1. 你的RAG项目主要什么作用2. RAG项目工作流程是什么3. 你的RAG项目出现问题，怎么进行排错4. 大模型微调过程中数据预处理的步骤有哪些？5. 如何解决大模型Agent的工具调用 幻觉问题？6. LoRA微调技术是什么？7. 大模型Agent的记忆机制分为哪几类？8. 大模型后端部署常用的框架有哪些？9. 全参数微调与轻量化微调的适用场景分别是什么？10. 大模型Agent实现复杂任务规划的核心方法有哪些？11. 大模型推理服务的性能优化手段有哪些？12. 如何设计大模型微调后的效果评估体系？13. 大模型Agent对接第三方API时，后端如何做接口鉴权、限流与异常捕获？14. 大...

1.go和Java的区别是什么2.Java中spring的bean是什么，生命周期说一下3.讲一下gRPC协议，为什么要用二进制编码4.tcp协议5.MySQL中的索引数据结构，联合索引6.如何用Redis实现分布式锁，衍生了一堆场景7.rerank模型原理，作用8.embedding和rerank模型原理上的区别9.transformer中的QK是怎么计算的10.HNSW索引原理11.完整描述一次大模型生成底层发生了什么12.拷打简历项目一个模块的具体源码，类的数据结构13.RAG的分块策略是什么14.介绍上一段实习的亮点工作展开追问15.cursor/claude code平时是怎么使用的

1. 你做过的后训练项目里，最难解决的问题是什么2. SFT 数据你怎么构造，怎样避免模型被训练“油了”SFT 最大的问题不是量不够，而是数据风格太单一，最后把模型训成一种固定腔调：很会说、很圆滑、但信息密度低。构造数据时我一般会先按任务拆层，比如信息抽取、工具调用、复杂问答、拒答、安全、长文总结、结构化输出，每一层的目标都不一样。然后再做难度分桶，避免模型只见过简单样本。另一个关键点是负面风格清理。很多数据表面上没错，但非常模板化，比如“这是一个非常好的问题，让我们一步一步分析”，这类东西在少量数据里没问题，规模一大就会把模型带偏。所以我会专门清掉这种“高礼貌、低信息”的样本，保留更接近真实...

攒人品中，祝大家都能拿到满意的Offer！1. 项目拷打2. Spring AI 框架的主要优势是什么？3. 如何设计多模型支持架构？4. 多租户环境下模型切换是否支持热更新？切换是否相互独立？5. Agent 的记忆、工具调用、知识库检索等关键组件是如何实现的？6. 系统中的 Agent 包含哪些具体状态？7. 后端 Agent 是否支持多租户同时调用？8. Session 和 User ID 是如何绑定的？9. Agent 工具调用的完整业务流程是怎样的？10. 长期记忆和短期记忆在设计上有什么区别？本质上有什么区别？11. SSE 在前后端是如何交互的？12. 后端以什么数据格式推送流式信息？13. Agent 发生“工具调用”时，SSE 推送的事件结构中通常包含哪些字段？14. MCP的交互流程是怎样的？15. Agent 如何与 MCP Server 连接通信？16. RAG 的主要模式和主要工作流程是怎样的？17. Agent 一般在什么阶段去查询向量知识库？通过什么方式去查询？18. 查询知识库的工具函数，其标准输入和输出是什么？19. Go 语言的 GMP 调度模型是怎样的？20. GMP 模型中的 Machine (M) 代表什么？21. Processor (P) 上的本地队列长度通常是多少？22. 系统如何实现图像识别等多模态功能？23. 为什么不直接使用多模态大模型？24. 在没有前端界面的情况下，本地图片是如何传到后端并进行识别的？25. 对其他主流 AI 框架有了解吗？26. 你最熟悉的主力编程语言是什么？27. 手撕 ：两两交换链表中的节点

