攒人品中，祝大家都能拿到满意的Offer！1.实习拷打2.重写Java对象hashcode()和equals()的原理?3.介绍一下Java的异常体系?平时编码的时候遇到的常见异常?4.介绍一下reentrantlock。5.实际应用过reentrantlock吗?介绍具体的应用场景?6.volatile关键字的作用?为什么能保证可见性和有序性?为什么不能保证原子性?7.解释一下threadlocal的使用场景和内存泄漏问题?8.平时用什么大模型?9.后端代码用大模型写的话，完成率是多少，有什么使用心得?10.介绍agent项目，遇到的问题，担任的角色，如何衡量项目做的怎么样?项目上线后，可能会进行功能维护和升级，具体应该怎么做?11.对于新的AI技术，你是怎么学习的，学习的路径?12.你说项目中带了另外两个低年级学生做，当产生分歧的时候，你是怎么解决的?

发面经攒人品一面1. 你什么时候能够过来实习？2. 那你们后面，你大概实习多长时间？3. 你先做一个自我介绍，然后再讲一下你最近的 AI 的一个项目，以及你实习的公司的一个经历。4. 你有做过 agent 的项目吗？5. 说说有哪些局限性呢？6. 那你觉得用 dify 去做的时候，就是画 agent 的流程的时候，你觉得需要注意到哪些问题吗？7. AI 编排这个系统落地的吗？8. 在 Java 里面去怎么对接 MCP 啊？9. 你会玩 Python 吗？10. 那你爬虫爬什么东西？学校数据11. 你怎么爬的？忘了，大二搞的12. 那你上一段实习为什么只有两个月？我写的不是三个月吗二面1. 稍微简单介绍一下自己的情况吧。2. 你投我们 AI 技术实习岗位之前是怎么考虑的？未来准备往哪走？3. 你什么时候开始接触 AI 这些东西的？4. 你未来的职业方向是什么？5. 从深层次角度，你觉得什么是 AI Agent？Coze 就是吗？6. 自己写了一个类似扣子/Defi 的编排平台吗？7. 你觉得 Dify 和 Coze 有啥区别？8. 向量化存储和直接存文本，优缺点是什么？向量的代价和收益你有考虑吗？9. 你平时用 Linux 开发吗，还是 Windows？mac10. 现在开源软件大多跨平台，你觉得背后原因是什么？11. 你项目里提到安全判定，这个是怎么来的？当初为什么要做？12. 详细介绍一下安全判定的实现逻辑和思路13. 你最后还是要走开发路径吗？14. 在芯片设计公司里，AI 可以做什么事？15. AI 会不会阻断很多成长路径？

📍面试公司：数坤科技🕐面试时间：4.15（1h左右）💻面试岗位：实习算法工程师❓面试问题：1.自我介绍2.项目介绍，用代码/伪代码介绍项目数据流3.你的agent项目是如何评估的？4.rag的召回指标如何评估？5.如何知道chunk是不是你的目标chunk？只能人为标注？能不能自动化完成？[补充]如何写好一份prompt？6.rag效果不好怎么办？微调？成本太高怎么办？prompt工程？小模型提示词写好之后依然对有些数据效果好，有些数据不好，怎么办？除了微调，换模型，还有什么？7.KV cache原理？为什么不存Q？8.数据漂移怎么办？哪些参数影响模型推理阶段回答的稳定性？如何影响？手撕: 开根号反问: 组内业务/人数，作息时间🙌面试感想：有几个问题忘了，记性不太好。。想起来会补充。面试官人挺好的，不过我回答问题啰啰嗦嗦又磕磕巴巴。。

