25秋招月总结［5月］

总有人不解：别人几分钟就能出结果，你为何要耗上一小时？几百行数据，AI 一键转换确实飞快，快到让人觉得高效又省心。可我始终清醒：速度可以交给机器，靠谱必须归于人心。AI 能快速提取，却无法替你甄别对错；能生成表格，却不能为结果负责。我经手的无数案例里，AI 输出常常缺行漏数、小数点错位、信息错乱，看似完整，实则暗藏风险。我多花的时间，不是慢，是在为数据兜底；多做的核对，不是多余，是在为信任负责。你要的或许只是 “做完”，而我追求的，是 “做对、做稳、做放心”。真正的专业，从不是比谁更快，而是比谁更靠谱。如果只追求速度而放弃严谨，这份事，我宁可不做。

本人9本无实习经历，二月初开始面试，快手xhs简历都挂，京东一直泡池子，腾子三面挂，滴滴大模型算法一面挂，美团二面挂，亚麻OA都A了也挂，Google一面也挂。反正都是在挂中度过的，其实二月也是比较焦虑和陷入自我否定当中吧。但是还是比较感谢节子的速度的，而且面试的过程里面的氛围和节奏都很舒服，介绍业务和发展方向也是很明晰的。hr小姐姐人也挺好的，而且全程都是hr加我微信进行推进的，有什么情况和我说和和及时帮我推进流程，每次面试前都会提醒我今天的面试以及祝我顺利。（我感觉体感上面，志节是我面过的体验最好的一个了，从hr到面试官人都不错）timeline:3.6投简历推进评估3.7 hr打电话来约面3.9一面，20min后约二面3.11二面，二小时后约三面3.13三面，两小时后约hr面3.13hr面，面完就差不多oc了3.17 收到正式的offer

1. 自我介绍2. Transformer 里 Attention 的本质是什么，为什么它适合 Agent 场景Attention 本质上是在做动态加权的信息选择，模型不是把所有上下文平均看，而是根据当前 query 去分配不同 token 的影响力。它的优势在于能处理长距离依赖，并且支持内容寻址，这对 Agent 场景很关键，因为 Agent 经常要从长历史、工具返回和外部知识里挑出当前最有用的信息。真正落地时，Attention 的问题不在“能不能看远”，而在“看得太多以后会不会被噪声拖偏”。3. 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面局限性主要体现在三个地...