牛客喜当妈

大家好，大家好我是@程序员花海，最近两周密集面试了不少Agent方向的候选人，从应届生到有三年、五年经验的同学都有，面下来最大的感受是——简历看着都差不多，一问项目就露馅。说几个反复出现的名场面，可能你也在经历：场景一：简历千篇一律十个候选人，八个项目写的都是基于LangChain搭建智能问答系统这种风格。问技术选型为什么用LangChain而不是直接用官方API，答不上来。问系统如果上线要承载1000人同时用，哪里会先崩，基本没想过。场景二：项目经不起推敲简历上写着实现了RAG检索增强生成，一问细节，比如文档怎么解析的？切片窗口多大、重叠多少？向量库用的什么索引策略？检索召回率怎么评估的？多...

春招 boss 每天投满 150，3 月份一共 3 家约面， 一家实习 oc 眼高手低了没去，结果到了 4 月份一家面试也没有了😭😭，简历有问题吗？要不要出去大城市找工作啊😭😭

暑期实习投了十几天，能投的都投了，一个面试没有，pdd，快手，小米直接挂，不然一直都泡池子，简历还能怎么改进吗，后端还是太卷了

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...