春招北京和利时软件测试一面

感觉面完人都通透了，还是太菜了，下去沉淀一下1.实习项目相关问题2.介绍智能客服系统中你的负责部分、面临的问题及解决方案。3.如何解决大模型在客服场景中的幻觉问题？4.是每个场景对应多个 Agent？5.新架构是否存在泛化性损失问题？如何处理新活动规则等未见过的知识注入？6.Expert Agent 是以什么维度划分的？7.新架构的 AB 测试指标提升具体来自哪些模块？8.如何从线上真实对话构造Expert Agent 的 SFT 训练数据？9.Expert Agent 的 prompt 主要输入有哪些？模型输出是什么？10.Expert Agent 是否有预设工作流（workflow）和任务描述？11.Expert Agent 的评价指标（出商品率、商品正确率）具体如何定义和获取评测数据？12.智能客服 Chatbot 是否面临多轮对话中信息遗忘、流程偏离、回复机械感的问题？如何应对？13.如何优化多智能体系统（MAS）中各 Agent 的协作，避免局部优化但整体效果不佳？14.多智能体系统中如何设计奖励函数促进 Agent 协作而非竞争？八股1.什么是优势函数？2.PPO 中需要训练哪几个模型？3.PPO 中参考模型的作用是什么？4.什么是 Reward Hacking？有哪些缓解 / 优化方案？5.智能对话多轮场景中，attention 机制的局限性是什么？有哪些优化思路？手撕：排序K个升序链表

1. 自我介绍2. 多阶段 RAG 里同时使用 BM25 和向量召回，混合检索策略通常怎么设计混合检索的关键不是把两路结果简单拼起来，而是根据问题类型决定两路召回各自承担什么角色。BM25 对精确术语、错误码、接口名、字段名、版本号这类关键词命中很强，向量召回则更擅长语义改写、口语化表达和抽象问题。真正稳定的设计一般是先并行召回，再做去重、融合、重排，最后再进入上下文构建阶段。如果问题本身是“精确定位型”，比如某个报错码、类名、接口路径，BM25 权重通常更高；如果问题是“意图表达型”，比如用户用自然语言描述故障现象，向量召回的权重会更高。工程里比较常见的是先取两路 topk，再用 RRF 或...

1.78*14对应什么学历啊，hr说不能A是真的吗。因为他问我要多少我说25w直接就给25了，是不是报太少了？

1. 自我介绍2. Qwen3.5 这类新一代模型，如果不只停留在“Transformer 变体”更有含金量的讲法不会只说它是 Decoder-only，而是会落到训练稳定性、推理效率和长上下文适配这三条线上。比如归一化方式、注意力结构、RoPE 扩展策略、GQA 对 KV cache 的影响、SwiGLU 对表达能力的提升，以及 tokenizer 和多语种兼容设计。面试官真正想听的是这些结构选择为什么出现，它们解决了什么具体问题，而不是模块名背诵。如果要再深一点，可以顺手带出工程后果。比如 GQA 不是为了论文好看，而是为了在长生成场景下降 KV cache 占用；长上下文扩展也不是简单把...