发一下问题给大家参考，攒攒人品！1.项目拷打2.实习拷打3.论文拷打4.你更希望找长期实习，那你觉得什么样的工作内容会让你更愿意一直做下去？5.在xx那段主要是做数学解题这个方向，这个事情当时业务上是要解决什么问题？6.一开始为什么是用OCR加文本这种方案？后面为什么觉得不太够用了？7.你们后来换成多模态，是在哪些场景下收益最明显？8.你做的那一整套训练流程，对最终效果提升最大的是哪一块？9.模糊图效果提升挺多的，这块你觉得主要解决了什么问题？10.你们在数据这块做了很多处理，比如去重这些，这些工作你觉得值不值？有没有量化过收益？11.在强化学习这块具体是负责哪一部分？12.奖励大概是怎么定义的？有没有遇到奖励不合理的情况？13.强化学习训练过程中，有没有出现模型“学歪了”的情况？是怎么处理的？14.在xx公司那段用的是GRPO，当时为什么会选这个方法？15.小模型能做到80%以上这个效果，你觉得核心原因是什么？16.在比赛里做的是Agent推荐，这个和传统推荐最大的区别是什么？17.多代理那套方案里，哪一部分是你觉得最关键的？18.做了memory，这个东西实际带来的提升是什么？19.对现在这种Agent框架，比如OpenClaw，整体怎么看？20.如果让你用OpenClaw去做一个发券或者运营自动化，你第一步会怎么设计？21.你觉得这种Agent在业务里最大的风险点是什么？

攒攒人品！ 1. 项目拷打2. 多模态大模型有什么了解3. Agent skills4. 怎么加强大模型记忆机制5. 多Agent执行策略的智能选择和切换机制设计6. SSE的局限性7. lora效果不好怎么办8. RAG动态知识更新9. 大模型项目遇到了什么问题10. lora的缺点，改进方向11. 复杂任务执行准确率提升的评估方法12. 多轮对话的实现方案13. RAG评估方案14. 了解过市面上有哪些智能体agent吗15. 介绍一些AI大模型16. MCP和Function Calling

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.实习拷打3.OCR 结果有噪声或错误时，你是怎么做纠错或提升解析质量的？4.多模态检索中，图像和文本向量不在同一空间时，如何实现对齐？5.Agent 中长短期记忆如何设计？各自存什么，怎么触发读取？6.多轮对话中，如果不同轮次的记忆发生冲突，你如何处理？7.用户情绪异常（投诉、愤怒）时，Agent 如何在不中断主流程的情况下进行干预？8.长文档为什么一定要切 chunk 再做向量化？不切会有什么问题？9.chunk切分时为什么要有重叠区域？比例一般怎么确定？10.稠密向量和稀疏向量的区别是什么？各自适合什么场景？11.是否做过关键词召回和向量召回的融合？具体怎么做的？12.向量检索中 Top-K 设置过大或过小分别会带来什么问题？13.余弦相似度和欧氏距离在高维空间中的差异是什么？实际怎么选？14.为什么需要 rerank 模型？它解决了向量召回的哪些问题？15.rerank之后的截断策略是怎么设计的？为什么选这个 K 值？16.文档发生局部更新时，如何做增量索引而不是全量重建？17.RAG 中如果没有召回到相关知识，如何约束模型避免胡编？18.HyDE 在 query 模糊时是如何提升召回效果的？19.超长上下文模型出现后，RAG 架构的必要性是否会下降？20.大模型高并发调用时，如何做限流、降级和成本控制？

被横向挂了，希望发出来对大家有帮助！1. 请介绍 Transformer 的结构组成及各部分作用2. 如何降低 Transformer 的计算复杂度？常见的稀疏注意力变体有哪些？3. LoRA 微调的原理是什么？秩 r 的选择会对模型表现产生什么影响？4. KV Cache 是什么？为什么能极大地提升推理速度？5. RAG 完整流程，构建向量检索库时如何处理时间衰减对召回的影响？6. 微调时的训练数据是怎么构建的？如何保证样本多样性和质量？7. 在 RAG+知识图谱的 Agent 系统中，知识图谱更新的机制是怎样的？如何保证实时性？8. 训练 LoRA 模型时，你是如何选择冻结层的？依据是什么？9. 在高并发查询 Agent 系统中，你会如何优化召回和生成阶段的延迟？10. 大规模 Agent 系统在多线程/多进程场景下的资源调度策略如何设计？