minimax AI agent实习一面

1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

发一下问题给大家参考，攒攒人品！1、项目一拷打2、实习经历3、RocketMQ相关a. 讲讲你对RocketMQ理解b. 消息积压问题如何处理c. 在使用中的问题？4、愿意转Java吗？我是go所以就没问语言相关的问题5、MySQL相关a. 索引失效的场景b. MySQL索引底层数据结构c. B+树范围查询的优势6、在你的学习和实践中，AI大模型工具是如何发挥作用的？是否帮助你解决过具体问题，或提升了某些项目的效率？7、模型效果如何评估8、MCP底层协议是什么9、Skills的本质是什么10、你觉得AI IDE设计的时候怎么防止类似数据库的幻读情况？11、如果让你来设计一个AI IDE该怎么做？12、有看书或者技术博客的习惯吗？13、算法：二叉树的层序遍历

1. 项目拷打2. Agent 和传统工作流到底有什么区别传统工作流更像一个提前画好的流程图，路径基本固定，输入来了以后按节点顺序执行，比如分类、检索、总结、返回。它的优点是稳定、可控、好排查，比较适合业务规则明确的场景。Agent 的核心不是“多一步调用模型”，而是“具备动态决策能力”。它会根据任务目标、当前上下文和外部环境决定下一步做什么，比如先查知识库还是先问用户补信息，要不要调工具，要不要继续分解任务。实际落地里，纯 Agent 和纯工作流都不多，更多是混合架构。主链路用 workflow 保稳定，在复杂节点里再让 Agent 做决策，这样可控性和灵活性都会更好一些。3. 你理解的 A...

之前的简历面试官被喷写的涉猎范围太广了，求大佬看看这版有没有问题