1. 项目拷打 问的非常细 , 聊了30min2. GRPO 里的 reward 一般怎么设计，怎么避免模型学歪GRPO 的 reward 设计关键不是“打分越多维越好”，而是要保证相对排序真的有意义。常见做法是把 reward 拆成几部分，比如正确性、格式遵循、长度惩罚、拒答合理性、安全性这些，再做加权组合。对于推理任务，最核心的一般还是结果正确性和过程可验证性；对于开放式生成，还得控制风格漂移和模板化输出。真正难的是 reward hacking。模型很容易学会一些表面上拿高分、实际上没解决问题的套路，比如故意写很长、固定套模板、强行迎合裁判模型。所以 reward 设计通常不能只靠单一 ...

大佬们快救救孩子吧，想找个日常实习，投了都是未读和已读不回啊

主播27号面完，到现在还显示这个是不是要挂了啊

一、核心概念与架构篇Q1：请简述Agent的基本架构组成，并解释其与传统LLM Chain的区别。回答要点：Agent = LLM + 规划(Planning) + 记忆(Memory) + 工具使用(Tool Use)。区别：Chain是预定义的、线性的硬编码工作流。Agent具备“自主性”，它根据目标自发决定执行路径，通过推理循环（Reasoning Loop）不断调整策略。Q2：解释ReAct模式的工作原理。回答要点：ReAct (Reasoning + Acting)是Agent的基石。它将“思考”（Thought）和“行动”（Action）结合。LLM先生成一段推理，说明下一步要做什...