27实习-Agent开发二面Shopee

整体面试还是不错的，但是没后续了，不知道是哪里出了问题一.实习拷打二.项目12.1 现在有了Claude Code，为什么还要去重复的做一个类似的项目呢？2.2 这个项目和Claude Code相比，核心差异是什么？有什么比他做的好，什么不如他？2.3 分层上下文管理，每一层管的是什么？2.4 摘要生成器使用什么模型做的？这个摘要质量要如何保证？2.5 有没有尝试一下关于subagent的探索？启动多个agent的作用是什么？2.6 主agent和子agent的通信是怎么实现的？2.7 有没有遇到过agent陷入死循环的情况？有什么解决方案？三.项目23.1 GRPO和PPO的区别？3.2 KL散度，具体是怎么加入的？这个值太大或者太小有什么问题？3.3 Qlora的rank怎么设置的？3.4 训练参数是怎么选的？有没有调参测试？3.5 lora和qlora的区别是什么？3.6 量化之后对训练的效果影响是怎么样的？3.7 梯度检查点的原理。它对训练速度大概减缓多少?四.随机提问4.1 平时用过哪些Ai agent的工具?4.2 你觉得Ai工具，最大的帮助场景是什么?4.3 有没有遇到过Ai应用或者工具无法解决的场景?4.4 平时写的代码或者实习写的代码有多少是Ai生成的?4.5 openclaw有没有实际使用过？有没有做相关的了解？比如它的架构设计上的优势是什么?4.6 你觉得类似于openclaw或者Claude code，它现在还有哪些地方是可以改进的?4.7 Claude code源码泄露，有没有去了解它，有什么比较创新的东西？4.8 从开发者的角度，做agent最难的部分是什么？4.9 自己做agent的时候，踩过最大的坑是什么？4.10 一个好的prompt和一个差的prompt的区别?4.11 除了Qwen3VL，还有没有使用过其他的多模态大模型?4.12 有没有了解一些端侧部署的模型?

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.实习拷打2.论文拷打3.那介绍一下你的项目吧？4.你agent项目框架的时候有什么考虑？除了langchain你还了解或者调研过别的框架吗？5.谈谈你对于agent的理解吧？你觉得agent包括哪些部分？运行机制是怎样的？6.你觉得planning规划这一块是agent框架做的还是大模型做的？7.planning有哪些方法可以实现？分别讲一讲？8.你在写agent的时候有用过长期记忆和短期记忆吗？9.短期记忆和长期记忆有什么区别？10.你觉得短期记忆里会存储function call的内容吗？如果不放进短期记忆的话会有什么问题？11.工具的话你会用MCP之类的吗？还是就自己写代码写？你觉得大模型的工具实现有什么好处吗？12.关于RAG你有什么看法？召回的时候你有调什么参数之类的吗？13.python的一些内容？14.手撕：合并两个有序数组

Q1：大模型是怎么让生成的文本丰富而不单调的呢？答案：从训练角度来看：基于Transformer的模型参数量巨大，有助于模型学习到多样化的语言模式与结构；各种模型微调技术的出现，例如P-Tuning、Lora，让大模型微调成本更低，也可以让模型在垂直领域有更强的生成能力；在训练过程中加入一些设计好的loss，也可以更好地抑制模型生成单调内容；从推理角度来看：基于Transformer的模型可以通过引入各种参数与策略，例如temperature，nucleus samlper来改变每次生成的内容。Q2：什么情况用Bert模型，什么情况用LLaMA、ChatGLM类大模型，咋选？答案：Bert 的...