一面：上来先自我介绍，讲了讲自己对部门感兴趣，简单介绍了下自己的项目，然后就是长达50分钟的项目拷打，问的很细，state，reward咋设计的，扩展到很多智能体怎么办，中间问了些ppo，qmix，GAE公式的基础知识，最后剩10分钟做了个简单代码题结束二面：正在准备，很慌，不知道还会问啥（有知道的uu也可以提醒我下）

我是学院🐭，没面过大厂，官网投的都是秒挂，这是拿我刷kpi的吗？要尝试一下吗？

0实习，什么都没有，一问三不知简历如下求建议，算法什么的也不懂

1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...