继续来分享下最近的面经~1.实习拷打2.秒杀场景下，如果没有redis，多个用户来抢单，大量的库存扣减的请求打在mysql上，这种情况下数据库压力大吗?会出现怎样的性能瓶颈?3.这种场景下，会用到数据库的哪些锁?除了行锁，还会用到什么锁?4.介绍一下悲观锁和乐观锁的区别及使用场景?5.介绍一下MVCC?6.threadlocal内存泄漏的原理?7.简历里提到的多级缓存，是在redis的基础上加了本地缓存吗?本地缓存的过期时间你是怎么设计的?出现本地缓存与redis和mysql数据不一致的情况，如何处理?8.令牌桶算法和漏桶算法的主要区别是什么?9.使用zset进行限流的瓶颈在哪?10.如果用户量很大，达到了百万级别，系统内存会有什么瓶颈?有什么优化方案?11.RAG的核心原理是什么?12.你用的什么向量数据库?有没有使用过其他的?13.Planner/Excutor/Supervisor模式中，如果Planner做步骤规划的时候，出现一些循环依赖问题或者某一步失败的话，Supervisor是怎么处理的?14.上下文窗口会随着对话不断增大，你采取什么措施去避免它太大?15.SSE是如何实现边生成边推送的?16.AI coding:实现一个网关，主要功能包括鉴权、限流、路由，最后返回服务器响应17.vibe coding

面试时长半小时，没有手撕代码环节，大部分时间在深挖项目经历，穿插少量八股文问题。1. AI coding / 工具使用有没有用过 Cursor 或其他 AI coding 工具不同 AI coding 工具之间的设计差异你怎么看多 task 执行这种设计是否合理AI 生成代码的主要问题是什么2. 项目深挖 - 系统设计系统里的缓存（比如 Redis）一般怎么使用如果要支持高并发，你会怎么设计服务一般是怎么部署的你怎么理解“可扩展”3. AI 项目（RAG 方向）效果提升是怎么评估的，有没有 baseline 对比技术选型是怎么考虑的怎么判断效果好不好，有没有遇到过 bad case4. Agent / AI 系统理解对 MCP 和 tool calling 有没有了解skills 为什么能减少 token 消耗5. 实习经历为什么既做产品又做技术这段经历最大的收获是什么6. AI 行业认知有没有了解过 AI coding 类的产品7. 项目难点讲一个你遇到的技术难点有没有用 AI 工具解决过实际问题

拼多多日常实习 大模型算法一面分享发点面经攒攒人品～1.Pretrain 和 SFT 分别解决什么问题？2.Transformer 的基本结构怎么理解？3.多模态模型的大致结构是什么？最容易踩坑的点通常在哪里？4.SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？5.对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？6.玩过 Openclaw 吗？了解其的记忆机制吗？7.如果检索返回了很多相关的内容，如何选择最相关的？8.了解 embeding 吗？9.了解过 spec-drivening 的 code agent 吗？10.了解上下文压缩机制吗？11.为什么压缩前 70%？最开始的几轮对话明确需求不是很重要吗？拼多多内推链接：https://careers.pddglobalhr.com/campus/intern?t=vSypT8yAuQ 内推码：vSypT8yAuQ

项目提问，为什么选择这个任务，开发中遇到什么问题，自己怎么解决的？项目开发中技术栈的选择和开发流程。 项目中你做了一些优化，有没有和旧策略进行对比，具体有哪些提升？ 介绍下prompt工程，你了解prompt自动化吗？ 介绍下sft，它是怎么做的，有什么衡量指标 rag知识库怎么搭的？向量维度的选择，embedding模型的选择 java里HashMap的底层实现，什么时候转为红黑树，为什么转红黑树策略这样设置，HashMap的key有什么要求（实现hashcode和equals） 编程题：java实现用一个标记位实现一个锁。和面试官说了不会，换成了K个一组翻转链表。

给我面没招了，发点面经攒攒人品～1.日常开发过程中都用过哪些AI的工具来提升效率的，哪些更好用些，mcp、skill之类的?2.对前端有了解吗?有没有使用AI工具生成前后端代码的经历?是如何使用的?3.了解哪些规范驱动开发?(应该是问如何规范使用AI开发)4.讲一下如何设计提示词?有哪些设计原则?觉得系统提示词和用户提示词有什么区别?能把系统提示词放到用户提示词中吗?5.讲一下项目中知识库检索中有哪些亮点?问题改写如何做?为什么使用三层递进检索?6.怎么定义知识没检索到?(设置了一个召回率阈值)这个阈值如何设置?7.知识库检索准确率是多少?8.使用RAG过程觉得它有什么缺点?有哪些替代的技术?9.CICD介绍一下?

