Binance Accelerator - Data Scientist 币安实习要手撕hard

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 你有没有接触过自动化测试？了解哪些测试框架（Python 或其他语言）？2. 你在A公司做的 AI 平台整体是干什么的？3. 你说的孤儿资源清理具体是怎么实现的？4. 你是怎么判断一个资源是孤儿资源的？5. 这个过程是基于全量扫描，还是事件驱动？具体怎么做的？6. Watch 和数据库同步这一套是怎么设计的？有没有一致性问题？7. 你的事件处理链路是怎样的？有没有用 Kafka？为什么用 / 不用？8. 你在B公司做的 Agent 核心是做什么的？解决了什么问题？9. 这个 Agent 实际是在部署什么？是服务、脚本还是其他东西？10. Agent 是中心化部署还是每台机器一个？为什么这么设计？11. Agent 和 Jenkins 的关系是什么？谁负责调度，谁负责执行？12. Agent 的所有动作是不是最终都是通过 Jenkins 来执行的？13. Jenkins 执行完之后，怎么和 Agent 做状态同步或结果回传？14. 既然 Jenkins 本身就能做自动化，为什么还要做一个 Agent？15. 用户在 Jenkins 上最容易填错哪些参数？为什么？16. 能不能完全不让用户填参数，让系统自动完成？为什么做不到？17. 如果 Jenkins 已经可以完成这些事情，引入 Agent / AI 的价值在哪里？18. 如果让你设计一个自动拉日志的 Agent，你整体流程是怎样的？19. 有3台Linux机器，日志路径不统一，而且是二进制日志，需要解析，你怎么设计？20. IP/Port 固定，但 SSH 密码会随软件版本变化，这个你怎么处理？21. 不同业务的人要不同日志路径，你怎么做管理？22. 用户不愿意维护配置表，你怎么让用户输入，同时系统自动沉淀规则？23. 日志解析涉及不同格式、工具、版本，这一块怎么设计？24. 如果这个 Agent 要扩展到自动检测、排障、自动化能力，架构怎么演进？25. 在完全没有规范流程、系统很混乱的情况下，你怎么落地这个 Agent？手撕：第二大的数字，不能用既有函数。

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...

大佬们，你们好。本人普通一本院校的人工智能专业，没有挂过科，也没有写过什么代码（全部ai），大学也不打游戏，也不学习，就知道健身（2022年-至今），所以我觉得我是从事不了人工智能方面工作了。大学能说出口的就是过了四级，还有健身。所以大佬们有什么可以快速入行的专业吗（除了进厂，太压抑了），因为我看了好多人工智能方面的岗位，所有的技术我都不达标，除了初中级水平的Python外，我发现我真的没有什么了。累了，主要自己去学也学不下，也不知道学什么，尝试去学了也没有任何反馈，所以就学不下去了。

多个智能体协作时，整个智能体协作的链路就被称作为 TraceAgent 项目的测试和评估，一般不能只看其中某个模型单次回答好不好，而是要按 Trace 来评估单元测试：把 Prompt、工具调用、参数解析这些关键模块拆开单独测。比如说模型能否选择正确的工具？Agent 调工具时，是否按照工具提前定义好的结构来传参？异常出现时有没有兜底？端到端测试：重点看 Agent 在多轮任务里能不能稳定完成目标。这一步需要反复调试，因为 Agent 的问题往往不是某一步错，而是工作流、工具调用、观察结果、继续决策这一整条链路中某部分出了问题离线评测集：把真实业务中的典型问题、边界问题、失败案例沉淀成 ben...