被横向挂了，希望发出来对大家有帮助！1. 项目拷打2. 什么情况下，MAP的损失函数可以用NMSE来计算？（高斯噪声）3. 手写Multi-head Attention4. Attention的复杂度是多少？5. AUC是什么？6. 推荐算法了解哪些？7. 协同过滤的概念是什么？8. 如果是一种普适性很强的物品（如：新华字典），怎么设计指标对它降权？9. AUC怎么推广到非二分类问题？怎么快速计算AUC？10. bn训练阶段和测试阶段区别，详细讲讲原理

1、项目，各种聊就行2、ViT的原理，swin-Transformer的原理，各自对比，他们的编码方式，是否可学习，各自优缺点，attention的区别和滑动方法；3、多模态VLM的不同模块的设计原理，attention原理，旋转位置编码原理4、手撕动态规划题目：给定一个三角形 triangle ，找出自顶向下的最小路径和。 每一步只能移动到下一行中相邻的结点上。相邻的结点 在这里指的是 下标 与 上一层结点下标 相同或者等于 上一层结点下标 + 1 的两个结点。也就是说，如果正位于当前行的下标 i ，那么下一步可以移动到下一行的下标 i 或 i + 1 。 示例 1： 输入：triangle = [[2],[3,4],[6,5,7],[4,1,8,3]] 输出：11 解释：如下面简图所示： 2 3 4 6 5 7 4 1 8 3 自顶向下的最小路径和为 11（即，2 + 3 + 5 + 1 = 11）。 示例 2： 输入：triangle = [[-10]] 输出：-10解题代码：# dp 三角def minimumSum(triangle):# top --downfor i in range(len(triangle)-2, -1, -1):# scane all elemfor j in range(len(triangle[i])):# current +=  下一行最小值triangle[i][j] += min(triangle[i+1][j], triangle[i+1][j+1])# top last就是return triangle[0][0]if __name__ == "__main__":triangle = [[2],[3,4],[6,5,7],[4,1,8,3]]print(minimumSum(triangle))triangle = [[-10]]print(minimumSum(triangle)

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 项目拷打2. 实习拷打3. 问了多任务模型，mmoe，ple都分别介绍下，各自做了哪些优化，有什么作用4. 广告系统和推荐系统的异同点5. 投放链路：召回粗排精排重排流程以及常见算法6. 分类和回归任务的关系，可否相互转化？7. DIN模型介绍下8. 常见的损失函数有哪些9. 简单问了auc的计算和理解10. 手撕代码：给n对括号，输出所有排

依旧忘了录音, 记录下有印象的问题Q: 项目中说到了从claude ADK迁移到Gemini API. 为什么.Q: 如果有个无限长上下文的模型, 是否可以把所有信息都放到上下文?A: 不能, 信息可能会有噪音, 影响模型判断.Q: 场景: 一个有很多内容的需求文档, 是否可以把整个文档放到上下文中, 让模型直接实现?A: 内容太多,模型的注意力可能兼顾不了, 需要分模块输入. (猜的)Q: 如果分模块输入, agent是否会对整个需求没有认知,导致做出来的成果不符合预期?A: 可以参考人的协作. 每个agent工作在独立的worktree上, 定义一个约束, 每个模块期望的效果, 接口等.Q: 用过哪些code agent?A: cursor, claude等Q: 你觉得claude code和cursor分别适合什么样的任务?A: 我觉得没啥区别. 效果都可以.主要用cursor因为便宜Q: cursor用过什么skill觉得好用?A: superpowers. 有brainstorming, git等 前者可以帮助理清需求, 后者是教git的最佳实践.可以每个任务对应一个worktree, 代码追溯更方便, 适合多agent协作.补充: (skill creator. 这个没说,但是也挺好用的. 需要干重复的任务可以直接让cursor写个skill)Q: 了解过spec-drivening 的code agent吗?A: 用过kilo 的spec模式. 觉得机制有点重 需求文档+实现文档, 不如brainstorm + plan mode.Q: 了解上下文压缩机制吗?A: 看过gemini CLI的源码, 他的实现是保留最近30%对话, 压缩另外70%的内容.用LLM生成结构化摘要Q: 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?A: 生产摘要的提示词明确要求模型填写需求内容.Q: 你觉得以后的软件工程会变成什么样?A: 我觉得以后不用人不用写代码, 而是给agent 说明需求.并校验agent生成的代码.补充: 这个问题我觉得答得不太好, 软件工程不只是写代码, 也包含测试, 部署, 维护等操作.补充: 现在想想可以是AI 驱动的软件工程, 代码AI写, 测试AI自动测, 部署维护也是AI来做.Q: 玩过Openclaw吗? 了解其的记忆机制吗?A: 了解, 主要有两阶段: memory_search: 用RAG检索memory文件, 返回topN 相关的内容以及文件路径以及行数. agent可以选择调用memory_get:一个类似read的tool读取memory文件的内容.Q: 如果检索返回了很多相关的内容,如何选择最相关的?A: 向量相似度比较, 选择最相近的n个Q: 了解embeding吗?A: 好像是语义检索计算相似度的模型. 这个不太了解Q: 用大模型来判断哪些内容最相关,是否可行?A: 挺有意思的.Q: 实际上没人这么做, 你觉得为什么?A: 返回的内容可能很多, 超过模型最大上下文,模型判断不好.补充: (可以加上速度, 成本的因素)Q: OpenClaw有个pi-coding-agent, 与你的项目有什么区别?A: 不太了解pi.Q: 对候选人的期望:A: 代码能力不要求,因为100% ai生成代码A: 了解底层原理,需要有较强的学习能力, 对前沿的产品能快速复现.Q: 反问环节:Q: 你觉得agent开发最重要的是什么?A: 评测机制.补充: 无手撕.这次面试体感上感觉还可以, 但是仔细复盘发现有不少问题.主要是RAG的机制不熟,rerank不知道.还有对大模型的底层原理不了解.这次面的问题都比较开放, 所以我把我的回答也写了上去, 各位如果有不同意见的留言, 一块讨论.

