Pdd校招内推

1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

真没招了，三月才开始准备八股和算法因为没想到不仅大厂笔试过不了小厂也根本鸟我，笔试都不愿意发一个，心里心存侥幸说即使没实习好好磨炼技术再做一两个rag、agent项目去秋招，但是我现在投暑期实习就感受到秋招的寒气了，完全不觉得是金三银四而是铜三铁四😭😭😭，怎么办完全没招了，最近焦虑到学都学不进去每天都在投简历

hr先为昨天的delay道歉了，态度很温柔也很专业。主要问一些压力的克服实习内容与成长，困难怎么克服到岗时间与实习时长为什么不考研先打了个mentor和leader比较忙的预防针反问：工作节奏，offer时间

有这样一个问题：“在实际运行中，如果你的 Agent 陷入了 ReAct 循环，或者不断调用同一个错误的工具，你是怎么在工程上解决的？”为什么这个问题是“分金岭”？很多人做 Agent 还停留在 Demo 阶段，认为只要 Prompt 写得好，模型就能自动完成任务。但在真实场景下，Agent 经常会变成“复读机”：它发现工具 A 没给它想要的结果，于是思考一下，再次调用工具 A，如此循环，直到烧光你的 Token。深度解析：你该如何作答？一个标准的、有“工程手感”的回答，应该包含以下三个层面的策略：第一层：硬性约束（Stop Conditions）这是最基础的。你需要提到你设置了最大迭代次数（...