part1:自我介绍；part2:百度实习项目深挖，如果给我同样的资源能够再次搭建起来？；part3:场景题Q1:对于当前感知架构的看法和观点；Q2:如何看待现场路测和线上仿真之间的关系？线上仿真能否100%覆盖真实场景？如果要接近？作为QA的角度应该如何让仿真尽可能覆盖全场景全动态？Q3:讲一下对l4感知链路的理解，你觉得当前框架是否有满足所有驾驶场景？多重融合一般在哪个阶段？未来趋势和突破点会在哪里？手撕：全排列

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.预训练数据集是什么?规模有多大?数据清洗和tokenization怎么弄的?2.Batchsize 训练长度，梯度累计怎么设定?3.这个框架的位置编码?4.训练过程损失函数怎么下降?有没有遇到梯度消失和梯度爆炸这种问题?5.除了大模型有没有做过其他训练?看你本科也不是做的这个，有没有深度学习方面的训练?6.Lora是自己搭的吗还是用的开源模型框架?Lora从o实现是指什么?7.介绍一下dpo算法，dpo这里训练数据怎么来的?Dpo训练框架?8.Sft模型和dpo之后模型的对比?Dpo和sft顺序?9.Dpo训练过程中是否有不稳定?损失函数怎么表现?10.有没有特定测试集去对比dpo之后比sft好?以及为什么11.第二个项目数据怎么来的?给我一个例子，user assitent是啥，怎么组织多轮对话的历史以及损失怎么计算?怎么控制多轮对话轮次?12.数据生成过程中遇见噪声怎么清洗过滤低质量数据?

发点面经攒攒人品1.项目拷打2.预训练的数据集怎么来的?3.为什么现在主流都用decoder-only4.dpo相当于ppo的区别和优势5.预训练和后训练具体有哪些区别，做这个学会了什么6.第二个项目的数据集怎么来的?为啥想做这个7.玩过openclaw吗?8.手撕快排

1.介绍团队是干什么的2.问笔试题目，没做出来的都问了一遍。3.问prompt:(1)看我a了37.5%，问我知不知道如何改进？(2)prompt工程一般怎么写？(3)你说到可以给输入输出案例，落到底层原理上大模型是怎么做的？(4)你说到可以给定“按json输出”，如果我拿到的结果不理想(非json)，你觉得如何改善(5)你说可以使用** content **来加强引用，具体到底层大模型如何识别的？4.如果一个用户反馈大模型给的不准，你如何排查？5.了没了解过deepseek的深度学习，它的具体详细的思考过程是怎么样的？6.看到我写了RAG(1)RAG是什么时候出现的？(2)了没了解过抖音、谷...

1. 描述一下 langchain 里面的各种 TextSplitter。2. 描述一下 LangGraph 的内部的，就是数据传输机制 和 Arrow有啥区别3. 我的 Kafka 有 9 个 consumer group， 然后我想让第 3 个和第 7 个 consumer group 去互换他们所有的消息，这个怎么做，要怎么保证各自的消息有序性，和不重复性，我意思是让两个cg的所有消息，和之前都是完全一致的顺序；4. 二叉树的遍历方式，不要告诉我前前序、中序、后序，我都知道，还有一种叫 zigzag遍历，这个是怎么做的，时间复杂度 空间复杂度各自多少，适合解决什么问题。5. 设计OSI的第八层架构，你怎么设计，现有的七层设计有什么问题6. https 的HPACK 头部压缩算法，是怎么实现的7. Rust程序OOM了，怎么排查，我想自定义垃圾回收器怎么定义8. redis sds怎么实现的 实现一下，编译要通过9. 今天面试到此结束，感谢你来面试

发点面经攒攒人品～1. 项目细节2. 全量微调和sft rl3. Dpo rlhf联系区别 ,dpo介绍,ppo和dpo的相似之处4. prefill和decode的复杂度，kv cache手撕lc9 最长无重复子串lc1143 最长公共子序列

