1. 介绍实习，我这边实习做的是web3和ai，跟他讲了好久业务背景。主要围绕工作量证明以及如何结算代币和激励2. 介绍transformer的架构，qkv的作用，注意力机制3. 大模型推理的两个阶段？没太get到4. vllm：kv cache对于业务的优化，page attention稍微提了一嘴5. spring：ioc和aop的理解，aop什么时候失效。两种动态代理模式详细说说6. redis：五种数据结构底层原理，跳表和红黑树的对比，跳表什么时候退化，跳表最后会退化成什么样，红黑树什么时候退化，最后会变成二叉平衡树吗7. innodb为什么用b+树，与前面两个比较8. kafka的结构有什么，生产者消费者数量设置探讨，如何指定到某个partition9. agent相关：说说mcp，function calling，ReAct以及一些常见的设计范式，比如Plan & Exec10. 算法：无重复字符的最长字串11. 追问业务的时候还在问算法相关内容，说说stable diffusion和vit，视觉怎么样被大模型处理的误闯天家了，算法内容仅限了解过一点，广度深度都很一般。

自我介绍 有没有大模型相关的经历，聊了半天大模型挑个熟悉的项目讲下分布式锁一人一单https的s（对称加密之类的）websocket原理以及项目中怎么用的jwt原理以及项目中怎么用的（面试官很喜欢问这两个的底层原理）redis三剑客最后给了几个建议，比如简历融合些大模型相关的元素。处女面，问题都很简单，大部分答出来了但是有些原理没讲清楚，30min就结束了，感觉凉了，自己的问题，还得继续努力

发点面经攒攒人品1、你在线上或离线训练时，过拟合怎么处理？直接说你最有效的三个方法和拿到的收益。2、把 BN 讲透：原理是什么；训练期和推理期用的统计量有何不同；跟 LN、GN 比，分别什么时候用、怎么取舍。3、分类和回归你最常用哪些损失？你更偏好哪几个，为什么（从鲁棒性、梯度、数值稳定性上谈）。4、L1 和 L2 正则你怎么选？它们各自的效果与风险是什么，工程里你是怎么权衡的。5、二元和多分类的交叉熵你怎么写？在工程里你怎么做数值稳定实现。6、AUC 到底在统计上代表什么？你怎么计算它，在线上业务里你如何解释“这次 AUC 提升”的含义。7、你做 CTR/CVR/CTCVR 联合建模时，ESMM/ESMM2 是怎么推导与工程落地的？线上到底带来了什么收益。8、Transformer 里因果注意力的 Q/K/V 各从哪来？Mask 具体怎么实现。9、Scaled Dot‑Product Attention 为啥要除以 √dk？如果不除会出什么数值或训练问题。10、把 Transformer / Decoder‑only 的整体结构过一遍，各个组件分别在干什么，有哪些常见变体。11、位置编码这条线你怎么选：绝对 PE、相对 PE、RoPE 各自的思路、优势和局限，结合你的项目谈取舍。12、长上下文怎么搞？Rope scaling、Position Interpolation、KV Cache 管理、检索增强、窗口注意力，你的实战方案是什么。13、KV Cache 在训练和推理中的差异是什么？它的加速价值有多大，吞吐与延迟你是如何权衡的，vLLM/paged‑attention 需要注意什么。14、PEFT 方案里（LoRA/QLoRA/Prefix/Prompt‑Tuning/Adapter）你怎么选？说说稳定训练的经验。15、SFT 和对齐（RLHF/DPO/IPO/PPO）原理差在哪？在不同数据与资源条件下，你怎么选路线。16、RAG 系统你怎么设计？切分、索引、召回/重排、压缩/融合、兜底策略怎么串。17、提示词工程你是怎么搞的？System/角色/约束/分步指令怎么写，如何防越狱

1. 介绍某实习公司中负责的关键词命中系统、文档提取系统具备的有特点的功能2. 基于AC自动机构建违禁词匹配的查询结构，在实际应用中是如何实现的3. 某实习公司技术栈中是否考虑过Hive、Spark这类大数据链路的应用4. 关键词命中系统优化的核心目的是否为提升查询性能，具体优化思路是什么5. Redis在关键词命中系统增量更新环节的使用方式，是否存在大key、大value问题6. 说明Redis出现大key、大value（如一个key对应几MB的value）时会引发的问题7. 关键词命中系统中Redis采用订阅发布方式监听时，多key场景下的轮询、监听该如何处理8. 关键词命中系统中处理emoji表情包存储时，涉及的Mysql存储引擎相关知识9. 关键词命中系统中emoji表情包的匹配为何需要用到AC自动机，大批量数据场景下AC自动机的应用逻辑10. 某实习公司中做Mysql治理的具体收获，展开说明相关优化手段11. 介绍某项目中AI相关的实践内容，以及对React agent、Multi agent技术栈的理解和应用12. 某笔记管理网站前后端技术栈的选型思路13. 腾讯云MCP的具体功能，以及其内部提供的工具能力有哪些14. 说明MCP、skill、function call三个概念的区别和相关性15. function call在RAG知识库中的业务逻辑实现细节16. skill在被agent使用后是否会占用上下文，其设计的核心优势是什么17. 开发agent时使用的框架和开发语言分别是什么18. 若要让大模型实现类似cloud code、cursor的编程工具功能，具体该如何实现19. Multi agent中plan的设计思路，以及在实际场景中的应用方式20. agent在长任务执行后上下文接近阈值时，采用何种机制做上下文的压缩21. 开发agent过程中，上下文管理有哪些具体的方式，该如何匹配对应的agent使用场景