全程对着项目问，面试官非常强，直接吓哭了1. 自我介绍2 Langraph 如何实现代替ReAct这个循环，代码上具体是如何实现的？3. 项目的上下文管理如何管理？4. 长期记忆你现在参考的是OpenClaw的设计，那现在假如这是一个C端的项目，你会怎么去实现去记录用户的长期偏好呢？5. 如果用户明确指定了需要将xx内容记录在文档中，这个文件无限大，你怎么去解决？6. RAG里的这个HyDE是什么？什么时候需要将用户的模糊意图重写？每一次对话都需要吗？这跟RAG不就是反了吗？7. 智能体开发项目和传统的开发项目有什么区别？架构方面？总结：项目拷打得太深了，全程多次大脑空白，场面尴尬，我就做了一个智能体旅游项目，还是太菜了，继续沉淀吧。

继续来分享下最近的面经~欢迎友好讨论，信息共享项目拷打八股：1. Java线程安全问题指什么，有哪些情况2. Java线程安全的数据结构有哪些3. HashMap的底层逻辑4. JVM垃圾回收原理以及可达性分析具体实现5. tcp三次握手 + 为什么两次不可以6. 操作系统里进程和线程区别 + 为什么线程切换消耗更小7. 线程创建的方法8. 死锁什么情况会发生9. Java synchronized关键字8. Java面向对象的封装 继承和多态9. 多态如何实现手撕算法：1. 判断一个链表是否内部有循环，有的话找到循环开始的节点位置2.给一组队伍A B 场地 和时间段的数据，判断几种冲突ai coding

攒人品中 拷打实习1.实习偏算法还是偏工程2.介绍一下Q-former这个多模态系统3.ITC向量检索具体是怎么做的4.你用召回结果的损失重训练是吗5.效果得到了怎么样的提升6.项目应用场景，最大的收获7.训练数据量8.双阶段ITC+ITM是如何联合起来用的9.你是如何平衡ITC和ITM的，损失权重是固定的还是学习出来的10.训练框架是什么，PyTorch模块架构11.gpu型号，利用率怎么算12.第一段实习介绍13.focalloss讲一下，有试过其他loss吗14.你们这些漏检集中在哪些场景15.tensorRT加速你了解原理吗，它底层做了什么，为什么算子融合后能加速推理16.优化了多少耗时17.ocr模型参数量多大，口算一下推理一次大概需要多少显存八股1.你在日常Ai用到什么场景下，生成代码有经验吗2.技术栈3.Java里面的锁有哪些4.concurrenthashmap为什么能支撑并发，如何支持并发修改5.操作系统为什么要有一层虚拟内存6.多个进程直接操作物理内存会有什么问题手撕1.二叉树层序遍历2.二叉树之字遍历

✅ 春招备战指南 ✅ 💡 学习建议：  先尝试独立解题 对照解析查漏补缺   🧸 题面描述背景等均已深度改编，做法和题目本质基本保持一致。 🍹 感谢各位朋友们的订阅，你们的支持是我们创作的最大动力 🤖 内容包含AI辅助生成，题解和代码均经过多轮验证，有问题欢迎评论 🌸 目前本专栏已经上线200+套真题改编解析，后续会持续更新的  春秋招笔试机考招合集 -> 互联网必备刷题宝典🔗 团子-2026.04.11-算法岗 题目总览    题号 题名 主要做法 难度     01 选盒子 分类计数 简单   02 IRLS 线性分类 迭代优化 + 数值计算 困难   03 长度为 m ...

努力拥抱AI中…拷打实习1.介绍一个觉得比较有意思有代表性的实习项目2.项目业务场景和目的3.loss怎么算的4.focal loss效果，公式5.数据处理6.跑了哪些评测集7.最终缺陷8.解决办法9.模型之外的方法- 手撕代码岛屿数量

给我面没招了，发点面经攒攒人品～介绍一下你的经历哪些和大模型相关拷打项目1.网络结构2.注意力机制设计手撕多头注意力1.解释Matmul2.点积和乘积区别3.外积4.加归一化

1. 自我介绍2. RAG系统的核心架构、检索优化与在教育场景的落地难点RAG核心架构分为数据预处理、检索模块、提示工程、大模型生成、后处理校验五部分。检索优化包括混合检索、多轮检索、知识切片、向量库优化等。在教育场景的落地难点在于知识专业性强、知识点关联复杂，易出现检索不精准；题目、公式、图表等多模态数据的结构化提取难度大；学生提问口语化、歧义多，意图理解难度高；需严格保证知识准确性，避免大模型幻觉。解决方案包括构建教育领域专属知识库、多模态文档解析、意图识别优化、事实校验机制等。3. SFT的核心流程、数据构造要点与在教育大模型中的应用SFT核心流程为数据准备、模型选择、微调策略、训练配置...

