阿里云ai应用开发二面面经分享

Q1：大模型（LLMs）具有什么优缺点？答案：优点：可以利用大量的无标注数据来训练一个通用的模型，然后再用少量的有标注数据来微调模型，以适应特定的任务。这种预训练和微调的方法可以减少数据标注的成本和时间，提高模型的泛化能力；可以利用生成式人工智能技术来产生新颖和有价值的内容，例如图像、文本、音乐等。这种生成能力可以帮助用户在创意、娱乐、教育等领域获得更好的体验和效果；可以利用涌现能力（Emergent Capabilities）来完成一些之前无法完成或者很难完成的任务，例如数学应用题、常识推理、符号操作等。这种涌现能力可以反映模型的智能水平和推理能力。缺点：需要消耗大量的计算资源和存储资源来训...

攒人品中，祝大家都能拿到满意的Offer！1.讲一个做的最好的项目。2.项目有什么难点？3.embedding的本质是什么，维度中每一个参数有什么含义？4.如果不做训练怎么让agent知道怎么调用工具？调用工具的格式等。5.多agent协作，如何做上下文管理？怎么共享上下文？6.Skills了解吗？如何管理各个skills？7.手撕：aicoding 实现一个简易的计费引擎。需要支持add，cancel，query，使时间复杂度最低。操作按顺序到达，timestamp不一定单调递增。

Q1：规划和执⾏要不要拆开两个模型？答案：视任务⽽定。Planner-Executor 拆分可提升可控性（强模型规划、快模型执⾏）；单模型端到端更简单但易在⻓链路漂移。可混合：规划⽤强模型，执⾏层做确定性校验。Q2：如何避免 Agent 在⼯具调⽤间「迷失」？答案：明确 停⽌条件 与 最⼤步数维护 任务清单（todo） 与 当前⼦⽬标对每步输出要求 结构化（JSON）关键步骤 强制验证（单元测试式检查、⼆次 LLM 审核）Q3：结果冲突怎么整合？答案：优先级规则（权威源 > 时间新 > 多源⼀致）、让模型显式输出「冲突说明」、必要时触发⼈⼯。Q4：基于效⽤的 Agent 和基于⽬标...

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