发一下问题给大家参考，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. Think-Execute循环机制的prompt工程设计是你自己写的吗？3. 能简单说一下Think-Executor的prompt是怎么设计的吗？4. 系统用的基座模型是什么？5. 基座模型是通过API方式调用的吗？6. RAG系统包含哪些模块？7. 系统支持多轮对话吗？如果上下文爆炸或工具循环调用，你是怎么解决的？8. 假设要解决上下文爆炸的问题，你觉得有什么解决方案？9. DeepSeek这个模型了解吗？10. Bert和Transformer了解吗？11. Python语言用的多吗？12. Skill了解吗？13. 可以共享一下你的IDE，实现Think-Execute的伪代码类和方法吗？14. Think和Execute的方法是框架里自带的，还是你自己实现的？

1. 介绍一下你做的这个项目2. LoRA 的基本原理是什么LoRA 的核心思路是，微调大模型时没有必要把整个权重矩阵都更新掉，而是只学习一个低秩的增量。原始权重记作 (W)，微调后的权重写成：其中 (A) 和 (B) 的秩都很低，参数量远小于直接更新整个 (W)。训练时冻结原模型参数，只训练这两个小矩阵，这样显存占用、优化器状态和保存体积都会小很多。它适合做领域适配、指令微调这类任务，因为很多任务对模型的改动并不需要覆盖完整参数空间。LoRA 常见会插在 attention 的 q_proj、v_proj 上，有时也会加在 k_proj、o_proj 或 MLP 层。选哪些层，本质上是在表达...

继续来分享下之前的面经~欢迎友好讨论，信息共享1.实习拷打2.论文拷打3.那介绍一下你的项目吧？4.你agent项目框架的时候有什么考虑？除了langchain你还了解或者调研过别的框架吗？5.谈谈你对于agent的理解吧？你觉得agent包括哪些部分？运行机制是怎样的？6.你觉得planning规划这一块是agent框架做的还是大模型做的？7.planning有哪些方法可以实现？分别讲一讲？8.你在写agent的时候有用过长期记忆和短期记忆吗？9.短期记忆和长期记忆有什么区别？10.你觉得短期记忆里会存储function call的内容吗？如果不放进短期记忆的话会有什么问题？11.工具的话你会用MCP之类的吗？还是就自己写代码写？你觉得大模型的工具实现有什么好处吗？12.关于RAG你有什么看法？召回的时候你有调什么参数之类的吗？13.python的一些内容？14.手撕：合并两个有序数组

给我面没招了，发点面经攒攒人品～1，实习拷打2，项目拷打3，RAG怎么评估，RAG评估体系中最重要的是什么4，传统RAG有什么痛点；介绍GraphRAG，GraphRAG的难点是什么；GraphRAG如何应对增量场景5，介绍微调负责的工作；大模型微调最重要的是什么6，后训练有哪些方式；微调有哪些方式，分别是怎么做的；LoRA原理及参数量7，介绍DPO；DPO与PPO的区别8，介绍一些Agent的实现框架；这些框架有什么区别；LangGraph适用于什么场景；LangGraph构建Agent的方式有哪几种9，场景题：客户输入一个软件或网页界面截图，如何通过RAG的方式帮助用户了解界面的每一个组件的作用，输入输出自己定义；相似的组件如图片框和视频框如何区分

1. 介绍一下你做过的一个大模型项目2. 如果让你设计一个适合购票的 Agent 系统，你会怎么做3. RAG 在酒旅场景里最容易出什么问题，怎么解决酒旅场景里的 RAG 最大问题不是召回不到，而是召回到了“看起来很像但不适用”的内容。比如同一家酒店不同套餐、同一航司不同舱位、同一个城市不同出发日期、同一政策不同会员等级，文本很像，但结论完全不同。模型一旦把这些证据混在一起，就很容易生成似是而非的答案。解决方法通常不是单纯提升 embedding，而是先把检索约束做对。比如 query 里要强绑定出发时间、订单状态、航司、舱位、供应商、会员等级这些 metadata，再在这个前提下做 dens...

