欢迎友好讨论，信息共享1.实习拷打2.做 grpo 遇到熵崩没有？你是怎么理解的？3.大模型容易 reward hacking，如何解决？4.VLLM prefix cache实现过吗？5.如何理解 dspo 这几个算法的创新？6.长上下文压缩有哪些方法？7.MOE 的 expert parallel 如何做的？8.手撕： transformers encoder

给我面没招了，发点面经攒攒人品～1.项目深挖2.attention计算公式，为什么除以dk3.ppo损失函数，解释，各部分是什么4.mha、mqa、gqa、mla5.交叉熵损失手撕6.位置编码有哪些，rope7.mse损失，gae损失，大模型里面怎么算8.大模型里面的ppo，returns是什么9.vit位置编码、二维位置编码、相对位置编码、多模态位置编码

发一下问题给大家参考，攒攒人品！1.介绍一下项目2.DIN和HSTU，传统transformer中的注意力计算有什么区别，哪个更好为什么3.损失函数的设计逻辑4.时间特征的处理，为什么对时间分桶5.介绍一下DCN6.精排方面的特征处理，特征交叉7.长序列建模是否了解手撕 计算auc

继续来分享下之前的面经~欢迎友好讨论，信息共享1.介绍项目2.数据集具体信息3.每个项目结构是怎么设计的，为什么这么设计，依据指标是什么4.CLIP框架描述5.它们各自的核心特征是什么6.它们是怎么进行微调怎么去训练的7.手撕代码：两个升序序列的合并8.逻辑题：九个球，其中一个重，其余相等，你有一个天平，问最少几次把最重的球称出来

1. 自我介绍2. 实习经历拷打：-最近一段实习具体工作内容-介绍一下参与开发的大模型知识库问答系统的整体架构-系统开发工具与框架-介绍一下知识库类别与构建策略，包括RAG数据库与知识图谱-RAG分块、检索、召回策略-问答系统面向用户群体，功能与性能如何测试3. 项目+技术拷打-知识图谱构建方法，LLM+提示词工程+SFT-知识图谱构建各阶段详细流程设计，包括NER、RE等-SFT数据集构建方法，LLM生成+人工校验4. 算法-一道非hot 100简单-一道hot 100简单5. 反问-主要业务-实习生发展与能力提升

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.介绍下self-attention，计算其时间复杂度。2.为什么要用multi-head attention？3.PPO的clip机制？在线强化学习和离线强化学习有什么区别？RLHF是哪一种？4.为什么要用reference model? 为了解决什么问题？5.如何让多个agent协同工作的？举个具体的协同机制例子。6.如果一个agent误判导致策略冲突，如何处理？7.有没有用到类似AutoGen或LangChain的框架？为什么选这个框架？8.你是怎么设计agent的记忆系统？9.长期记忆如何存储？如果历史记录量非常大，怎么优化查询效率？10.你怎么处理响应速度与推理精度之间的tradeoff？是先召回再精排，还是单次生成？

被横向挂了，希望发出来对大家有帮助！1.SFT训练trick和问题2.lora的使用 原理 目的3.对大模型推荐的了解4.场景题 zero shot模型的使用5.传统检索的方式6.Rag的作用 实现流程7.讲讲deep search8.对于强化学习的了解 介绍grpo手撕 一个链表，使他首尾交替出现，例如1 n 2 n-19.手撕 前K小的数

transformer架构介绍一下除根号下dk有什么用，还有什么其他scaling方法（还问了一个transformer啥的，也是经典题，忘了）问rag项目：如何确定召回数量？重排后最终选多少文章的数量？（上下文大小问题）有什么原因会导致rag的文章效果质量不好？有没有用ai coding，讲一下有什么优点和做的不够好的地方反问（12分钟结束。。感觉死在了transformer八股没答好）

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、手撕MHA2、对音频了解吗3、flow和diffusion有什么区别？了解flow matching吗？4、通用的语音大模型可以很好地迁移到电影配音领域吗？如果不可以，该用什么技术？5、Transformer结构

给我面没招了，发点面经攒攒人品～实习拷打1.LangGraph相对其他开源智能体编排工具的优点是什么?(追问) LangGraph是否存在与其他工具不兼容的问题?如果有，你是如何解决的?2.在现有场景中是否需要用到LangGraph 的状态管理功能?(追问)LangGraph的状态管理功能是否帮助提高了任务的执行效率?可以分享使用经验吗?3.如何理解Long-termMemory的实现方式?(追问)你是否对Long-termMemory在模型中存储有效性进行评估?它在实际项目中的应用表现如何?4.若将电商场景中用户的购买、点击、兴趣等信息设计为长期记忆，有什么想法?(追问)如何确保电商场景中的长期记忆不会过时或冗余?你认为应该如何更新这些记忆?

