1. 自我介绍2. Transformer 里 Attention 的本质是什么，为什么它适合 Agent 场景Attention 本质上是在做动态加权的信息选择，模型不是把所有上下文平均看，而是根据当前 query 去分配不同 token 的影响力。它的优势在于能处理长距离依赖，并且支持内容寻址，这对 Agent 场景很关键，因为 Agent 经常要从长历史、工具返回和外部知识里挑出当前最有用的信息。真正落地时，Attention 的问题不在“能不能看远”，而在“看得太多以后会不会被噪声拖偏”。3. 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面局限性主要体现在三个地...

现在大二，投了很多没人理，看到很多都是要大三的，可不可以伪装成27届找实习啊。有没有人经历过。

今天早上刷到刚开的职位 立刻投了 晚上一看岗位关闭了 这是直接招到了吗 😱

很多人学Agent上来就啃框架文档，结果越看越懵。不如先把Claude用透。日常用Claude的过程中，你会自然遇到三个问题：为什么有时候回答很准，有时候一塌糊涂？为什么给的上下文不一样，结果差这么多？为什么有些任务它能自己拆解，有些完全跑偏？这三个问题就是Agent的核心：prompt工程、上下文管理、任务规划。从这里展开学就有方向了。prompt写不好，Agent就是个废物，先把Claude的system prompt、few-shot、chain of thought这些玩明白。然后学RAG，因为Agent需要调用外部知识，向量数据库怎么存怎么检索得懂。再学tool calling，Cl...