1. 必须熟悉 DDPG 、 PPO 、 TD3 、 SAC 等算法的原理和区别。 这四种算法是连续控制（如机器人控制）中最常用的深度强化学习算法。 PPO (Proximal Policy Optimization)   原理：PPO是一种同策略（On-policy）的策略梯度算法。它使用截断（Clipping）机制限制新旧策略的更新步长，防止策略更新“翻车”。   核心公式：    数值计算示例： 假设在时间步 ，GAE计算出的优势函数 （正数，说明这个动作很好）。 设定截断超参数 。 如果新网络过于激进，导致新旧策略概率比 （新策略采用该动作的概率是旧策略的1.5倍）：   原始目标： ...

应聘了很多家公司，基本上都是小微企业，双非真的无缘大厂吗？哪位大佬帮我看看简历啊？！

大学前两年天天玩，高数还挂了，从去年9月份到现在一直在学Java，今天把简历做出来了，项目学了很多，但是有些部分是只过了一遍，挑了几个放简历上了，要应付面试的话还得好好准备第一个问题，这个简历，大佬们有什么修改建议吗第二个问题因为我们学校5月份有个学校安排的实习，具体好像是硬件方面的，感觉很水，我自己想申请自主实习，现在是准备面试到什么时候开始投递呢第三个问题我们后端开发如果想去央国企的话是不是都要求硕士啊，然后央国企有什么需要特别准备的吗，跟私企的招聘有什么区别感谢各位大佬，祝大家都天天开心，发大财

1. 项目里是把 skill 直接塞进 system prompt 的，如果 skill 太多，占用上下文窗口太大，怎么处理不能把所有 skill 常驻塞进 system prompt，这样会带来三个问题：上下文窗口被占满、候选技能噪声太大、模型在选择 skill 时更容易混淆。更合理的方式是把 skill 做成外部注册表，system prompt 里只保留最小规则和调用协议，真正的 skill 描述按需动态注入。常见做法是先做一层 skill routing。可以用规则、分类模型或者向量检索先筛出 topk skill，再把这几个 skill 的 description、参数 schema...