AI面试的问题其实很集中，基础算法和编程题是必考题，大模型原理、项目细节也会被反复深挖。还常出场景题，比如怎么解决过拟合、怎么提升推理速度等等

被横向挂了，希望发出来对大家有帮助！1. 讲一下主要的多模态模型的模型结构2. 对多模态的数据有什么了解，我回答之前看了一些多模态cot的工作构造的dpo数据，以及毕设做的多模态数据增强3. 之前的工作的多模态数据有什么特点和创新点，觉得还可以有什么改进4.统一生成理解模型下游微调各个任务的数据是怎么构造的5. dpo算法是怎么实现的，和其他强化学习有什么区别6. 看项目有目标检测任务，问了IoU是怎么算的，目标检测一般有哪些损失优化code：1. 实现dpo损失，按照想法能写多少是多少，不要求跑通2. 手写IoU损失，要求跑通

发点面经攒攒人品～1. 数据是怎么合成的，相对于现在主流数据合成有何优化；合成数据的标签是怎么打的，有什么优化的地方2. 数据混合有哪些方法，多样性有哪些角度，怎么保证多样性的同时去除重复数据，讲一下了解的聚类去重，多样性怎么提升3. 怎么清理高质量sft数据，有哪些纬度4. 预训练数据下采样，怎么保证多样性5. 小语种数据怎么合成，方法不限但要控制成本6. 为什么lora相对全参占用显存更少code：高精度开n次根号

Timeline3.12  投↓3.17  一面↓3.18 约二面↓3.20 二面（寄）一面代码题：合并两个有序数组二面代码题：反转链表被拒原因：岗位匹配度不够

🕐面试时间：35min❓面试问题：一上来就是学习中有什么困难，是怎么解决的。问第一个项目的流程，为什么要用到这个模式redis，caffine，数据库如何保持数据一致性（给了一个场景，100台服务器，热点数据刚好同时过期怎么办，这时候来一大批数据数据库扛不住怎么办）实习过程中的任务，困难。反问 无八股，无手撕

整体面试还是不错的，但是没后续了1.项目拷打2.问了推理相关的东西3.觉得模型推理的本质是什么4.增大max token为什么提升推理能力5.code：有序链表二分查找

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、实时生成的聊天代理模型，如果线上出现问题，你会怎么定位？2、给一个电路板串联，每一段都有测试点，如何快速判断是哪一个点位出了问题？3、模型回复速度慢可能有哪些原因？4、两个地方访问同一个服务，法国返回速度正常，美国响应慢，可能哪里出了问题？5、聊天代理为什么通常会拆成多个模块？6、前端、后端和大模型三个模块一般是怎么协作的？7、介绍一下你对 Docker 的理解。8、Docker 的代码分治或模块化是怎么实现的？9、如果从全栈角度思考，你会怎么构建一个生成式乙女游戏？10、在现实生活中，有没有类似 deepseek 深度思考过程的例子？11、RAG 是什么？12、Function Calling 和 AI Agent 的关系是什么？

