星亿达科技、台积电需求分析师校招面经

🌟首先提升Agent 质量：1️⃣Prompt Engineering 是被低估的核心技能。 Agent 的 system prompt 和 tool description 的写法直接决定了 LLM 的决策质量。一个精心设计的 tool description，可以让 LLM 在 90% 的情况下正确选择工具；一个随手写的，可能只有 60%。这个差距不是换框架能弥补的。2️⃣Evaluation 是最容易被忽视的环节。 Agent 的行为具有不确定性，同样的输入可能产生不同的执行路径和结果。你需要一套 evaluation 体系来衡量 Agent 在什么条件下表现好、什么条件下会翻车。没有 eval 的 Agent 开发就是在盲人摸象。3️⃣上下文工程（Context Engineering）正在取代 Prompt Engineering 成为新的关键词。 它关注的是一个更大的问题：在 Agent 的每一步决策中，如何精准地组装出最有利于 LLM 做出正确判断的上下文？哪些信息该放进去，哪些该丢掉，以什么格式组织，这些决策比你选哪个框架重要一百倍。4️⃣用户体验设计不可忽略。 Agent 不是对每个任务都能完美完成的。如何让用户理解 Agent 在做什么、如何设置合理的预期、如何在 Agent 失败时优雅地降级——这些产品层面的思考往往比技术实现更难。🌟分阶段的选型策略1️⃣入门期：拿框架快速上手。选最流行的框架，跑通第一个 demo。目标不是做出好产品，而是理解 Agent 的基本工作原理。用框架的好处是屏蔽底层细节，专注于理解"ReAct 循环"这个核心概念。2️⃣进阶期：脱离框架理解本质。自己用纯 API 调用手写一个最小的 Agent。用 openai 或 anthropic 的官方 SDK，50 行代码写一个能调工具的 ReAct 循环。这个练习会让你彻底明白框架帮你做了什么、没做什么。3️⃣生产期：用框架的方式要利于拆除。如果你继续用框架，把它当作一个 LLM 调用的便利层来用，不要在它的 Agent 抽象上构建核心逻辑。如果你选择不用框架，直接用官方 SDK + 自己封装的薄层，也完全可行。代码量不会比用框架多太多，但可控性高出几个量级。⭕最后框架选型是一个"入口问题"——刚入门时你会觉得它很重要，深入之后你会意识到它只是一个起点。Agent 开发的真正挑战在于：理解 LLM 的能力边界，设计合理的任务分解策略，构建鲁棒的执行和容错机制，以及在不确定性中找到产品价值。这些事情，没有任何框架能替你想清楚。Agent 的灵魂不在框架里，在你对问题的理解里。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1、自我介绍2、讲一下你做过的一个最有代表性的项目3、RAG 里 chunk 怎么切，为什么这是个关键点chunk 切分会直接影响召回质量和最终回答质量。因为向量检索不是按整篇文档检，而是按切分后的片段检。如果切得太长，一个 chunk 里会混入很多无关信息，虽然语义覆盖大，但相似度不一定集中，模型拿到后也不容易抓住重点。如果切得太短，单个 chunk 虽然很纯，但上下文不完整，容易导致召回回来的内容缺少关键信息。实际做的时候一般会根据文档类型来定。像制度文档、说明文档，可以按标题、段落、语义边界切；如果是 FAQ 或问答对，本身就天然适合按条切。通常还会设置 overlap，避免一个关键信息...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.深挖实习，根据实习场景出题2.分析缺少经验的情况下如何做智能体(强化学习)3.transformer的架构，kv-cache加速体现在哪里4.并行策略，哪几种并行5.做并行的时候，矩阵切分有什么注意的，矩阵切分的数学原理6.通信时延的影响因素，如何缓解7.你未来的职业规划8.手撕:在全0方形矩阵画出一个内切圆(用1填充)

继续来分享下之前的面经~欢迎友好讨论，信息共享1.请详细介绍一下Transformer的架构，包括Encoder和Decoder的区别？2.解释LayerNorm和BatchNorm的区别，为什么Transformer中使用LayerNorm？3.多头注意力机制的原理是什么？为什么要用多头而不是单头？4.LLaMA的结构有什么特点？与标准Transformer有什么不同？5.什么是位置编码？绝对位置编码和相对位置编码的区别是什么？6.大模型训练中的灾难性遗忘是什么？有哪些解决方法？7.大模型训练中数据量和数据质量哪个更重要？为什么？8.DeepFM的原理是什么？FM部分如何降低计算复杂度？9.你在项目中遇到过拟合的情况吗？是如何解决的？10.手撕代码：重排链表（LeetCode 143）