉拒。最后11个投递简历，然后6个已读不回，2个询问实习时间后口头承诺约面，3个要了简历逗逗我然后没看。想问问该怎么办这是正常的嘛4.6。并非没人要，去手子了

那可真是太遗憾了，你们就继续把流程卡在简历初筛吧，继续给我发测评和笔试之后把我挂掉吧（大部分甚至连感谢信都没有😁），我填网申一点都不累，做测评和笔试一点都不辛苦

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...