发点面经攒攒人品～1-项目拷打2- 后来有哪些比较经典的基于Transformer的语言模型，Qwen相比于原始Transformer有哪些结构上的改动3- 了解RLHF吗，DPO和PPO有什么区别，Loss是什么样的，各自的优缺点是什么4- 介绍一下CLIP，还了解什么其他的对比学习方法5- 开放题：了解哪些多模态大模型，目前多模态大模型最大的问题是什么6- 代码：1143.最长公共子序列

攒人品中，祝大家都能拿到满意的Offer！1.论文拷打2.项目拷打3.数据集构造和标注流程4. Query与agent技能相关性的大模型方案调研5. RFT在相关性模型领域的应用

1. 介绍一下你做过的一个项目2. 打分模型设计思路是什么打分模型本质上是在多个候选里做排序，重点不是绝对分值，而是相对顺序。设计时先要明确标签来源，如果是检索系统里的重排，一般可以来自人工相关性标注、点击日志、停留时长、复制行为、是否继续追问等；如果是生成答案质量打分，还会加入事实一致性、格式完整性、引用正确性这些目标。特征上通常会混合语义特征和业务特征，比如 query 向量、doc 向量、交叉编码器打分、文档时效性、来源可信度、标题匹配度。训练时常见有 pointwise、pairwise、listwise 三种。pointwise 简单，适合做基础版本；pairwise 更符合排序本质...

发一下问题给大家参考，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.针对具体业务场景，怎么训练agent调用工具，奖励函数怎么设计和优化的3.怎么优化RL训练agent调用工具的数据，数据配比策略是怎样的4.训练agent调用工具，以react框架为例，plan是什么，提示怎么设计，Obersevation是什么？Action是什么？每一块的输入输出都是什么？长什么样的？5.介绍一下trl/verl架构，有哪些类，主要参数，针对具体任务出现的一些具体情况怎么调参6.用verl训agent调用搜索工具为例，讲一下每一类大致怎么设计，什么作用7.用过其他什么框架，讲了llama factory，swift.问了数据构造、格式

攒攒人品！有面试过同岗的朋友欢迎评论区交流项目拷打1. 相关性精排模型为何加入行业分类无关的简单负例?只完成精排不行吗？2.三阶段召回3. Ann语义召回中大模型理解生成推荐词数量（5），是否能在ann语义召回阶段全部召回agent4. 精排模型分类别准召指标评估

1. 介绍一下你做过的一个项目2. LoRA 的原理以及初始化方法是什么LoRA 的核心是低秩适配。对于原始权重矩阵 (W \in \mathbb{R}^{d \times k})，全参数微调直接更新整个 (W)，成本高、显存占用大。LoRA 认为下游任务需要的更新往往落在一个低秩子空间里，所以把增量写成：W' = W + \Delta W = W + BA其中，并且r≪min⁡(d,k)r≪min(d,k)。训练时冻结原始参数 (W)，只训练 (A) 和 (B)，这样参数量和优化器状态都能显著下降。初始化时通常让 (A) 随机初始化，(B) 初始化为 0，或者相反。这样一开始 (\Delta...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.项目拷打2.实习拷打3. 多轮对话超长上下文如何训练4. 上下文记忆策略5. Skills读取超长sop的优化有哪些trick

感觉自己好菜、面试很难，还是要多多练习，发点面经攒攒人品～1. Query agent相关性模型样本标注2. PPO的原理3. Reference作用4. 没考察代码题

1. 自我介绍 简单聊聊你写的这个项目2. bge-m3 的预训练过程是什么，为什么它可以高效检索bge-m3 的核心不只是“做 embedding”，而是把多种检索信号统一进同一个模型框架里。它同时支持 dense、sparse 和 multi-vector 三种表示。dense 负责语义层面的相似性，sparse 更接近词项权重匹配，multi-vector 则适合处理长文档、多粒度语义对齐。这样一个 query 不再只依赖单一路径召回，所以在复杂检索场景里更稳。从训练角度看，它一般不是只靠单一对比学习目标，而是会结合多任务数据，让模型既学语义匹配，也学词面相关性和局部对齐能力。高效检索的...

发点面经攒攒人品～1. Query多个一级分类问题解决2.12 层Bert base参数量（0.1b）3. 为何不用轻量级大模型reranker模型4. 推理时batch size5. dpo训练是同时打压好坏样例的生成概率问题6.  Dpop的全称是什么7. 拷打项目8. leetcode 快排