影石内推

📍面试公司：环界云（第一轮技术面）🕐面试时间：2026年3月6日（约 45 分钟）💻面试岗位：全栈实习❓面试问题：介绍 deep SCAN 项目架构（前端模块、后端链路、数据流）。为什么聊天请求不应由前端直连大模型？跨域本质是什么？知识库/RAG 做到哪一步？Embedding 为什么要接向量库？会话和文档为什么不能只存浏览器本地？如何做持久化？流式输出时如何避免频繁 setState 导致卡顿？Clerk 鉴权的流程是什么（登录、token 校验、服务端授权）？对工具调用、MCP 的理解和项目接入原理。第二个项目完成度、通信架构、可验证数据。MVVM 架构的作用和设计动机。事件循环模型（浏览器/Node.js）原理与执行顺序。数据结构：链表 vs 数组、树/二叉树基础。算法：快速排序思路与复杂度。协作经历：分支、PR、推进方式与个人贡献。🙌面试感想：第一次面试，碰到了非常好HR 和面试官。HR 非常积极推进流程，反馈及时。面试官提问很专业，追问有深度，也给了我明确的改进建议。这次面试结束就开始重构项目，打算做Agent 能力与MCP 接入（项目地址：https://github.com/alicesainta-sketch/deepscan）

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1.论文拷打2.gat和transformer的attention机制有什么区别3.你觉得你的改进为什么work4.意图识别是怎么做的5.拿llm做文本分类比bert好吗6.lora比其他微调方法有什么优势吗？7.了解过多模态相关吗？8.mha

被横向挂了，希望发出来对大家有帮助！1.实习拷打2.项目拷打3.unet最重要的组件4.transformer原理5.为什么除以根号d6.lora细节7.什么场景下更适合lora8.最近遇到的最大的困难是什么 怎么解决的9.手撕 leetcode 82

祝大家都能拿到满意的Offer！1. 项目拷打2. 详细阐述Transformer的底层原理，并说明其能够替代RNN的核心优势；结合Transformer架构的成熟度，分析Self-Attention机制在多模态对齐任务中是否存在瓶颈，以及在实际业务场景中，是否出现过注意力权重完全偏移的情况。3. 讲解LoRA的技术原理，说明LoRA是否仅能嵌入Linear层；分析LoRA无法在LayerNorm层之后插入的原因，以及该操作会对模型训练稳定性产生哪些具体影响。4. 结合实操经验，说明QLoRA降低训练资源成本的核心逻辑；列举常见的模型量化方式，并解释QLoRA选择NF4与FP16组合而非其他方案的原因，阐述NF4的分布拟合逻辑。5. 针对采用multi-query attention优化后，decoder延迟仍居高不下的问题，分析潜在性能瓶颈；探讨vLLM自带的KV Cache是否会成为推理过程中的负担。6. 分别说明Embedding模型与Rerank模型处理文本语料的核心流程，并结合实际应用场景举例说明。7. 结合过往RAG项目经验，讲解从数据清洗到检索服务上线的完整链路搭建流程，重点说明chunk切分的具体策略。8. 分析当前RAG技术落地的最大瓶颈，并阐述你在项目中采取过哪些优化手段来提升检索召回率（Recall）。9. 针对XX领域大模型的训练工作，说明SFT（监督微调）数据集的构造方法与核心思路。10. 结合LoRA微调实操经历，说明rank值的选择依据；在合并adapter权重的过程中，是否遇到过梯度爆炸问题，以及对应的解决方法。11. 结合你的模型部署相关经验，说明模型参数量与硬件算力需求之间的对应关系（例如不同参数量级模型所需的算力配置标准）；以部署一个稀疏率千分之三的235B参数量MOE架构模型为例，估算其所需的算力规模。12. 在搭建RAG知识库时，若需对文档进行动态更新，你采用的是全量嵌入还是增量处理方案？若为增量处理，如何规避新旧文档数据分布不一致导致的检索偏差问题。13. 针对机械臂动作态融合相关工作，说明数据融合的具体实现方案，以及对比实验的设计思路与评估指标。