1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

简历求改，项目都是自己做过的，以为投了很快有反应，事实上是一个都没…

1. hashmap底层原理2. hashset与Treeset3. 自动拆箱和自动装箱4. equals和hashcode（），不重写hashcode会怎么样5. 项目中使用了validation做参数校验，说说底层原理6. 项目中使用了agent智能体，用来做什么的7. 反射8. Rag有什么作用9. 遇到多个文件需要存放到rag，怎么解决10. 平时如何学习新知识的11. 反问面完面试官口头给了offer，因为工作内容是给ai写的代码进行评分和review，没去