继续来分享下最近的面经~欢迎友好讨论，信息共享拷打项目1.多模态2.信号分析拷打实习，根据实习项目拓展问题1.模型应用场景，优势和短板2.模型训练输入类型3.小样本训练方法4.后端平台设计方案八股介绍几个docker指令手撕代码最大子数组和

给我面没招了，发点面经攒攒人品～1.实习拷打2.介绍一下TCP三次握手，四次挥手3.介绍一下clickhouse4.MySQL为什么用B+树不用B树5.讲一下你的医疗agent系统6.怎么看待vibe coding

1. 大模型微调的完整技术方案与工程落地细节采用 LoRA 参数高效微调方案，仅对 Transformer 的 Q/V 投影层添加低秩矩阵，冻结底座模型参数。训练时设置秩 r=8、缩放因子 α=16，使用 AdamW 优化器，学习率 2e-4，配合余弦退火学习率调度与梯度裁剪。工程上使用混合精度训练、分布式数据并行，提升训练效率，训练后合并 LoRA 权重，不增加推理延迟。 import torch import torch.nn as nn class LoRALinear(nn.Module):def __init__(self, in_features, out_features, r=...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.实习深挖2.项目拷打3.讨论了很久要如何做好可迭代的评估层4.agent/RAG八股5.手撕：接雨水6.redis与数据库相关八股

给我面没招了，发点面经攒攒人品～项目：1. 数据预处理的出发点？2. 对于真实的推荐场景中，新物品本来交互数据就比较少，如果直接过滤存在什么问题？3. 如何评价效果的好坏？4. 数据集每条数据的label格式？5. 具体的训练优化过程？6. 打压热门商品具体的做法？7. 随机抽样的样本是从哪抽取的呢？8. 困难负样本的设计方式？9. 选取损失函数的逻辑是什么？10. 在一个batch内，你的Loss是怎么算出来的？11. 一个batch内有A条正样本，B条负样本。要算几次loss？12. 有考虑过用Listwise的建模方式吗？13. 你对推荐系统全链路的理解？14. MMR多样性算法的简单原理？手撕：1.求数组的中位数2.  快速排序

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 详细拷打实习经历2. PPO类算法对比3. 为什么用decoder-only4. 为什么kv-cache只能用在decoder-only模型上5. 目前大模型架构用pre-norm还是post-norm，为什么6. 介绍lora，lora AB矩阵如何初始化，如果AB都高斯初始化可以么，分析一下手撕：打家劫舍（强制python）

攒人品中，祝大家都能拿到满意的Offer！1.项目拷打2. 实习拷打3. 你们选用的训练方法是什么？训练数据具体是怎么构造的？4. 这里的训练过程，我理解是前面有一段医学语料的预训练，然后再加一段对齐过程，是这样吗？5. 关于 SFT 阶段，数据具体是怎么生成的？6. SFT 之后，后面的 DPO 过程又是如何开展的？7. DPO 需要 Chosen 和 Rejected 至少两组对比数据，这两组数据你们是怎么得到的？8. 我们现在这边可能对于医疗业务关系比较远，问一下更加基础的知识。既然谈到 DPO，谈一下 DPO 以及后续其他偏好学习算法的区别，以及各自的优劣。9. 那么 GRPO 算法呢？10. DPO 算法有哪些缺点？11. 谈谈强化学习中 On-policy 和 Off-policy 的区别，你是怎么理解的？12. 看你不仅做训练，还负责基础设施 Infra 的搭建。训练基础设施也是归你亲自搭吗？13. 当时是在哪个项目里面参与 Infra 工作的14. 你刚才提到了 Megatron，你们试过 PyTorch 原生的 FSDP 吗？15. 既然试过 FSDP，为什么最终还是选用了 Megatron？，你们当时的选型考量是什么？16. 既然提到 FSDP 和 DeepSpeed ZeRO 的区别，FSDP 实现了 ZeRO 的哪几个阶段？ZeRO-1, 2 还是 3？17. 探讨一个现实的业务问题：我们核心业务是对话类 Agent 产品。经典架构是前端设有一个意图识别与路由环节，将客户请求分发到不同的子 Agent，由于子 Agent 功能实现完全不同，不能混在一起，所以路由非常关键，一旦路由错误就无法满意回答。另外，作为全链路的必经点，路由必须足够快。我们考虑在最前端用一个相对较小（如 7B 或 13B）的模型，通过后训练使其掌握特定领域知识，实现低延迟的路由。如果让你做这个模型，你会怎么去做？

感觉面完人都通透了，努力沉淀中1.Transformer 中 Attention 的本质是什么？从数学角度简要解释一下。2.在 Agent 多轮对话任务中，Attention 的局限性体现在哪里？3.SFT 的核心流程以及数据构建策略，SFT 之后常见的 Post-Training 有哪些？面试官专门问 DPO 和 PPO 区别，以及 GRPO 有没有用过。4.RAG 是什么，它和传统检索+生成的流程有何不同，如何评估一个 RAG 系统是否 work？5.有没有用过端到端的 RAG 评估框架，项目里的 Modular Agent 是怎么实现多步规划的？调度策略如何设计，有没有异常 fallback？6.手撕算法：岛屿数量（LeetCode 200）

