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...

如题。   

大佬们好，不是计算机专业的从大一下开始自学Java到现在很迷茫，项目是苍穹外卖包装的，希望大佬们给点学习或者简历的建议

面试1h，内容如下：1.介绍一下agent项目，流程是怎么样的，详细展开说说。讲完之后开始八股：2.hashmap线程安全吗，高并发会有什么问题？你会怎么解决3.syn锁和re锁的区别？4.循环依赖怎么解决 ，具体介绍流程5.还有些忘了....都是很简单的八股。（叫我共享屏幕，说反作弊。可能觉得我讲太快了）算法题：LRU缓存+ttl+解决高并发+限流（5秒内用户只能请求10次这样）。可以口述思路，可以写代码，LRU+TTL我默写了，后面两个直接说思路。今天不知道为什么，在反问环节都是hr在一直输出，感觉我才是hr哈哈哈....反问的话就问3个方面：1.用友下一步的发展方向，是否往ai靠？2.薪...