流程挺快的, 一面和二面的间隔大一点, 二面完几分钟就三面了1. 自我介绍2. 实习拷打 大部分时间都在实习上 总时长感觉1小时左右, 一半的时间都在问实习3. 特征筛选如果不只看相关系数，你会怎么做特征筛选不能只看单变量相关性，因为很多特征单独看不强，但和其他特征组合后才有信息量。更稳的做法通常是先做业务分组和统计稳定性检查，过滤掉高缺失、高漂移、强泄漏和强共线的特征；再结合树模型增益、置换重要性、SHAP 分析和线上可用性做二次筛选。对大模型应用相关任务，还要额外关注特征是不是把未来信息泄漏进来了，比如用到了答案后的行为、后验标签或者系统回写字段。真正好的特征不是“看起来复杂”，而是对目标...

感觉自己好菜、面试很难，还是要多多练习1. 介绍一下ReAct范式和Plan and Execute范式？这两种范式的应用场景是什么？2. 什么情况下用ReAct，什么情况下用Plan and Execute？3. 介绍一下Multi-Agent？是如何共享上下文的？子Agent会使用父Agent的所有Context吗？4. 场景题：现在需要设计智能客服Agent，根据用户的提问来进行尽可能准确的回答，你觉得该如何设计？需要考虑哪些方面？5. 如何避免这个场景下模型的幻觉问题？6. 对于这样的Agent服务，电商大促的时候，流量大，有流量尖刺的情况下，如何解决？7. JVM调优时，如何查看内存对象的情况？有了解过开源工具吗？8. 如果你实习新到一个部门，你会如何在两周内快速上手业务逻辑？你该如何弄清楚微服务之间的调用关系？9. SSE和WebSocket的区别？

1.自我介绍2.项目一拷打：具体怎么做的？数据啥样？现在准确度在什么水位？有没有考虑过Agent做？你怎么和团队讨论的？是你一个人在完全负责这个模块吗？结果怎么定的？如果让你重新做这个项目用Agent的方式你会怎么考虑？上下游是怎么样的？你有和上下游交流过他们的情况吗？你的prompt怎么写的，具体展开说说？这个意图识别你怎么理解的？few-shot具体考量？用户反馈数据有看过吗，说说想法，怎么定的三种意图？3.项目二简单询问：你进来就做了这么多工作吗？两个项目的时间怎么安排的？4.看你简历上主要是算法的东西，你怎么看待算法和Agent应用的区别？5.场景题：五分钟思考一下做一个用户购物的Agent，问了有要规定什么方式？让自己编排6.反问：团队对于AI什么看法？太宽泛了，具体一点，就AI写代码？没有规定，看个人爱好。实习生进来会做什么样的角色，会做哪些工作？团队的AI技术3年前就已经开始建设了，不是临时起意的，例如和你比较贴合的就是意图识别，商家对话的意图可能更复杂，会有师兄带着做。7.会根据一面二面情况反馈，如果通过会有下一轮面试官联系面完感觉还有希望，比一面发挥好太多了，结果第二天挂了

1. 自我介绍2. 如果让你设计一个面向跨境售后纠纷的智能工单中台，整体架构怎么落可以把系统拆成接入层、规则与路由层、会话编排层、模型服务层、工单状态层、证据存储层和审计回放层。接入层处理 IM、邮件、表单和外部 API；规则层做租户隔离、语言识别、风险分级和触发策略；会话编排层维护案件上下文、节点执行历史和工具调用轨迹；模型服务层只负责生成和抽取，不直接持久化状态；状态层维护工单生命周期和人工接管点；证据层保存截图、订单记录、退款日志和模型引用片段；审计层负责回放每一步输入输出，便于定位误判和争议。真正难的点不在“能不能生成回复”，而在于把模型能力约束在可追踪、可回滚、可仲裁的业务流程里。3...

