阿里云暑期实习Agent面经分享

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 实习拷打2. 项目询问，没到拷打级别3. 因为是做agent，所以问了一些agent问题3.1 说一下 React范式，执行这一步包括什么3.2 multi agent和single agent的区别，优缺点，适用场景3.3 Claude code是multi agent还是single agent3.4 Claude code如何解决 上下文爆炸问题3.5 说说skill3.6 skill有很多，描述很长，导致上下文爆炸怎么办4. 手撕题—求岛屿数量，邮箱发题，需要共享屏幕

1. 自我介绍2. 前期用 Milvus，后期切到 FAISS，可能是什么原因？答案：Milvus 更适合服务化、分布式、多租户、海量向量管理场景，提供索引管理、持久化、过滤查询、集群扩展和运维能力；FAISS 更偏本地高性能向量检索库，轻量、可控、部署简单，适合数据规模没有大到必须上分布式、但对延迟和工程可控性要求比较高的场景。如果项目早期用 Milvus，可能是为了快速验证向量库能力，支持元数据过滤和服务化接口；后期切到 FAISS，可能是因为数据量可控、线上环境更希望减少外部组件依赖，或者 Milvus 的运维成本、资源占用、冷启动、版本兼容不符合需求。FAISS 的优势是本地化部署简单...

五一醒来，薪酬信息从250/day 变为400/day综合来看其实涨了500—800之前是250+20餐补+1600房补（需要出勤🈵15天）现在是400+20餐补但是好像也是分部门分面评的感觉看到有500/day的还有300/day的