1.单双塔模型的计算效率分析2.向量召回负样本构造策略（曝光未点击，全局负采样， Batch 内负采样，粗排背淘汰的样本，几种策略的对比）3.什么是样本选择偏差问题4.Batch 内负采样相比较全局负采样的优势？为什么可以提高计算效率，两者计算复杂度分别为？5.搜索与推荐标签体系和损失体系的核心区别是什么？6.Pointwise Pairwise Listwise 各自常见的损失函数与作用？什么是保值什么是保序？什么是保召回能力？7.结构化召回与个性化召回常见采用的特征载体是什么？8.多路召回的合并策略有哪些？9.多目标得分融合策略有哪些？各自优缺点？10.行为序列怎么分类？11. TA 和 self attention 区别？12.特征交叉 PPnet 千人千面的思路还可以借助怎样的手段实现？13.双塔模型可以怎么优化？负反馈策略，上下文特征如何引入，迭代式困难样本挖掘策略，后预训练的引入📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

攒人品中，祝大家都能拿到满意的Offer！1. 手撕 lc56合并区间2. 深挖项目3. 混合训练和数据制作的细节八股和场景：1. lora2. 复现时loss不收敛的场景下，如何复查思路

1.单双塔模型的计算效率分析2.向量召回负样本构造策略（曝光未点击，全局负采样， Batch 内负采样，粗排背淘汰的样本，几种策略的对比）3.什么是样本选择偏差问题4.Batch 内负采样相比较全局负采样的优势？为什么可以提高计算效率，两者计算复杂度分别为？5.搜索与推荐标签体系和损失体系的核心区别是什么？6.Pointwise Pairwise Listwise 各自常见的损失函数与作用？什么是保值什么是保序？什么是保召回能力？7.结构化召回与个性化召回常见采用的特征载体是什么？8.多路召回的合并策略有哪些？9.多目标得分融合策略有哪些？各自优缺点？10.行为序列怎么分类？11. TA 和 self attention 区别？12.特征交叉 PPnet 千人千面的思路还可以借助怎样的手段实现？13.双塔模型可以怎么优化？负反馈策略，上下文特征如何引入，迭代式困难样本挖掘策略，后预训练的引入📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1. 如果知识库原始数据不是 markdown，而是 PDF、PPT、图片或者网页，你会怎么处理进 RAG 系统？PDF 和 PPT 会提取标题、段落、表格和页码，图片先做 OCR，网页先抽正文和元信息，然后统一清洗噪声、去掉页眉页脚、按语义做切片，补上来源、时间、文档层级这些元数据，最后再做 embedding 和索引。这样后面的召回、溯源和权限控制都更稳定。 public List<Chunk> buildChunks(Document doc) { List<Block> blocks = parser.parse(doc); List<Block> ...

1.介绍你的agent项目，为什么做？能解决什么问题？有什么收益？2.知识库agent是搭建在哪里，线上？还是线下？3.大模型是如何选型的？4.RAG知识库的搭建流程？5.在RAG系统中，文档分割大小和检索TopK参数的选择是如何确认下来的？6.你的Mutil-Agent是如何协同的？7.有没有做过本地化部署的模型？8.另一个项目拷打...9.反问...总共耗时在25分钟左右

继续来分享下之前的面经，攒攒人品！！！1.实习拷打2.项目细节3. 基模的可用性，是否进行效果验证和对比4. 意图分类，难意图如何处理5. 数据划分比例 ， epoch几个，多少个稳定6. 构建数据参数，一次性还是迭代处理数据八股1. 为什么选择qwen系列，qwen系列模型的发展 ，RoPE，外推，Attention（GQA和MLA）2. ppo dpo grpo，做没做过3. 用什么大模型做什么事情，使用场景手撕lc300 最大递增子序列

1. 你最近在学哪些课程或技术方向？2. 你有没有使用过 AI 相关工具？有，用过 Cursor 和 ChatGPT。主要是辅助写一些重复性代码、补测试用例、解释报错、查 API 用法，也会用来做知识点对比，比如 synchronized 和 ReentrantLock 的区别，或者分析 SQL 为什么慢。一般我会把它当辅助工具，不会直接照搬结果。3. 你用 Cursor 的时候遇到过什么问题？最大的问题是上下文理解不一定完整，尤其是跨文件和跨模块的时候，生成的代码可能能跑，但不一定适合当前项目。还有就是它有时会忽略边界条件，比如空值、并发安全、事务失效这些问题，所以关键逻辑我还是会自己过一遍...

