AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。

段段之前的帖子，讲了RAG与Doris，这次我将结合后端与大模型、向量数据库里一些比较常见的知识讲一讲，为大家的全局概念做一个补充。 讲之前先叠个甲： 1.段段是做的AIGC项目，但是很多东西接触不到，而且很多东西用不了，比较老旧和粗暴 2.AI相关的，我最近在面试，也在学习，也在结合项目思考 3.本文是自己思考和学习的结果，欢迎大家讨论，有问题请合理发言 如果你、我因为不懂AI而丢人，那就对了，因为我就是这么一步步过来的。一、架构视角——后端与大模型到底什么关系 千万不要神话大模型，在后端眼里，大模型不是什么无所不能的神仙，它本质上是一个耗时很长，极其昂贵，很容易返回乱码的API。本质上，后...

继续来分享下之前的面经~强度好大，俺不中咧。。。。1.实习中多智能体系统包含几个智能体？它们之间如何交互？2.意图识别模型需要识别多少个意图？3.750B 模型用于什么场景？4.实习中 Qwen3VL 模型是多少 B 的？用于什么场景？5.在实习中，你主要的贡献是什么？6.检索环节做了哪些优化？7.答案生成环节做了哪些优化？8.是否做了 SFT 或强化学习相关工作？在哪个环节做的？9.SFT 过程中是否对类别标签做了清洗或修正？10.强化学习的样本量是多少？11.基础模型经常分类分不准的案例有哪些？12.在校项目中，为什么用对话数据来增强数据集？13.在校项目任务的输出可以简单描述并举例吗？14.单智能体能否完成在校项目相关工作？为什么要使用多智能体？15.LangGraph 相对其他开源智能体编排工具的优点是什么？16.在现有场景中是否需要用到 LangGraph 的状态管理功能？17.如何理解 Long-term Memory 的实现方式？18.若将电商场景中用户的购买、点击、兴趣等信息设计为长期记忆，有什么想法？19.Context Window 能否储存大量电商交互信息？如何解决存储问题？20.推理时若将大量 Memory 以 Token 形式给到大模型，Token 长度过长该如何处理？21.强化学习有哪些常用技巧？22.若通过 SFT 进一步提升模型准确率，常用的手段有哪些？23.SFT 的理想数据量是多少？如何确定？24.SFT 数据分布一般怎么取？为什么选择该分布而非其他分布？

1、自我介绍2、介绍实习3、问为什么研究生方向是LLM，选择做开发，以及到岗时间4、详细介绍其中一段实习，完整的业务流程、业务背景、系统设计5、具体围绕的我实习展开大概40mins （一致性、并发、分库分表）6、hashMap相关问题 （一个线程写，其他多个线程读出现什么问题）7、redis实现分布式锁 （自己实现redis分布式锁考虑什么）8、redis的技术选型问题，给你一个新的业务场景，多大并发要引入redis，为什么引入redis9、tcp的三次握手，如果每次第二次服务端发完syn+ack 客户端都不回复，且客户端多次尝试，会出现什么问题10、XSS问题11、https代理人劫持12、...