滴滴花小猪后端Agent开发一面 1h

1. 怎么把 RAG 接入到你的 Agent 执行链路里的？是在调用工具之前先检索，还是在生成结果之后再做校验？我们的 RAG 是通过 Spring AI 的 Advisor 接入到 ChatClient 的：模型调用前在 before() 做向量检索，把命中文档拼成上下文注入 prompt；模型生成后在 after() 把命中文档回写到响应 metadata 便于追踪。当前是“先检索再生成”的 pre-RAG，并没有单独做生成后的事实校验，后续可以增加 verifier 节点来做 post-check。2. MCP 是完全自研的吗？和市面上成熟的 Agent 框架相比，你的方案在扩展性上有什...

实习+项目:1. 详细介绍项目背景  结合业务场景2. 生成的训练数据,具体是怎么生成的?3. 数据增强是怎么做的?4. 怎么确保更大更复杂模型的结果,是100%正确的?  有没有量化指标可以确认5. 怎么样确保,把工具调用的轨迹 ,融入到种子数据集里面, promot是怎么设计的6. 除了lora以外 ,还了解其它的一些微调方法吗?7. 为什么lora的微调效果比较好?8. 切分策略是什么?9. 语义切分策略和固定大小切块分割策略,效果对比. 有哪些不一样的方面?八股:1. transformer的原理2. attention的公式3. 为什么除以根号dk算法:字符串解码面试回答的并不好，算法题未a出来。还是要好好沉淀

Agent / LLM 方向面经整理（思路引导 + 推荐回答）  每章开头有一小段本章思路引导（这类题整体上在考什么、怎么组织话）。每道题下先有一行思路（答题时先想什么），再是推荐回答（可参考的表述骨架）。请把里面的名词、数字换成你项目里的真实情况，别整段背。  一、写在前面 如果投的岗位对后端技术栈有一两条要求，你没有相关经历但业务还是放了简历进来，最好针对 JD 里那两条单独准备一下。其实就算 JD 没写死，HTTP、流式、异步这类也算互联网底座，有时间还是摸一遍皮毛，面试里至少能接住话头、显得你是主动补过的人。 没正经后端经历的（比如我），体感是面试官一般不会往死里抠实现细节，更在意知识...

在字节校招干了快一年，做agent方向。虽然是agent但是组里背景几乎都是传统后端，整体也是业务很重。个人还是想去做比较ai native的东西，偏harness那一套的，个人稍有涉猎ai infra和算法那些，对于应用层的潮流比较熟悉。不知道未来的方向如何选择，问问大家。顺便问问有没有哪边招这种scope比较大的，能够不那么后端的岗位？想活水seed的一些agent岗位不知道可不可能，诶