同花顺 后端 b2b 二面 虽凉但过

如果你现在想入行AI，别一上来就啃什么反向传播、数学推导，大概率坚持不下来。直接奔着RAG去，这是企业最缺、上手最快、简历最好写的方向。RAG到底是啥？全称检索增强生成，说白了就一句话：让AI学会翻资料再回答问题。以前的大模型全凭“脑子里的知识”答题，问它“咱们公司年假怎么休”，它直接懵——它又没在你公司上过班。RAG不一样：你先把自己公司的员工手册、技术文档、会议纪要、客服聊天记录全喂进去，存在一个叫“向量数据库”的地方。员工来问问题，系统先去库里找相关材料，然后把材料+问题一起给大模型，模型照着材料回答。效果立竿见影：客服不用翻几百页手册了，秒回客户问题新员工入职，自己问AI就能熟悉业务代码报错了，AI自动查历史bug库给解决方案销售要写方案，AI去库里翻过往中标文档做参考为啥企业抢着要？因为每个公司都有自己的知识积累，通用的GPT用不上。而RAG能把公司内部经验和AI能力打通，成本低、见效快、不出错。老板一听就两眼放光。入门学啥？就两样：1. 向量数据库——存知识的地方。学学怎么把文档切碎、转成向量、存进去、搜出来。主流的Chroma、Milvus、Pinecone挑一个玩熟。2. LangChain——搭流程的工具。学学怎么把“查资料+问模型”串成一条流水线，文档怎么切、怎么搜、怎么拼给模型。怎么做项目？就做一个：公司内部知识库问答机器人。拿几百页员工手册或者技术文档，搭一个能回答任何内部问题的机器人。部署到飞书、钉钉或者企业微信上，真能让同事用起来。这个项目往简历上一写，面试官一看：这人来了就能干活。

1、实时生成的聊天代理模型，如果线上出问题了，怎么定位这种问题一般先按链路拆。如果是实时生成类聊天代理，通常一条请求会经过网关、会话层、Prompt 拼装、模型推理、工具调用、结果后处理和流式返回几个阶段。线上出问题时，先判断是全量故障还是部分故障，是所有请求都失败，还是只有某一类请求延迟高、返回空、内容异常。定位时先看监控和日志。监控上看 QPS、平均延迟、P95/P99、错误率、超时率、GPU 利用率、显存占用、容器重启次数。日志上重点看 request_id，把一次请求链路串起来，看是卡在 Prompt 构造、模型推理、下游工具调用，还是 SSE/流式返回阶段。如果是模型输出异常，要回看...

简单自我介绍项目简历穿插八股项目问题 tokenizer怎么优化p tuning v2怎么做 和前面的区别是什么lora微调怎么做lora两个矩阵怎么初始化，为什么不能a0tf idf验证在做什么强化学习grpo怎么做的奖励函数怎么样如何llm as a judgerag怎么做的？向量检索怎么做梳理llm预训练和后训练分别做什么这些技术目的是什么讲一下量化，具体做什么力扣第8题问的很基础，平时讲的少了感觉没讲好。最后手撕的内容做的不太好，没做过的内容有点慌张

我面产品岗，面试官很爱问RAG问题，“如何验证AI回答准确率的提升是来自RAG策略优化，而非模型本身的随机性波动?“建议思路：AB实验题，需提及Baseline设定、评估维度及统计显著性