联想机器学习

感觉自己好菜、面试很难，还是要多多练习1.项目介绍2.Linux命令读取滚动日志3.Hadoop4.TensorFlow，pytorch5.讲讲机器学习，深度学习学过什么6.为什么逻辑回归不用MSE7.SVM8.机器学习的评估指标9.讲讲LSTM，GRU，transformer的发展分别优化了什么10.transformer为什么要用多头注意力11.讲讲userCF和itemCF使用场景12.多路召回的指标13.排序层三个模型哪个效果好14.讲讲DIN怎么使用的15.手撕1单链表排序16.手撕2翻转数组找目标值

发点面经，攒攒人品1. 项目拷打2. 数据集来源 效果对比？3. itemcf解释一下？改进是怎么做的？代码中如何体现？4. word2vec召回是怎么用的？中间那个非线性层的公式是什么样的？5. word2vec的优化目标是什么？损失函数？6.din的历史序列是怎么用的？这种attention是自注意力还是一般的attention？7. din的数据处理和lightGBM有什么不同吗？（离散数据和序列数据）8. 不同离散值的特征做embedding 维度应该怎么设置？手撕：无

招Agent研发工程师（后端、前端、测试和客户端等）、Agent优化工程师（算法）💼 岗位描述在这里，你将参与智能Agent在电商场景中的创新实践，与团队协作探索如何用AI技术切实提升商家经营效率。我们是淘天集团服务千万商家的核心技术引擎，曾打造千牛工作台、生意管家、淘宝开放平台、聚石塔等影响行业的标杆产品。如今，我们正经历一场突破性跃迁：从“交付工具”到“交付Agent"——不再让商家操作工具，而是让智能Agent主动驱动经营全流程！✨ 我们正在创造什么？● 🤖 打造电商专用Agent OS构建端云一体的千牛Agent产品（支持本地代理+云端沙箱），通过记忆建模、任务规划、决策推理等核心算法与高安全运行时框架，让Agent化身“数字店长”，自主完成商品上新、客服接待、营销策划等全链路作业。● 🌱 孵化万级Skill生态设计Skill智能调度与效果优化算法，结合AI PaaS安全集成能力，将客服、数据分析、内容生成等场景抽象为标准化Skill，共建“电商Skill应用市场”。● 🎨 定义AI Native交互新标准研发A2UI（AI to UI）生成算法与交互框架，实现自然语言指令到经营界面的精准映射与秒级生成，让“所想即所得”成为现实。● 🔄 驱动研发与算法范式升级构建Skill效果自动化评测-在线学习-AB测试闭环，全面落地AI Coding、AI CR、AI运维，用技术与算法双轮驱动持续提效，让Agent越用越聪明，让工程师专注创造。🔥 你将直面这些挑战● 如何设计轻量高效的Agent记忆压缩与检索算法，在有限资源下实现个性化经营知识的精准调用？● 如何构建电商领域任务规划与决策推理框架，让Agent在复杂业务流中自主拆解目标、动态调整策略？● 如何将千亿级电商数据转化为高质量训练语料与结构化知识库，优化RAG系统召回率与生成质量？● 如何设计Skill效果量化评测体系与在线学习机制，结合强化学习实现Agent能力的持续进化？● 如何在高并发场景下平衡算法精度与推理延迟，通过模型蒸馏、缓存策略等技术保障大促期间体验流畅？● 如何设计高安全沙箱与工具网关，保障百万级商家数据在生态Skill调用中的安全？● 如何构建个性化Agent记忆体系，让每个Agent深度理解行业特性、品牌调性与店长习惯？● 如何通过领域建模与商家主数据引擎，将海量电商数据转化为Agent可理解的“经营知识库”？● 如何在双十一大促百万QPS场景下，保障商家Agent服务的高可用、低延迟与稳定性？● 如何为生态开发者提供开箱即用的Skill开发、托管与评测能力，激发万级应用创新？🎯 加入后，你将● 主导Agent核心算法模块（记忆管理、任务规划、决策推理）与运行时框架（上下文压缩、长短期记忆）的研发，设计高鲁棒性方案；● 深耕商品管理、智能客服、营销策划等场景，将业务逻辑转化为高性能Skill算法（如对话策略优化、文案生成）或高可用Skill服务；● 构建Skill工具链（自动化评测、Prompt优化、小样本训练）并参与AI PaaS平台建设，赋能生态开发者高效迭代；● 与产品、业务专家深度协作，通过AB实验与数据洞察驱动迭代，从0到1验证Agent产品价值。🌱 你将获得● 技术成长：在亿级真实业务场景中锤炼“算法设计-训练-部署-优化”全链路能力或高并发架构能力，积累宝贵的Agent工程实践经验；● 资源支持：你将能够直接使用当前最前沿的大模型矩阵，提供充足的Token与专属算力集群，为创新实验全程护航；● 业务视野：深度理解电商全链路逻辑，培养“技术×商业”与“算法×商业”双轮驱动思维；● 成长体系：资深导师1对1带教 + AI Coding全流程实践 + 定期技术沙龙，加速能力跃迁；● 真实价值：你的算法与代码将直接助力百万“一人店铺”降本增效，让乡村手艺人、原创设计师因智能而专注创造，共同守护淘宝“新奇、温暖、好玩”的商业生态。❤️ 为什么选择我们？“让天下没有难做的生意”不是口号——当你设计的记忆算法让乡村手艺人轻松复用经营经验，当你编写的Agent帮助产业带商家专注货品供给作而非琐碎运营，当你优化的营销Skill一键生成爆款文案，当你搭建的Skill平台让开发者创意自由生长……你将真切感受到：技术的温度，正在悄然改变千万商家的日常。我们寻找的不是“刷题高手”或“完美简历”，而是眼里有光、心里有火的算法与技术梦想家。如果你渴望站在AI与实体经济的交汇点，用扎实的技术与算法能力创造真实价值——点击投递，和我们一起，让淘宝因“技术”的善意与“人”的多样性而更美好！淘天技术部-商家&开放平台技术团队 期待与你共创未来📌 岗位要求💻（一）AI Agent研发方向📚 学历与专业● 本科及以上学历，计算机、软件工程、人工智能、数据科学等相关专业。⚙️ 技术能力● 扎实的计算机基础（数据结构、算法、操作系统、网络），精通Java/Go/Python至少一门语言；● 了解分布式系统核心概念（微服务、缓存、消息队列），对高并发、高可用系统有热情；● 对AI技术有好奇心：熟悉Agent技术栈（RAG、Prompt Engineering、Agent Memory等），了解LangChain、Semantic Kernel等框架者优先；● 有使用AI编程助手（通义灵码、Cursor等）辅助开发经验，认同"AI for Engineering"理念；● 具备CV/NLP基础，了解大模型算法，有模型训练（SFT、RL）经验者优先。🌟 实战经验（满足任一即亮眼）● 参与过Agent/Skill开发、大模型应用、云原生项目或开源贡献；● 在ACM、Kaggle、天池等竞赛中获奖，或拥有技术博客/专利；● 熟悉前端框架（React/Vue）并对A2UI交互设计有实践思考；● 有电商、SaaS、开放平台相关项目经验。💡 综合素质● 技术理想主义：思考“技术如何创造真实价值”；● 用户视角：能共情商家痛点，关注产品体验；● 成长型思维：乐于在模糊地带探索，主动学习新方向；● 协作与担当：逻辑清晰，善于沟通，愿与团队共担目标。🧠（二）AI Agent优化方向📚 学历与专业● 本科及以上学历，人工智能、机器学习、计算机科学、数据科学等相关专业，具备扎实的数学与算法理论基础。⚙️ 算法与工程能力● 精通Python，具备扎实的数据结构与算法功底，能高效实现复杂算法逻辑；● 深入理解Agent核心技术栈：熟悉RAG优化、Prompt Engineering、记忆机制、任务规划、MCP/A2A协议等，有LangChain/Semantic Kernel等框架实战经验者优先；● 具备大模型应用算法经验：熟悉SFT、RLHF/DPO、模型蒸馏、推理加速等技术，在NLP/CV/多模态方向有项目实践；● 掌握算法工程化能力：了解模型服务化（TensorRT、vLLM）、AB测试、效果归因分析，对高并发场景下的算法稳定性有敏感度；● 有使用AI工具（通义灵码等）辅助开发经验，践行"AI for Engineering"理念。🌟 实战经验（满足任一即亮眼）● 参与Agent核心算法研发（记忆/规划/决策）、大模型应用优化、Skill效果提升等项目；● 在ACM、Kaggle、天池等竞赛中获奖，或在ACL、KDD、WWW等顶会发表相关论文；● 有电商、SaaS、开放平台领域算法项目经验，或对商品理解、营销生成、客服对话等场景有深度思考；● 开源贡献：在HuggingFace、ModelScope等平台发布高质量算法模型或工具。💡 综合素质● 算法价值导向：持续追问“算法如何解决真实商家痛点”；● 极致效果意识：对生成质量、推理逻辑、用户体验有敏锐洞察；● 探索型思维：乐于追踪Agent前沿进展，主动学习；● 协同共创力：逻辑清晰，善于将业务语言转化为算法方案。📮 投递指南📍 工作地点：杭州 👉 立即投递：联系我，期待与你携手，用代码与算法，温暖千万商家的经营日常 🌼。

