得物AI 应用开发实习一面

现在在互联网上搜索AI Agent开发面经，你会得到五花八门的问题。他们从模型数据清洗到某个具体的框架使用细节，从真实案例到开发理论，似乎AI Agent 开发和我所认为的调一调API，写一写Prompt不太一样。 可，事实真的如此吗？ 澄清概念 在解决上述问题之前，我们先对齐一下认知。 职位边界 只谈开发岗位，我们说AI 开发岗位大概可以分为三个层级  基础设施层 模型开发层 应用开发层  基础设施层是大模型以及所有程序运行的底座，模型的计算管理，数据管理，服务，监控都归他们负责。这一类要求有架构能力，大模型与硬件线管知识，属于最硬核的。 模型开发层，比较陷阱。我最近买的一本书《实战AI到模...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.React的Fiber架构解决了什么问题?在AI长文本渲染中有什么优势?2.在AI流式输出过程中，如果返回的Markdown标签被截断(如代码块未闭合)，前端如何处理渲染?3.什么是RAG(检索增强生成)?前端在RAG 流程中可以参与哪些工作?4.如何优化PromptEngineering以减少前端请求的Token消耗?5.在AI聊天界面中，当消息非常多时，如何保证滚动平滑且不卡顿?6.谈谈前端安全:如何防范Prompt Injection(提示词注入)攻击?7.你们项目是如何进行性能监控的?针对AI场景有哪些特殊指标?8.封装一个通用的AIChat组件需要考虑哪些Props和Slots?9.如果AI接口偶尔出现504超时或网络抖动，前端的重试机制该如何设计?10.简单聊聊向量数据库在前端的应用，前端需要处理向量化吗?11.如何实现一个支持拖拽上传、预览并能被AI解析的附件功能?

1. 谈谈深度学习中的归一化问题深度学习中的归一化，核心目的是让不同层、不同特征的数值分布更稳定，从而加速训练并提高收敛稳定性。常见归一化包括输入归一化（如像素缩放到[0,1]）、BatchNorm、LayerNorm、GroupNorm。BatchNorm在mini-batch维度统计均值方差，适合CNN场景；LayerNorm在特征维度统计，常用于NLP和Transformer。归一化可以缓解梯度消失/爆炸、允许更大学习率、降低参数初始化敏感性。 import torch.nn as nn # CNN里常见 BatchNorm2d cnn_block = nn.Sequential( nn...

给时间时间 终会梦想成真的🥺那就努力努力再努力🤲