被挂了，希望发出来对大家有帮助！1. SSE跟WebSocket有什么区别？为什么模型推流的场景选择SSE，不选WebSocket？2. RocketMQ怎么去保证消息是不丢失的？如何保证消息是能够幂等的？3. 对于RAG来说，跟我们直接使用Prompt相比，RAG有什么样的好处？4. 为什么你部署模型使用的是vllm而不是ollama？5. 介绍一下lora的数学原理？为什么它可以降低显存占用？6. 了解HyDE技术吗？为什么可以做检索优化？7. Claude Code它是如何去检索代码之间的相关性的？比如给一个问题，中文描述给它，它怎么去找到对应的检索代码？8. 要去写一个比较复杂的工程，用AI Coding，自己会去做哪些工作？怎么去开始？

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. 你们整个项目组是怎么分工的？你具体负责哪一块？3. SFT（监督微调）阶段的数据集是怎么构造的？4. 为什么在 SFT 之后还要做强化学习（RLHF）？SFT 出来的模型具体存在什么问题？5. 强化学习阶段为什么选择了 DPO 而不是 PPO？6. DPO 的偏好数据（正确与错误样本）是怎么构造和评估的？7. 你们是怎么评测模型生成的 C 语言代码质量的？8. 简单讲讲你们 RAG 模块的检索逻辑和流程。手撕代码环节二分 冒泡交叉熵和 KL 散度介绍一下

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

发一下问题给大家参考，攒攒人品！1.实习拷打2.拷打项目:针对长短期记忆，讲讲你是如何设计记忆的提取、压缩与冲突更新机制的？如果检测到用户存在极端情绪，你的Agent如何在不中断对话流的前提下进行干预？3.讲一下稠密向量与稀疏向量的区别，分别适合处理什么样的搜索需求？4.在向量化之前，为什么要对长文档进行切片？如果不切片会有什么后果？5.切片时设置重叠区域的作用是什么？这个比例你通常怎么来确定？6.余弦相似度和欧氏距离在衡量文本相似性时，各自的优缺点是什么？7.向量库检索出的Top-K结果，如果K值设置得过大，对后续的生成质量有哪些负面影响？8.为什么在初筛召回之后，还要加一个Rerank模型？能解决向量搜索哪些局限？9.如果文档发生了局部更新，如何通过增量索引来避免全量重新向量化？10.在RAG的生成阶段，如何在Prompt中设定边界条件来防止模型在没搜到内容时产生幻觉？11.调用大模型API时，为什么要使用asyncio异步编程？它在处理高并发请求时有何优势？12.你了解哪些大模型推理框架？SGLang相比vLLM的PagedAttention在推理延迟上有哪些优势？13.手撕：第k大元素

攒攒人品！有面试过同岗的朋友欢迎评论区交流1、都知道哪些vllm的优化技术？2、在现有模型的基础上，由于算力问题，如何利用大模型来蒸馏一个3B的模型？3、logistic回归的模型原理和loss。4、给定一个时间序列，如何通过机器学习的方法进行建模筛选出来重要的特征，然后基于规则方法进行建模5、DeepSeek-MTP是用在训练阶段还是推理阶段的，具体过程是怎样的？6、在现有大模型的基础上，如何通过agent的相关方法，训练一个coder模型，撰写金融领域相关模型的代码。

1. 自我介绍2. 介绍你这项目，重点讲 LLM 部分是怎么设计的3. 如果让你从零设计一个对话 Agent 的流程，核心状态有哪些核心状态至少要有会话状态、任务状态、工具状态和记忆状态。会话状态负责当前轮的输入输出和上下文窗口；任务状态描述目标、槽位、依赖和是否完成；工具状态记录已经调用过哪些外部能力、返回了什么、是否失败和是否可重试；记忆状态保存长期偏好、历史事实和结构化摘要。很多对话系统看上去只是“多轮聊天”，实际真正难的是状态机设计，如果状态边界不清晰，模型很容易把临时信息写成长久事实，或者把上一个任务的中间结果错误继承到当前轮。4. 如果用户和 AI 对话时生成的问题本身有冲突，系统...

发点面经攒攒人品～1.Pretrain 和 SFT 分别解决什么问题？2.Transformer 的基本结构怎么理解？3.多模态模型的大致结构是什么？最容易踩坑的点通常在哪里？4.SFT 数据如何更贴近业务：如何避免过度模板化？如何做基础的 train / test 去重来避免评测失真？5.对齐（ RLHF / DPO 等）整体思路是什么：为什么需要偏好对／奖励信号？6.玩过 Openclaw 吗？了解其的记忆机制吗？7.如果检索返回了很多相关的内容，如何选择最相关的？8.了解 embeding 吗？9.了解过 spec-drivening 的 code agent 吗？10.了解上下文压缩机制吗？11.为什么压缩前 70%？最开始的几轮对话明确需求不是很重要吗？