如标题所言，博主本人之前投日常的时候没有笔试，基本只要给面就能过，不谈横向，这个跟我们面试本身没太大关系，至少面试本身我发挥绝对是可以的，自己在这方面还是比较自信，自认为有点实力的，但是暑期实习很多公司设有笔试，发现笔试真的无力的感觉，就怎么学都学不会，至今为止，米哈游、协程、拼多多、小红书、华为都是笔试挂（携程显示在流程中，但已经过了这么长时间，其实就是挂了），甚至在华为机试前一周，还刷了一周的牛客华为真题，但就算如此，华为机试只考了180分（今年200过线），只能遗憾离场。有人问，大厂面试的时候有手撕，那我手撕怎么过的？怎么说呢，因为我力扣刷的比较多，刷了400道题，所以我面过的试中，只有...

差点把线上搞崩那次，到现在想起来手心还会出汗。实习第六周，我改了一个配置参数。自测过了，跑了几个case没问题，心想这么小的改动走什么灰度啊，直接上呗。提交MR的时候mentor拦住了我，说走灰度。我当时内心是翻白眼的——至于吗？灰度放了1%的量，五分钟之后监控开始报警。我改的那个阈值，影响了下游一个缓存服务的淘汰策略。我看着监控面板上那条飞起来的红线，感觉自己的血也凉了。mentor倒是很淡定，一键回滚，然后跟我说：这个接口日调用量几千万。如果刚才全量上了，你今天就可以体验什么叫P0事故复盘了。那一刻我是真的怕了。不是怕被骂，是怕影响真实的用户。之前在小厂实习，出了bug重启一下就好了，DAU才几千，没人在意。但大厂不一样，你敲的每一行代码背后都是真实的人在用。从那以后我再也没有跳过任何一个流程。你说大厂的流程烦不烦？烦。但被流程保护过一次之后，你会真心感激这份烦。感谢我师，就我🐶命

面试迟到，还在面试前偷偷降100待遇，浪费我时间

1. 自我介绍2. Transformer 里 Attention 的本质是什么，为什么它适合 Agent 场景Attention 本质上是在做动态加权的信息选择，模型不是把所有上下文平均看，而是根据当前 query 去分配不同 token 的影响力。它的优势在于能处理长距离依赖，并且支持内容寻址，这对 Agent 场景很关键，因为 Agent 经常要从长历史、工具返回和外部知识里挑出当前最有用的信息。真正落地时，Attention 的问题不在“能不能看远”，而在“看得太多以后会不会被噪声拖偏”。3. 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面局限性主要体现在三个地...