抖音 AI应用开发一面 日常实习 没招了

1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

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.实习拷打3.项目用的是把skill直接塞进系统提示词中,如果skill太多, 占用的上下文窗口太大, 怎么处理?4.如果两个skill 实际内容不一样, 但是description相似, 导致agent每次加载错skill, 怎么解决?5.agent设计你觉得最重要的部分 上下文工程6.上下文工程你觉得有哪些要注意的点?7.了解主流的agent设计吗?8.gemini cli设计你觉得最重要的部分9.gemini cli 你觉得可以优化的点10.multi agent 架构主流的实现方案11.multi agent的交流是靠什么

1. 你做的 Agent 项目，完整链路讲一下完整链路一般是用户问题进入后，先做意图识别和 query 改写，再根据意图判断走纯 RAG、RAG + Tool，还是多 Agent workflow。检索阶段会做混合召回，再用 rerank 精排，拼接上下文后交给大模型生成。如果涉及订单、机票、酒店这类实时数据，会通过 function calling 调后端接口。最后返回答案时，会附上引用、置信度或者兜底话术。二面一般会继续追问每一层为什么这么设计，以及哪一层最容易出问题。 def agent_pipeline(query, user_profile): intent = detect_int...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1. 多模态大模型的具体结构2. 多模态的用户信息怎么存储和使用3. Agent项目背景4. RAG系统流程5. lora的原理和qlora的原理，qlora怎么优化显存？6. 演示Agent项目实现细节7. AI辅助开发的实践经验8. 觉得当前的agent达到预期了吗？对agent的预期是什么9. 项目中AI贡献的代码占比10. 怎么进行多模态知识检索？11. RAG+MCP这方面是你做的吗？怎么做的？RAG怎么构建的12. A2A与MCP区别13. 项目在研发过程中遇到了哪些困难，怎么解决的14. 较长较多的上下文怎么解决15. 项目用的什么架构16. Agent项目开发的框架