1.请介绍 Transformer 的结构组成及各部分作用2.如何降低 Transformer 的计算复杂度？常见的稀疏注意力变体有哪些？3.LoRA微调的原理是什么？秩 r 的选择会对模型表现产生什么影响？4.kv cache是什么？为什么能极大地提升推理速度？5.RAG的完整流程，构建向量检索库时如何处理时间衰减对召回的影响？6.微调时的训练数据是怎么构建的？如何保证样本多样性和质量？7.在 RAG+知识图谱的 Agent 系统中，知识图谱更新的机制是怎样的？是怎样保证实时性的？8.训练 LoRA 模型时，你是如何选择冻结层的？依据是什么？9.在高并发查询 Agent 系统中，你会如何优化召回和生成阶段的延迟？10.大规模 Agent 系统在多线程/多进程场景下的资源调度策略如何设计？11.如果你要在 GPU 资源有限的条件下同时提供推理和微调服务，如何做资源分配和任务调度以保证时延和吞吐？12.代码：lc15 三数之和

月度记录1月 长沙 是2025与他的第一次见面；3月 厦门 与好友两日游，久违了；4月长沙 很幸福 ，2025与他的第二次见面，这次差点哭得很惨，是因为感动与幸福；5月 做一个Python日志分析的项目；6月 一战英语六级，8月查成绩发现以一分惜败；7月 武汉 与好友三日游，记得七月的武汉很热，我们也很热烈，冒着大太阳，打着遮阳伞，去玩了好几个地方，很开心很幸福；8月-11月 备考软考-网络工程师，马不停蹄，日复一日，很充实，笔记写了两本，交换机路由器每个实验配了两三遍；9月 福建 第一天去了长乐，下午回烟台山。旅途中有小插曲，但是很幸福很感动。11月 加入了一个自研靶机项目，负责后端API开...

有真实业务问题：不是“旁观学习/打杂”，而是被分配到能落地的目标（功能、数据、流程、效率、增长、质量……）。有可复述的产出闭环：你能讲清楚“我做了什么→为什么这么做→结果怎样→复盘学到啥”。能量化/能对比：哪怕不是“营收增长”，也可以是“耗时/稳定性/转化/准确率/覆盖率/人效”等指标的变化（哈佛职业中心也强调简历要“事实化、可量化”，并把“没有展示结果”列为常见错误之一）。能力可迁移：这段经历让人相信你换到相近岗位也能打——方法论、工具链、工程习惯、沟通协作都能迁移。有可信背书：代码/文档/上线记录/评审记录/汇报材料/导师评价（至少能在面试追问时站得住）。

大家好，我是花海，B站技术专家，平时会在牛客分享一些面试复盘和技术思考。如果你在准备面试、修改简历，或者对职业规划有疑问，可以找我免费帮你看看简历、聊聊思路。目的是帮大家少走点弯路，今天我们来继续看面经。一、快手一面（3.24）1. 算法：LRULRU 在面试中属于高频题，写出来是基本要求。实际工作中，LRU 的思想在缓存淘汰、页面置换、数据库缓冲池都有广泛应用。写的时候注意：用 HashMap + 双向链表 实现 O(1) 存取封装 moveToHead、removeNode 等方法，保持代码清晰注意线程安全性（如果是系统设计题可以提一嘴，但手写代码一般不考虑）2. 拷打实习和项目这里不是泛...