淘天27届春季实习

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.这个是一个报告生成场景，那我想知道这个报告具体是偏结构化的还是自然语言的？比如它有没有一个既定的schema？还是说用户输入什么都可以3.那这个报告的生成里是不是会依赖外部信息？你们是怎么做信息检索的？是提前召回好然后作为prompt上下文？那信息对齐怎么做4你说你们优化了全流程——这个‘流程’具体是怎么定义的？你在哪一块做了具体的性能提升5.你们这个项目有没有落在某个业务线里，你们上线之后是怎么度量它到底有没有带来收益的6你刚才说你们用了大模型自己去生成训练数据，那具体是怎么构建指令的7.比如有一个query，生成了3个candidate output，那你怎么自动判断哪个好哪个不好8.你们这个rankinglogic是靠rule还是另一个模型？有没有引入Reward模型9.那如果是生成负例，你们是怎么让模型生成‘看起来对但其实错’的样本的？比如你在做一个医学场景，模型生成错了你怎么知道它错在哪里10.自动评估那里你们评估维度具体是什么11.自动评估是在线构建样本时使用的对吧？那你们有没有做样本质量的统计分析？比如分布上是否足够覆盖edge case12.你们是怎么管理这些agent之间的状态的？是通过context传递？还是通过某种状态图建模13.如果一个Agent负责外部知识的query，另一个负责摘要，另一个做用户对话，那你是怎么确保这些agent协同的14.假设一个子agent出了错，比如检索召回错了内容，那整个流程会失败吗，你怎么来处理这一块的15.如果现在要你做一个电商客服agent，它需要推荐商品、解释优惠政策、同时处理投诉，那你会怎么设计16Function Calling有了解对吧？那如果我现在告诉你一个模型要完成任务，它可以选多个Function来调用，你觉得模型最难学的是哪个点？17.那你觉得怎么样让模型更灵活地调用function？比如是不是要把接口文档和调用示例都encode进去18.有没有做过multi-tool routing？比如用户query过来你需要在20个tool里选一个调用的，你觉得模型要考虑哪些维度来决策19端到端推理和模块化Agent推理你更看好哪种？你觉得大模型真的能在极长context下规划全流程吗28.手撕：给定一个二维数组（矩阵）要求按照螺旋顺序输出所有元素

1. 了解哪些激活函数？重点说 GeLU常见激活函数有ReLU、LeakyReLU、Sigmoid、Tanh、GeLU。GeLU是平滑非线性，近似“按概率保留输入”，在Transformer/BERT中常优于ReLU。 import torch.nn as nn act = nn.GELU() 2. 项目的构建过程完整流程通常包括：业务定义 → 数据采集与标注 → 数据清洗与EDA → 建模实验 → 指标评估 → 误差分析 → 部署上线 → 监控迭代。面试回答要突出你负责模块、优化动作和量化收益。3. BERT 模型的构建包括：分词器选择、预训练模型加载、任务头设计（分类/序列标注）、损失函数...

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。

笔试时间：2026年03月04日往年笔试合集：2023春招秋招笔试合集2024春招秋招笔试合集华为笔试题解笔试时间：2026年3月4日第一题：网络流量分析难度：中等涉及知识点： KMeans聚类算法实现、欧式距离计算、聚类中心更新、数值精度处理题目描述网络流量分析是网络安全和性能优化的关键任务。假设你有一个包含网络流量数据的数据，每条数据包包含以下特征：packet_size（数据包大小，单位：字节）inter_arrival_time（数据包到达间隔时间，单位：毫秒）protocol_type（协议类型，如TCP、UDP、ICMP等，已转换为数值编码）你的任务是使用KMeans聚类算法对网络...