阿里千问agent开发一面-日常实习

1.自我介绍2.rag流程讲下3.基于什么框架搭建的4.ppt智能体怎么做的，是只是部署了吗；做了那部分流式，提示词约束，前后端联调5.分块策略讲下，为啥切分还要设置 固定字符6.为撒选择768维度7.讲下embeindg模型原理，transfomer原理；讲下decoder encoder面：本质上decoder就是一个embedding8 milvus原理BM25算法9.讲下欧式距离 内积 向量i相似度底层怎么计算的讲了内积，分解维度向量，点乘相加10.skill讲下渐进式纰漏，为撒大模型可以决定使用哪个答得意图识别，工具排名，然后选择上面的skill调用11.假设sse输出，前端突然关掉页面，后者服务宕机；并且传输的分片，需要长时间等待（LLM或者文生图这样的模型）（现在一起上传前端）提示网络层去做答得：中间件存储面：可以在网络层加心跳机制12.选择一个你擅长的点openclaw claude13claude的skill有哪些；14.你觉得claude有哪些可以拓展的点答得记忆和skill，和项目风格和上下文对齐15.function call mcp skill 调用有什么区别16.openclaw除了定时和skill还用过其他的功能吗17.用aicodeing多吗，用的什么模型；讲下aicoding思路，知道热更新机制的模块吗；glm5，中转节点先架构，python，必须简单运行，先写总体文档，列出要考虑生成环境的点9.2终端再分模块开发限制9-13min18.生产环境考虑的点kafka的一套，有序，幂等，消息丢失；并发；内存存储，服务宕机重启，数据丢失19.为啥要再生成一份项目交付md把需求md覆盖了，生成了个总结的文档主要拷打了底层微调也有问，和transfomer架构kqv和中间额层，和具体用哪个通用大模型的关系

1. Agent 的架构设计？一个完整的 Agent，一般不是单独一个大模型就能跑起来，核心会拆成几层。最上面是任务入口：负责接收用户问题和上下文；中间是决策层：负责意图识别、任务拆解、规划和工具选择；下面是执行层：真正去调工具、查知识库、访问服务；最后是记忆和状态层：维护多轮上下文、历史执行结果和中间变量。如果做得再工程化一点，通常还会加一个校验层。因为模型规划出来的步骤不一定总是对的，工具参数也可能填错，所以在执行前后都要做检查，比如参数合法性校验、工具返回结构校验、结果一致性校验。Agent 真正难的地方不是 “能不能想”，而是 “想完能不能稳定执行”。2. RAG 的检索如何实现？RA...

发一下问题给大家参考，攒攒人品！1.  项目拷打2. 项目开发过程中有没有遇到印象比较深刻，或者稍微难一点的技术问题？3. （针对Agent自动调用工具）具体默认调用了什么工具，可以举个例子说明吗？4.  平时开发最常使用、最熟悉的编程语言是哪个？5. 在 Java 中，String 类是可变的吗，为什么这么设计（为什么是不可变的）？6. 了解 Java 的垃圾回收（GC）机制吗？7. Java 是自动回收还是需要手动回收？8. 了解回收器的原理吗？9.  了解 Java 的类加载过程吗？10. 了解 Java 类加载里的“双亲委派模型”吗？11. 了解 Spring 框架里面的“依赖注入”吗？12. 在使用 Spring 开发时，有没有遇到过“循环依赖”的问题？13. 项目里的 RAG和向量搜索具体是怎么做的（跑通流程）？14. 文档的 Embedding 具体是怎么做的？15. 是调用了什么模块把文档转化成向量的？16. 搜索的时候，搜索的语句是怎么转成向量做相似度的，也是调用知识库的模型进行转换吗？17. AI 模型的“流式响应”具体是怎么实现的？开发时有什么需要注意的地方？18. 流式响应走的是什么网络协议？

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...