AI面试的问题范围很广，具体取决于你投递的岗位方向。大模型算法岗：Transformer细节、预训练与Scaling Law、对齐与RLHF、推理优化原理Agent开发岗：LangChain/LlamaIndex原理、RAG与知识增强，RAG全链路——文档解析（PDF表格、图像）、向量化（Embedding模型选型）、向量检索（HNSW参数调优）、检索后重排（Reranker）的完整流程设计。检索优化——HyDE（假设文档嵌入）的原理与效果；多路召回（关键词+向量+知识图谱）如何融合？

印象有点模糊了，题型包括选择题，填空题，还有两道大的简答题首先是选择题：考察了一些损失函数，还有NMS（非极大值抑制）的计算，clip的视觉和文本如何对齐，还考了几种transformer和原始的transformer的区别，强化学习的一些概念填空题：考察了kv cache相关的，sam的prompt有哪几种，还有什么双目摄像机用什么矩阵对齐，扩散模型的原理简答题：yolo和faster r-cnn的区别，使用场景是什么神经网络的量化和部署方式，剪枝策略，为什么这么做，有什么优势

发一下问题给大家参考，攒攒人品！1.实习拷打2.项目拷打3你能详细的说一下他们在数据构建流程上的区别吗4.RL  阶段的数据筛选你具体是怎么做的5.比如说这个图文对的话，就是它的标签是怎么来的呢6.在训练这个模型中存在哪些问题你遇到哪些问题，是怎么去解决的7.就是你刚才说的那个把那些序列拼接成8192的长度，是不是就是Sequence Packing 的做法8.那你们在处理 VLM 视觉特征时的具体 Packing 细节是怎么样的？因为视觉 Tokens 的处理逻辑肯定比纯文本要更复杂一些9.怎么去评估，他那个推理过程是否正确呢10.介绍一下GSPO 在处理这种多维奖励时的具体收敛策略是什么样的11.你说的这个结果奖励打分模型。大概是用的啥模型？它准确率大概是多少12.比如说你这个 Thinking 和No-thinking的数据就是它的比例是三比一,你是基于什么得出来的13.说一下GSPO和GRPO的区别14.为什么你在在xx公司选 GSPO，在xx公司实习的时候选 GRPO15.Self-Attention中Q/K/V各自作用？为什么要分开？16.把K换成Q（QQV）可行吗？为什么？15.手撕：按指定概率采样（如[(1,0.5),(2,0.1),(3,0.4)]）

继续来分享下之前的面经~欢迎友好讨论，信息共享1. 拷打项目2. 有没有了解过AF分离，他是为了解决什么问题，既然有PD分离了，为什么还要AF分离？3. 有没有读过flash attention的代码，V2比起V1做了哪些改进？细聊一下他是怎么改进的。有没有了解最近的V4版本？4. 大模型的一层有几个线性层？TP的时候怎么切的？这样子做的原因是什么？有什么思路优化中间的allreduce吗？5. 看过ray的底层实现吗？它有什么特性，你的课题研究中是怎么使用ray的？6. 聊一下你所找到的cuda gemm的优化方法7. leetcode 单词接龙

希望发出来对大家有帮助！1. 详细讲一下tokenizer的过程2. sft具体是怎么实现的3. deepspeed，什么情况用zero1-3？4. qwen，llama这些模型modeling的代码是怎么实现的？5. 用大模型合成问题怎么才能保证合成的问题答案是对的？6. 怎么判断预训练模型的好坏7. 怎么构造高质量的数据

1. 你做的 Agent 项目，完整链路讲一下完整链路一般是用户问题进入后，先做意图识别和 query 改写，再根据意图判断走纯 RAG、RAG + Tool，还是多 Agent workflow。检索阶段会做混合召回，再用 rerank 精排，拼接上下文后交给大模型生成。如果涉及订单、机票、酒店这类实时数据，会通过 function calling 调后端接口。最后返回答案时，会附上引用、置信度或者兜底话术。二面一般会继续追问每一层为什么这么设计，以及哪一层最容易出问题。 def agent_pipeline(query, user_profile): intent = detect_int...

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.实习介绍2.介绍第一个项目3.整个系统的延迟大概是多少4.rag数据库存储的具体的内容是什么5.你在这个项目里主要做了什么，能具体讲讲吗6.无算法题

攒人品中～ 1.实习介绍2.选一个项目介绍3.为什么大模型会有幻觉?怎么解决幻觉?4.那你觉得如果保证训练数据没有错误，都是事实，还会有幻觉吗?5.对于你的项目，采用微调的方式可以解决吗?6.随着大模型的不断提升，你觉得rag还有必要吗?7.你了解openclaw吗?说一下你的认识，任何方面都可以8.算法题:合并区间