我认为，能去大厂就不要去小厂。大厂之所以是大厂，他的运行肯定有许多小厂不能及的地方，趁着年轻，多积累积累比较好

一面：1.agent会话中redis是怎么存储的？key是怎么设置的？2.skills是具体是怎么设计的？3.工具是通过什么样的方式暴露给ai的?4.为什么没有选择使用mcp暴露？5.如果工作量特别大的话，把所有工具都塞给提示词会出现什么问题？6.在工具调用的情况下，比如说大模型调了一个不存在的工具，或者调用的时候参数传错了怎么办？你是怎么降低这个情况的？7.讲解一下ReAct框架8.ReAct框架有没有什么优缺点？9.说一下langchain和langgraph的区别？分别的痛点10讲一下项目中的langgraph的状态转移机制11.大模型产生幻觉的原因有哪些？？有什么手段可以缓解这个问题1...

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.介绍实习和论文2.介绍你熟悉的大模型架构追问：两者在注意力结构、训练策略和推理优化上的主要差异。3.为什么 MoE 架构能在参数规模继续扩大的情况下保持训练效率？4.MoE 的路由机制是怎么工作的？为什么会出现专家负载不均的问题？5.如果专家利用率很低，你会怎么优化路由策略？6.SFT 和 RLHF 在训练目标上有什么本质区别？为什么很多模型在 SFT 后仍然需要 RLHF？7.RLHF 中 PPO 的核心优化目标是什么？写出 PPO 的目标函数，并解释每一项的意义。8.手撕：实现 K 个有序数组的中位数

想从事AI开发，需要掌握的技术可以概括为几个核心方向。首先是编程基础，尤其是Python。它是当前AI领域最主流的语言，生态丰富，配合像 PyTorch 和 TensorFlow 这样的框架，可以高效实现各种模型。其次是数学基础，包括线性代数、概率统计和微积分。这些是理解机器学习和深度学习原理的关键，不只是“会用”，更要知道模型为什么这样工作。然后是机器学习和深度学习知识，例如常见算法、神经网络结构，以及模型训练与优化方法。此外，还需要了解数据处理，因为AI的本质是“数据驱动”。最后是工程能力，比如模型部署、性能优化，以及一定的软件开发经验，这能让AI真正落地应用。总的来说，AI开发不仅是学一...