✅ 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 🌸 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🔗 携程-2026.03.12-算法岗 这套算法岗题中，第 1、2、4 题与研发岗一致，第 3 题替换成了无监督学习流程。整体覆盖规律观察、分类讨论、机器学习工程实现，以及位运算 SOS DP 四个方向。下面按题目顺序整理四道题的完整内容。 题目1：吉祥物尾牌 问题描述 A...

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.项目深挖(追问技术选型、难点、优化细节)2.设计一个多Agent协作系统(例如:一个Agent负责查询天气，一个Agent负责规划行程，如何协作?)3.如何设计一个高可用的Agent服务?需要考虑哪些容错机制?4.如何评估一个AIAgent的性能?你会关注哪些指标?5.在美的的业务场景中(如智能客服、知识库问答)，如何保证Agent回答的准确性和安全性?6.如果Agent调用外部API失败，你的重试策略是什么?7.如何对Agent进行版本管理和灰度发布?8.你如何理解"具身智能"(EmbodiedAI)?9.手写算法:实现一个简单的任务规划算法(如广度优先搜索BFS)。

1、自我介绍2、我看你做了3个项目, 讲一下你觉得最具代表性的项目3、项目的Agent怎么设计的4、Agent 基于什么框架一般会基于 LangChain 或者 LangGraph 这类框架来实现。如果任务流程比较线性，比如“识别任务 -> 调工具 -> 汇总结果”，LangChain 就够用，因为它比较适合快速搭建工具调用链路和 Prompt 编排。如果任务流程里状态比较多、分支比较复杂，比如失败重试、条件跳转、多轮状态推进、人工确认节点这些，LangGraph 更合适，因为它本质上是图结构编排，更容易描述有状态的 Agent 工作流。如果是校招项目或者实习项目，比较常见的做法是...

继续来分享下之前的面经~欢迎友好讨论，信息共享手撕:上来先手撕删除二叉排序树的一个元素项目相关:1.项目怎么做的2.介绍召回3.详细介绍热度召回word2vec4.召回可以用双塔召回为什么没试试5.评价指标怎么样的继续追问为什么不用双塔6.特征工程怎么做的7.排序模型用什么评估指标AUC答了过拟合8.为什么AUC高但是效果不好9.GAUC了解吗介绍一下10.item的后验指标知道是什么吗

攒攒人品！！1.项目拷打2.什么是AIAgent?它和传统的LLM应用(如ChatGPT)有什么区别?3.解释一下RAG(检索增强生成)的工作流程。4.你在项目中是如何解决LLM"幻觉"问题的?5.你用过哪些AlAgent开发框架(如LangChain、LangGraph)?请对比它们的优缺点。6什么是Function Calling(工具调用)?在LangChain中如何实现?7.如何设计一个支持多轮对话的Agent?8记忆机制是如何存储和管理的?9.解释一下ReAct(Reasoning +Acting)框架的原理。10.在RAG系统中，如何优化检索的准确率?(提示:重排序Rerank、HyDE等)11.手写算法:实现一个简单的文本相似度计算函数(如余弦相似度)。

1、自我介绍2、我看你实习做过差旅报销 Agent 项目,简单介绍下3、这个差旅报销 Agent 是单 Agent 还是多 Agent整体上更接近单 Agent + 多工具协同。系统只有一个主控 Agent，负责理解用户当前诉求、决定调用哪些工具、根据工具结果继续推进流程。OCR、分类、抽取、规则校验这些模块虽然很多，但本质上都是工具，不是独立自治的 Agent，所以不能严格算多 Agent 系统。如果要说架构特点，就是由一个 Agent 负责统筹任务，把工具能力串起来，完成一个完整报销闭环。4、你在这个项目里主要负责哪部分主要负责的是任务理解、工具路由、Prompt 设计、流程编排和结果后处...