发一下问题给大家参考，攒攒人品！1. 基础架构与熟悉度• 你对 UniVLA 这个架构熟悉吗？• UniVLA 的 late action model / 潜在动作模型 是怎么搭建的？（VQ-VAE 部分的逻辑）• 你们这个架构非常大，你在其中承担哪些工作？2. 训练范式与数据设计• 你们的 subtask 是怎么标注时间段的？（开始/终止时间标注规则）• 你们任务编码的 prompt 是给的拆解后的 prompt 吗？是怎么给的？• 你们自己给 action 打了标签吗？• 你们 SFT 调的是 7B 的 perspective 模型吗？两个 SFT 都调的是这个 7B 模型？• 你们的数据量跟模型参数分别是多大？latent action 的参数量是不是只有 1–2B？3. 技术细节与优化• Pi 0.5 有看过吗？它有什么改进？• 看过 real time chunking（RTC）吗？• 复现的 py 结果有慢跟抖动，有没有考虑过后处理的方式？• 提速有什么方式吗？• 桌面高度是一定的吗？• 对深度感知要求高的任务（scanning/inserting），是不是可以加额外的措施？有没有考虑过？• 你们的训练计算资源是什么情况？二、算法与技术路线类1. 算法题• 输入整数数组和整数 limit，找到最长的连续子数组，使得子数组中任意两个元素的绝对差不超过 limit，返回子数组长度例：[8,2,4,7,2,4,7,8,2,4,7,8,2,4,7]，limit=4 → 输出 22. 技术路线与选型• 目前视频预测模型为结构模型的方案、world model 相关工作怎么看？• 你们的技术路线，对机器人全身控制会做类似 UniVLA / VLA 的工作吗？

我最近把AI Agent面经从0到1全部梳了一遍（含字节、阿里、腾讯真实面试），发现面试官真正想听的根本不是定义。很多人（包括苯人一开始）以为Agent面试就是背ReAct、背Tool Calling、背LangChain，结果一开口就被面试官打断：“这些我都知道，你说说你的设计思路。”我问懵过两次后才醒悟，Agent面试不是八股，是体系考察。下面这3个问题，几乎是每场面经中必问，🐮友们看看自己会不会踩坑。1.如果你做一个Agent，遇到工具调用失败或者LLM幻觉怎么办？我当时直接答“加retry”或“加human in the loop”，秒挂后面问claude，面试官想听的是完整容错体系：- 怎么判断是工具错还是LLM幻觉？- 用另一个LLM做fact-check / self-consistency- 降级到弱Agent / 规则引擎 / 人工兜底- 失败后状态怎么回滚？- 生产环境怎么监控Agent健康度2. Agent的Memory你怎么设计？大多数人（和我一样会说短期用ConversationBuffer，长期用向量数据库，直接寄。面试官想听的是分层记忆体系 + 读写策略：- Working Memory（当前任务上下文）- Episodic Memory（历史任务轨迹）- Semantic Memory（领域知识）- 什么时候用向量检索？什么时候用Graph？- 遗忘机制怎么做？（重要性评分 + 定期压缩）- 多Agent共享Memory时的读写锁和一致性问题3.单Agent和Multi-Agent你什么时候选哪个？怎么协作？”如果直接说任务复杂就用Multi基本凉。真正要讲的是决策框架：- 任务可分解性、通信成本、调试难度、单点故障风险- 协作模式（Hierarchical / Decentralized / Mixture-of-Agents）- 协调机制（Shared State / Message Queue / Supervisor）- 实际项目里Multi-Agent带来的收益和踩过的坑

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目的优化目标是什么，为什么选这个方向？2.你的优化和业务指标之间怎么形成闭环？3.线上关注哪些指标？有没有更好的指标证明效果？4.业务场景 PV 多大？八股问题1.介绍一下搜索/推荐整体架构，召回/粗排/精排/重排分别做什么？2.双塔模型的结构、优缺点和改进方向3.Point-wise / Pair-wise / List-wise 的区别4.为什么需要多任务学习？MMOE、PLE、ESMM 解决什么问题？5.曝光优化和时长优化的区别coding手写 DeepFM

✅ 春招备战指南 ✅ 💡 学习建议：  先尝试独立解题 对照解析查漏补缺   🧸 题面描述背景等均已深度改编，做法和题目本质基本保持一致。 🍹 感谢各位朋友们的订阅，你们的支持是我们创作的最大动力 🤖 内容包含AI辅助生成，题解和代码均经过多轮验证，有问题欢迎评论 🌸 目前本专栏已经上线200+套真题改编解析，后续会持续更新的  春秋招笔试机考招合集 -> 互联网必备刷题宝典🔗 淘天-2026.04.11-算法岗 题目总览    题号 题名 主要做法 难度     1 轮转 倒序维护字母映射 简单   2 凑对 分块构造 + 小范围搜索 困难   3 模 k 最大子 余数可达...