大喜!大喜!终于轮到我选offer啦!!!

点击就送，面试没难度单休，节假日上班再调休前6个月去一线轮岗站柜，后续培养区域经理（国内）或国家经理（国外），有点大饼的味道双非少1k提供双人公寓本质oppo外包，第一年和本手（oppo的人力公司）签合同，第二年开始和代理商签合同

联想一面自我介绍rag文本分块策略你对AI agent的了解了解哪些框架在rag中如何构建上下文对话的能力关于大模型提示词的经验你知道哪些agent工具rag中的幻觉问题是这么处理的？你知道哪些向量数据库？在rag中，有哪些相似度的计算方法你知道最近两年有哪些agent框架吗谈谈你对openClaw的人生谈谈对agent Skills的认识什么是python闭包，你在项目中哪些场景中使用了的Java中如何处理内存泄漏风险反问：大概有几面：总共两面，后面一面是HR面多久能知道本次面试的结果：应该很快吧大概多久能入职：得HR才能知道（整个流程总共20分钟，无手撕代码环节。时间短的比拷打1个半小时，...

发点面经攒攒人品～手撕:求两数之和，其中两个数都是字符串形式输入的非负整数，要求(1)输出字符串(2)不可以使用库内方法(3)不可以直接把字符串转换为整数如何避免浮点数计算进位时的两次遍历字符串项目:1.雪花算法选择和ID构成2.缓存模式

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...