1. 自我介绍2. PPO、TRPO、DPO 分别是什么，它们的核心差异在哪TRPO 的出发点是让策略更新别跨太大步，它通过约束新旧策略的 KL 距离，把优化问题写成一个带信赖域的约束优化，所以理论上比较稳，但实现复杂、计算成本也高。PPO 可以看成是 TRPO 的工程化近似，它不直接解复杂约束问题，而是通过 clip 或 penalty 的方式，限制策略更新过猛，因此在实践里更常用。DPO 和前两者不太一样，它不是传统在线 RL，而是直接从偏好对里学习一个“更偏向 chosen、压低 rejected”的目标，相当于把 reward optimization 吸收到一个更简单的监督目标中。P...

我太菜了大厂笔试题根本做不出来   😭😭😭

程序员编程助手科技股份有限公司作者介绍   Java高级工程师 廖万忠 编程比赛成绩 2023年CSDN基础用户1million Java开发者用户30万332个团长比赛成绩 102 rank美国创业公司 HackerRank 项目组 Java工程师 2022年 accepted深圳腾讯公司 腾讯云开发者社区 2022年年度进取作者 coderlwz 证书北京大学2010级计算机优秀本科毕业生 保送计算机系统所优秀硕士研究生毕业2025年4月与北京华夏长鸿出版社出版《Java编程指南》计算机专业二级书籍 评职称计算机系副教授 2025年7月申请 2026 年度QM计划 quality PhD ...

面试Agent的时候，面试官最喜欢问的是：什么是ReAct？能现场说一下ReAct的推理循环吗？然后就会直接甩需求：设计一个数据分析Agent，要能自主做SQL、跑数据、生成图表和结论。我被问到最多的问题就是“如果Agent执行到第三步发现数据有问题，你要怎么让它重新规划？”还有“怎么防止它无限循环？”说实话，这些问题已经不是考察Prompt了，而是考察你对任务拆解、状态管理、错误恢复的系统性思考。