华为终于来了！

给我面没招了，发点面经攒攒人品～项目：1. 数据预处理的出发点？2. 对于真实的推荐场景中，新物品本来交互数据就比较少，如果直接过滤存在什么问题？3. 如何评价效果的好坏？4. 数据集每条数据的label格式？5. 具体的训练优化过程？6. 打压热门商品具体的做法？7. 随机抽样的样本是从哪抽取的呢？8. 困难负样本的设计方式？9. 选取损失函数的逻辑是什么？10. 在一个batch内，你的Loss是怎么算出来的？11. 一个batch内有A条正样本，B条负样本。要算几次loss？12. 有考虑过用Listwise的建模方式吗？13. 你对推荐系统全链路的理解？14. MMR多样性算法的简单原理？手撕：1.求数组的中位数2.  快速排序

1、自我介绍2、介绍实习3、围绕实习问 (数据一致性、redis分片、redis集群) 20mins4、redis八股，数据结构、各个数据结构的使用场景、优劣和底层设计、redis集群、redis分布锁，何时用String和哈希，两个对比优缺点。5、手撕：hot100字符串解码

我最近把AI Agent面经从0到1全部梳了一遍（含字节、阿里、腾讯真实面试），发现面试官真正想听的根本不是定义。很多人（包括苯人一开始）以为Agent面试就是背ReAct、背Tool Calling、背LangChain，结果一开口就被面试官打断：“这些我都知道，你说说你的设计思路。”我问懵过两次后才醒悟，Agent面试不是八股，是体系考察。下面这3个问题，几乎是每场面经中必问，🐮友们看看自己会不会踩坑。1.如果你做一个Agent，遇到工具调用失败或者LLM幻觉怎么办？我当时直接答“加retry”或“加human in the loop”，秒挂后面问claude，面试官想听的是完整容错体系：- 怎么判断是工具错还是LLM幻觉？- 用另一个LLM做fact-check / self-consistency- 降级到弱Agent / 规则引擎 / 人工兜底- 失败后状态怎么回滚？- 生产环境怎么监控Agent健康度2. Agent的Memory你怎么设计？大多数人（和我一样会说短期用ConversationBuffer，长期用向量数据库，直接寄。面试官想听的是分层记忆体系 + 读写策略：- Working Memory（当前任务上下文）- Episodic Memory（历史任务轨迹）- Semantic Memory（领域知识）- 什么时候用向量检索？什么时候用Graph？- 遗忘机制怎么做？（重要性评分 + 定期压缩）- 多Agent共享Memory时的读写锁和一致性问题3.单Agent和Multi-Agent你什么时候选哪个？怎么协作？”如果直接说任务复杂就用Multi基本凉。真正要讲的是决策框架：- 任务可分解性、通信成本、调试难度、单点故障风险- 协作模式（Hierarchical / Decentralized / Mixture-of-Agents）- 协调机制（Shared State / Message Queue / Supervisor）- 实际项目里Multi-Agent带来的收益和踩过的坑

最简单的一次了..  0411系统开发笔试，半小时全A完了，两道编程题都是简单题，笔试就该按照B站这样啊