京东大模型算法 实习面经 55min

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.问项目2.最终生成的回答怎么做每句话都有引用3.给你一个很大的模型，比如deepseek，很大的上下文，比如100k token，怎么来做一个deep search框架4.lora原理5.grpo原理6.最近看的论文，模型最新进展

1. 碎碎念：从“收到邮件”到“上岸渡劫”接到京东 HR 那个带着北京口音的 OC（Offer Call）电话时，我正瘫在宿舍的电竞椅上发呆。直到挂了电话，看到邮箱里躺着的那封意向书，我才确信自己真的熬过来了。简单回顾一下这条战线。从八月份盲投简历，到做完那种让人做到头秃的行测笔试，我一直都没抱太大希望。毕竟京东的“采销经理”岗是出了名的核心业务线，这帮人手里捏着采矿权和定价权，是真正的尖刀连。所以，当九月中旬突然收到二面（业务高管面）的视频会议链接时，我当时只有一秒钟的兴奋，紧接着就是无止境的恐慌。会议详情里写着面试时间预计 45 分钟。我盯着屏幕，心里直打鼓：我之前那两段中规中矩的电商实习...

给我面没招了，发点面经攒攒人品～实习拷打1.LangGraph相对其他开源智能体编排工具的优点是什么?(追问) LangGraph是否存在与其他工具不兼容的问题?如果有，你是如何解决的?2.在现有场景中是否需要用到LangGraph 的状态管理功能?(追问)LangGraph的状态管理功能是否帮助提高了任务的执行效率?可以分享使用经验吗?3.如何理解Long-termMemory的实现方式?(追问)你是否对Long-termMemory在模型中存储有效性进行评估?它在实际项目中的应用表现如何?4.若将电商场景中用户的购买、点击、兴趣等信息设计为长期记忆，有什么想法?(追问)如何确保电商场景中的长期记忆不会过时或冗余?你认为应该如何更新这些记忆?

1、自我介绍2、介绍一下你做的这个智能问答的项目3、Transformer 结构Transformer 是当前大模型最核心的基础架构之一，它抛弃了传统 RNN 按时间步顺序计算的方式，主要依赖自注意力机制来建模序列中不同位置之间的关系。它最大的优势是并行能力强，而且对长距离依赖的建模效果更好。从整体结构上看，标准 Transformer 由 Encoder 和 Decoder 两部分组成。Encoder 负责把输入序列编码成高维表示，Decoder 负责结合历史输出逐步生成结果。每一层 Encoder 一般包含两个核心子层：Multi-Head Self-Attention 和 Feed Fo...