4.28 测开 45min1.自我介绍2.为什么没有转正3.你认为哪些方面在实习过程中做的不好4.说说agent节点验证中的一个具体的业务？5.有其他的保障手段吗？6.有没有涉及到大模型的关于意图识别等功能的评测7.说说缺陷检测工具的背景与工作8.准确率如何计算9.实验场功能中，你的样本的数据集是怎么去进行选取的呀？10.怎么判断数据集是不是全面的呢？只是选了一批数据。那怎么判断全面性呢？11.最终选取的一个模型是什么呀？它比别的模型版本好在哪里啊？12.其实很多 QA 不是非常懂前端的代码，如果你们检测出来前端的代码有问题的话，后面的一个工作流是怎样实现的呀？13.讲一下 JVM 的内存结构吗？以及它的一个垃圾回收机制。14.MySQL 的索引是怎么实现的15.如果开发写了个SQL，你怎么判断它是不是有慢查呢？16.那你发现开发那个写的 SQL 确实没有用到索引，怎么判断需不需要去加一个索引呢？17.sql:学生的成绩表，需要查出各科成绩前三名的同学的姓名和他的分数。18.算法：反转链表19.未来预期是怎样的？20.你觉的AI在测试的哪些方面可以用21.反问更新 4.30 暂时不推进，挂

1.问实习2. 项目拷打3. LLM 落地部署有什么好用的 trick？答案：现在 LLM 落地里，很多时候改模型不如先改数据和链路。第一步是把线上 badcase 分桶，区分是检索错、提示词错、模型能力不足、工具返回错还是数据源脏；第二步是做数据闭环，把高频错误变成 SFT、偏好对、规则样本或者评测集；第三步是做推理侧优化，比如 KV Cache、continuous batching、量化、prefix cache 和路由小模型。比较实用的 trick 是不要盲目微调整个模型。很多业务问题是知识更新、格式不稳、证据引用错，这些更适合通过 RAG、结构化输出、后校验和数据清洗解决。只有当错误...

发面经攒后面的人品，我攒我攒一面：1.组内业务介绍2.自我介绍3.上下文压缩怎么做的4.压缩的时候信息丢失怎么做5.这样上下文工程还有什么，比如引入长期记忆，讲了讲mem06.openclaw的记忆系统怎么设计的7.openclaw的多智能体协作是怎么做的反转链表---二面：自我介绍说一下最深的点，感觉有点为了表现自己说错了，是自己做的最深的点，我说的是最近比较关注的深入研究的点(hhh查询的接口，问我数据量到底有多少?我不知道啊！确实是扣分点Agent范式是怎么做的？混合查询怎么做的？组合总数---感觉还是自己太菜了

1. 自我介绍2. 为什么要用 DPO，你的 DPO 数据从哪里来DPO 主要用来做偏好对齐，让模型在两个候选答案中更倾向于选择符合业务偏好的回答，而不是只学会复现标准答案。SFT 解决的是“会不会做”，DPO 更偏向解决“更喜欢哪种做法”。数据一般不是直接从线上拿一问一答就能用，而是先用上一版 checkpoint 对同一批 prompt 做多候选采样，再经过规则、模型评审和人工复核构造 chosen/rejected。这里不用商业 API 蒸馏正反样本，是因为不同模型的输出分布和本地模型不一致，直接蒸馏会让偏好边界偏到外部模型的风格上，最后 DPO 学到的是别人的分布，不一定能提升当前模型...