中移金科

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 ...

大家帮我看一下我的简历，真是没招了，2026听劝版~

目前只能约到小公司，求大神指导

1. 自我介绍2. 讲一下你做的项目，重点说你负责的模块和难点3. 你在做 Agent 的过程中，真正学到的东西是什么，最大的坑是什么真正学到的不是 Prompt 怎么写得花，而是怎么把模型能力约束进一个可控系统里。比如什么时候让模型自由推理，什么时候必须走工具，什么时候直接拒答，什么时候中断循环，这些都不是模型自己能解决的。最大的坑一般是把模型当成确定性组件用，结果线上一旦遇到模糊输入、脏数据或者工具超时，链路就开始发散。后面通常会补上三层约束：输入规范化、工具白名单、执行状态机。这样即使模型发挥不稳定，系统也不会直接失控。4. RAG 这条链路里，最容易被忽略但最影响效果的环节是什么最容易...