被横向挂了，希望发出来对大家有帮助！1* 简单概述你简历中的两个项目，包括项目背景以及你的具体分工，是独立完成还是团队协作2* 项目的数据来源是什么？你是如何确定优化目标的？3* 比如数据从 100 条扩充到 1.2 万条，是否全通过自动化生成？生成的样本具体是什么样的？举个例子说明一下生成前后的对比4* 怎么保证自动化生成数据的正确性呢5* 在通过调整参数直到模型回答正确为止的过程中，是否意味着生成的CoT中存在错误逻辑？6* 经过数据清洗后，最终用于SFT的有效数据量是多少？7* 在做微调时，除了 LoRA 是否对比过其他的微调算法8* 你是如何评价微调效果的？测试集的比例是多少？微调前后的准确率分别是多少？原有的模型性能保留了多少？9* LLM常用的结构是什么？10* 说一下Transformer 的整体结构11* 目前主流大模型最常用的位置编码是什么？。12* 写一下多头注意力机制的数学公式。13* 公式中为什么要除以 \sqrt{d_k}？其对梯度消失或梯度爆炸有什么影响？14* 在 Transformer 的 Encoder 和 Decoder 中，哪些部分是可以并行计算的，哪些不可以？15* 除了 LoRA，你还了解哪些微调方法？16* 大模型训练通常使用什么损失函数17* 在机器学习基础中，二分类问题、多分类问题以及回归问题分别使用什么损失函数？18* 你了解哪些优化算法19* 模型训练中出现过拟合的常用解决方案有哪些？20* Dropout 在训练阶段和预测阶段的处理方式是否一致？为什么要这样做？21* 大模型中的“复读机问题重复生成是什么原因导致的？如何从解码策略或训练层面解决？22* 幻觉问题产生的原因是什么？目前常用的工程解决方案有哪些？23* 写出逻辑回归的数学公式。