一、为什么 Agent 评测比 LLM 评测更难？ 传统 LLM 评测（现在当然更复杂维度更多元化）关注的是文本生成质量——回答是否流畅、事实是否正确、格式是否合规。但 Agent 是一个完整的系统，它要自主决策、调用工具、与环境交互、在多轮对话中保持状态。这意味着：  不能只看最终输出，还要看中间过程是否合理（中间过程非常重要） 不能只看单次执行，还要看重复执行是否稳定 不能只看功能正确性，还要看性能、成本、并发能力 不能只在单一场景测试，还要覆盖工具调用、长上下文、多轮对话等维度（工具调用的能力评测也是目前的难点与重点）  LLM 评测像测发动机，Agent 评测像测整车——必须综合考察在...

历时两个月，23场面试，最终收获4家offer，努力终将会有结果。找实习的这段时间令人痛苦，是空窗一场面试都没有的窒息感，是多次二面挂三面挂的绝望感，但是我都咬牙坚持下来了。3.18-momenta4.13-同程旅行4.28-字节跳动5.9-OPPO

c++在路上了，lua也在路上

🕐面试时间：整个4月，一星期一面🏢部门：主站💻岗位：SRE运维开发一面智能分配时如何用数学模型优化的？你在里面负责的东西是什么呢？为什么你们不用传统的算法工程来实现而是这样子实现，这里面有什么考量吗？详细说说你们方案设计上主要考虑的点分配失败有降级处理方案吗？你是如何保证分配效果最优的为什么你说原有的逻辑是粗糙的？有没有详细的指标或者描述详细介绍一下什么是模型的硬约束和软约束GRPC改造中你遇到了什么样的问题？为什么GRPC改造提高了响应，你里面涉及了什么其他方面的链路优化吗？ 缓存优化，反射优化，字节码增强，过滤链失效，部分自定义功能失效你弄成Skill复用后有考虑通用情况和特殊情况吗...