整体面试还是不错的，攒攒人品！实习拷打：1. 意图识别分类情况？单多意图处理；意图体系划分；多意图 和 多实体的区别2. 多轮对话，如何考虑如何设计3. 数据构造细节，对应过程的prompt4. 迭代版本如何提升八股1. LLama Factory框架，好处2. 全参微调和lora微调的选择和区别，Qlora3. lora矩阵 初始化，ab，其他初始化方式4. Qwen3性能报告

发一下问题给大家参考，攒攒人品！1. Lc33 搜索旋转排序数组2. 系鞋带思维题3. 如何判断过拟合4. 过拟合底层原理5. 使用什么优化器，AdamW和原始的梯度下降的好处6. sft和rl之类的方法最本质的差异7. 项目拷打

感觉面试官自己也不是很熟 没怎么招过1. 你挑一个最熟悉的项目详细讲一下，重点说业务背景、数据形态和你负责的部分2. 如果大模型输出格式和你预期不一致，你一般怎么处理这个问题如果只回答“加强 prompt 约束”会显得太浅。真实场景里，输出格式不一致通常有三层原因：第一层是模型没理解任务边界，第二层是格式本身太脆弱，第三层是生成阶段没有约束。我的做法一般是先把格式要求拆成字段级约束，尽量避免开放式自然语言和结构化字段混在一起；然后再根据场景决定是用 schema 校验、函数调用、受限解码，还是生成后重排修复。如果业务要求严格，比如必须产出合法 JSON，我不会只依赖 prompt。我会让模型先...

1.实习相关内容拷打2.开发一个mcp如何评测效果，怎么迭代3.如何对一个agent系统做链路追踪，可观测性4.你的agent对话记录怎么保存的，什么数据结构5.了解哪些agent开发框架6.手撕最长有效括号------拷打一个半小时，很多深挖

给我面没招了，发点面经攒攒人品～项目拷打CLIP部分1.CLIP的结构+一个batch里面混入了相同的图片，也就是说一个正样本被当作一个负样本，但它实际是一个正样本，怎么去解决和避免这些问题?在训练或者说Loss层面2.CLIP可以做分类吗?通过对齐的方式做分类你觉得是可行的吗?3.图像输入给大模型，解码输出文本，这样的对齐方式和CLIP有什么区别?这两种哪种是未来趋势?偏八股部分1.COT有了解过吗?结构化的输入/few-shot 为什么会有帮助?(模型层面)2.有了解过哪些大模型?BLIP2的三个loss介绍3.现在大部分的结构不采用Q-former，而用MLP，是为什么?那为什么之前不用MLP，而用Q-former?4.一个多模态模型，它的视觉和文本编码器的参数量大小有什么配比的逻辑?5.一个5乘5的卷积，它可以由几个3乘3的卷积串联来替换，从而减少计算量但保持感受野不变?6.分类任务需要很多标注样本，但是现在想在少量样本的情况下，实现新增任务的效果，如何实现?不希望通过大量数据做微调手撕：经典力扣 全排列

1. 介绍一下你做的这个代码助手 Agent 项目2. 你这是在网上找的项目 还是哪里学的3. 状态机是用于干什么的状态机在 Agent 里最重要的作用，是把模型原本“想到哪做到哪”的行为，变成一个可观察、可控制的执行流程。特别是代码助手、文件助手、自动化办公这类场景，如果没有状态机，模型一旦中途拿到错误信息或者误判上下文，后面就可能一路错下去。用了状态机之后，你可以明确规定当前是分析态、规划态、确认态、执行态还是回滚态，每个状态允许什么动作，不允许什么动作。我自己的理解是，状态机不是为了让系统显得高级，而是为了收敛复杂性。你要让模型做事情，就不能只靠 prompt 约束，还要靠流程边界约束。...