继续来分享下之前的面经~欢迎友好讨论，信息共享1.介绍rankmixer的做法2.手撕tokenmixing3.手撕 MultiHeadSelfAttention4.介绍为什么rankmixer为什么有效对比attention结构为什么更容易scaling5.sim序列是怎么做的原始序列有多长GSU怎么做的6.某些负反馈目标的正负样本比例7.rankmixer线上时延8.训练吞吐，样本量，模型dense参数量，MFU计算方法9.手撕AUC10.了解哪些归一化手段

前情提要 本人29届毕业，这几天也是春招火热期，于是在boss上投了几个公司。发了几份简历之后，第四范式公司hr初步问我了一些vibe coding的经历，之后打算联系我进行面试。面试内容问：简历中AI Agents的开发经历是个人开发的还是在实习？答：前两个项目是个人开发，后一个是团队开发的（项目：工作流、AI框架、Agent多端应用）问：索要项目上线的网址和在这个Agent多端应用中负责什么方向？答：这个项目的后端是一个golang、python的微服务架构，其中golang负责后端，python负责ai层。前端则是web端为vue3，移动端为flutter。我负责的是全部的的ai层和golang后端的跨域通信和部分后端功能和web前端功能的改进设计。问：询问项目的主要功能，和如何实现？答：使用langchain、langgraph框架，首先把工具通过mcp-adapters进行打包，之后ReActAgent进行调用工具与数据库进行交互，另一方面在进行增删改操作时由于ai输出不一定满足用户的需求，我做了一个独立的确认节点作为拦截中间件，截断了数据的写入，而用户可以来自行编辑或保存删除。问：Agent的工作模式都有什么？答：ToolsCallingAgent、ReActAgent、ReflectionAgent、PlanAndSolveAgent（并粗略展开每一种大概机制，此处不多赘述）问：介绍一下你对RAG的理解？答：我平时不太喜欢用RAG，主要因为两点，自己开发的时候大多数用不到这个技术，RAG最好在垂直领域来使用，尤其是ToB或者专精某一特定领域，而且前段时间不少人说RAG已死，指的是现在很多东西能替代RAG的功能；其次RAG的召回率并不算太高，想要优化召回率只能花费大量人力财力来进行经验微调。知识库开发的流程一般是，先进行数据清洗，之后进行向量化储存到向量数据库，召回时在进行一个向量匹配的操作问： 看到你做了一个memory上下文记忆功能的处理，可以说一下处理逻辑吗？答： 记忆可以分成长期记忆和短期记忆，我在长期记忆这里使用的是RAG技术，将用户强调或者比较有价值的数据存入，这样可以作为一个跨对话窗口的上下文，而短期记忆我也是做了一个上下文压缩，用了一个经验值作为阈值，等上下午到一定程度之后就会进行精炼，而精炼又有两种模式，我分为智能模式和机械模式，智能模式是通过llm进行关键信息等提炼，机械模式是通过正则处理去除冗余的工具调用日志和结构化导致的上下文污染问：对于模型的选型你是否有考虑呢？答：之前自己做过coding agent等类似的项目，在多智能体系统中对于不同的任务采用的模型不同，比如plan使用主力模型opus，编写代码使用中等模型sonnet，而探索项目结构可以使用haiku等小模型，这样的话既可以节省token花销也可以不降低代码质量问：你是否有AI编程的经历和理解？答：略（先是说了市面上各ai编程工具的差异性优点及缺点和我自己的订阅情况，之后说了开发模式相关如spec driven。ps：可参考该文章 AI 原生工程）问：对于Agent有没有什么熔断机制？你有接触过么？比如你的基模直接卡死了，你的后端是否有什么保底机制？答：有的，在项目中我对tool calling做了一个熔断机制如果工具调用失败超过三次就会进行熔断处理，防止反复重试导致系统崩坏。如果基模卡死的话，完全可以弄一个集群来处理，如果一个服务器掉了可以快速转到另一个提供llm的服务器。最终也算是过了

1、自我介绍2、介绍一下实习3、你们的 Agent 项目落地完成后，是直接交付给业务方还是让对方调用 API这两种方式都常见，区别主要在交付形态。如果是直接交付给业务方，一般会做成完整应用，比如网页端、内部工作台、客服系统插件或者企业微信机器人。业务方直接使用现成系统，不需要关心底层模型、检索、工具调用这些实现细节。这种方式更适合业务部门直接落地，优点是使用门槛低，缺点是后续定制需求可能会比较多。如果是提供 API，通常说明 Agent 能力被当成平台能力输出。业务方或者其他系统通过接口调用，比如传入用户问题、上下文信息、用户 ID，再拿回模型结果。这种方式更适合中台化建设，扩展性更强，不同业...