南通电信

大家好，我是专注Agent方向的老面试官，也是带过团队的技术人。最近面了不少同学，发现一个普遍问题：一提Embedding就背概念，一问原理就卡壳。尤其是Agent方向，Embedding是连接大模型和外部知识的关键环节，面试官稍微挖深一点，很多人就露怯了。今天我就用最白话的方式，把Agent面试里Embedding相关的常考点拆开揉碎，不讲虚的，直接上干货。Q1：Embedding到底是什么？用大白话解释给产品经理听面试官最爱开头来这么一句。很多同学脱口而出“高维向量映射到低维空间”——面试官脸一黑，因为你在背定义。我建议的回答思路：你把Embedding想象成“给万物编代号”。每个词、每句...

破防了，真破防了。我们宿舍老三，大学三年我没见他翻过一次专业书。每天早上十点起，中午LOL一把，下午吃鸡，晚上吃完饭继续。期末考前借我笔记抄一抄，每次还能比我高。我以为他就是那种聪明但摆烂的，毕业肯定也就随便找个差不多的。结果上周他突然在群里发了个截图，鹅厂某事业群的暑期实习offer。我们整个宿舍群直接安静了五分钟。我去问他咋准备的，他说"没准备啊，就投了简历面了一下"。我血压当场上来。后来才知道，人家大二就在跟着学长偷偷接私活做小程序，github上小一千star，面试官看完直接说这种我们要。我现在每天图书馆坐十小时，刷题做项目背八股，offer还在路上……哭了

1. 自我介绍2. 智能合同审阅平台里为什么要同时使用向量检索和全文检索？单一检索方式为什么不够？答案：在合同审阅场景里，用户的问题或者待审条款通常不是简单关键词匹配，而是存在大量语义相近但表达不同的内容，比如“提前解除合同”“单方终止协议”“无责解约”语义接近，但关键词并不完全一致。如果只用全文检索，比如 Elasticsearch 的 BM25，优点是关键词匹配精确、可解释性强，对合同编号、金额、日期、公司名称、条款标题这类结构化或半结构化字段效果很好。但它对同义表达、语义改写、隐含风险点的召回能力较弱。如果只用向量检索，优点是语义召回能力强，但是容易召回一些语义相似但法律含义不完全一致的...