26届校招|字节推荐算法面经

秋招无形的压力，从研究生入学的第二天就开始笼罩在了我的身上。我是两年制的硕士，研究生刚入学，恰好第二天华为就到学校宣讲，在老师的建议下听了宣讲会。会后，一大堆词汇涌入脑中：实习、秋招、开发、算法、部门、方向……我开始迷茫，我该怎么规划我的秋招？首先是方向问题。我是两年制的专业硕士，不具备发论文的条件，理论上来说算法这条路是堵死了。但我想了想本科的一些经历，从大二起就在做深度学习的相关项目，大四发表了一篇SCI，这么些内容不用实在有点浪费；硕士期间在组里做的横向项目也是计算机视觉算法相关。最关键的是，开发的那一套内容和八股我是一点不会。在深思熟虑了一个月后，我还是决定俯冲算法。要走算法的话，没有顶级论文就只能去搜广推了。此时我又遇到了困难：研一期间导师不放实习。其实学院有很多放羊的导师，偏偏自己选择了这个只放暑期实习的导师。当时真的很焦虑，因为身边的朋友都是做后端开发的，不断劝我转开发；往届实验室的专硕都是走的开发，没有能参考的案例。那段时间很煎熬。一边做实验室的项目，一边自己自学搜广推的知识。身边的同学有的一入学就跑路出去实习了，有的已经找好导师做科研准备读博了，自己想做算法还在前途未卜，身边的同学和实验室的师兄师姐全是清一色的劝退。南京的冬天很冷。在２０２４年寒冷的冬天里，我感觉前途就像风中的梧桐叶一般渐渐凋零，随风飘散。我研一期间没有任何一段日常实习，直接就要面对暑期实习的巨大竞争；我研一期间没有发表任何论文，实验室的横向项目没有一个能写到简历上。选择走算法这条路，或许真的是我人生选择的一次寒冬。我知道我要抓紧时间了。整个寒假我学习了很多内容：王树森的推荐系统课，深度学习transformer的八股，大模型的RAG和微调，天池新闻推荐等。我现在已经记不起春节是怎么过的了，我只记得寒假回家后的一个夜里，老爹问我大晚上怎么抱着电脑发笑，我说GPT真是天才，被BERT超过后还能想到把BERT大力出奇迹的思路借鉴过来，还真让GPT力大砖飞成功爽到了。寒假结束回学校已经是２月中旬，暑期实习的招聘陆续开了。我做完了天池新闻推荐的项目，改好了简历，开始了暑期实习的疯狂投递。暑期实习超乎我意料的顺利，7天速通美团的广告算法，后续又拿到了腾讯广告的offer。多方考虑后，最终还是选择了腾讯广告，鸽了美团的入职（代价是美团秋招直接拉黑了我）。腾讯的转正率并不高。经过了一番蠕动，最终仍然转正失败。我原以为有了腾讯的实习经历，秋招也会像实习一样顺利，可是我错了。算法岗位的实习和秋招简直是两个天地，秋招阿里系直接给我简历挂；字节总是一面或者二面就挂，问就是候选人中有更加优秀的，不再推进流程。我被美团拉黑了，秋招根本不捞；京东我投递太晚了，一直泡在池子里。从10月中旬开始，我的面试变得零零星星，机会也越来越少了。秋招时算法的hc还是太少了，而竞争者实在是太多。现在的搜广推，要么有两段及以上的大厂实习，要么有大厂实习+A会，早已不是一段大厂实习就能够畅行无阻的时代了。在这里要感谢拼多多。在所有的互联网大厂中，只有拼多多稳步推荐流程，最终发给了我一个保底的offer。这个秋招让我认识到，我当前的简历和水平仍然不够，至少还需要一段大厂实习才能够去碰一碰BAT的搜广推岗位，可是我已经没有热情去做搜广推了。在腾讯的实习中，我发现广告算法用得更多的是策略，大部分人去搜广推也是在写策略，想做召回/精排模型还要更强的背景和一定的运气。拼多多最终开了一个大包。算了算总包，如果真在拼多多干个三年，税前年薪百万或许也不是梦。而就在拼多多开奖的那一天，华为也打来了oc电话。华为的业务是LLM，方向是好的，base地也是好的，就是开得比拼多多低太多了。经过了一段时间的纠结，我想明白了，比较是无休无止的，要问自己的心理预期——抛开其他offer，华为的这个价我是能接受的。因此，我拒了多多，签了华子，秋招结束。回首整个秋招，我就是算法大军里面很普通的一员，四处碰壁，和大佬offer打牌形成鲜明对比。最终凭借一定的运气拿到了一个满意的offer，也算对当初执着走算法道路的自己有了一个交代。我有时候也问自己，到底是什么支持我走下来算法道路呢？我的回答是认清自己的定位。作为算法候选人，有效的背景无非就是院校／实习／论文。三者有其二，最终就算拿不到大包，也不至于找不到工作。因此，如果你也处于一个迷茫的时期，不妨多方面确认一下自己的定位，心里有底就不会盲目。雄关漫道真如铁，而今迈步从头越。

1，介绍RAG流程；介绍对编码模型的了解、原理、优缺点；如何评估编码模型的能力2，RAG有哪些分类；多模态RAG有哪些实现框架；伪多模态RAG和多模态RAG分别怎么实现，有什么区别；CLIP可以用于哪一类多模态RAG，为什么3，RAG怎么评估，RAG评估体系中最重要的是什么4，传统RAG有什么痛点；介绍GraphRAG，GraphRAG的难点是什么；GraphRAG如何应对增量场景5，介绍微调负责的工作；大模型微调最重要的是什么6，后训练有哪些方式；微调有哪些方式，分别是怎么做的；LoRA原理及参数量7，介绍DPO；DPO与PPO的区别8，介绍一些Agent的实现框架；这些框架有什么区别；LangGraph适用于什么场景；LangGraph构建Agent的方式有哪几种9，场景题：客户输入一个软件或网页界面截图，如何通过RAG的方式帮助用户了解界面的每一个组件的作用（？？？说实话没太听懂），输入输出自己定义；相似的组件如图片框和视频框如何区分10，算法题：2n+1个数，两两成对，找出单独的那个数11，反问

1.和传统SFT相比，RLHF旨在解决语言模型中的哪些核心问题？2.在Agent的设计中，“规划能力”至关重要。请谈谈目前有哪些主流方法可以赋予LLM规划能力？（例如CoT, ToT, GoT*)3.什么是多智能体系统？让多个LLM Agent协同工作相比于单个Agent有什么优势？又会引入哪些新的复杂性？4.你用过哪些Agent框架？选型是如何选的？你最终场景的评价指标是什么？5.你简历中的客服Agent项目，是如何判断用户意图是否需要调用外部API的？用了分类模型还是prompt判断？6.大模型生成工具调用时，如何避免参数格式错误？有哪些后处理或约束解码方法？7.当多个工具都能完成子任务时，你的Agent如何做选择？有没有引入打分或排序模块？8.在Agent中引入“记忆”机制时，为什么常用向量数据库？如何设计embedding和检索策略？9.项目上线后，你是如何收集bad case并迭代模型/策略的？有做在线学习吗？

1.介绍下transformer的结构2.如果微调模型出现复读机现象，是什么原因3.如果微调效果不好，怎么去分析4.能不能讲一下你对function call的理解5.问答系统上线，从query到生成回答，花多少时间6.Agent工具调用你知道怎么训练吗，训练集应该包含哪些，怎么得到训练的数据集7.假如一个query有两个工具可以调用，训练集应该怎么设计8.你构造数据集遇到过什么难点，如何解决问题