暑期腾讯agent开发一面 攒人品中

1.介绍你的agent项目，为什么做？能解决什么问题？有什么收益？2.知识库agent是搭建在哪里，线上？还是线下？3.大模型是如何选型的？4.RAG知识库的搭建流程？5.在RAG系统中，文档分割大小和检索TopK参数的选择是如何确认下来的？6.你的Mutil-Agent是如何协同的？7.有没有做过本地化部署的模型？8.另一个项目拷打...9.反问...总共耗时在25分钟左右

继续来分享下最近的面经~欢迎友好讨论，信息共享1.实习拷打2.你们这个对抗式状态机是什么？3．你认为状态机和流式的workflow的区别是什么？分别什么时候用？4.你们这个工作流是解决什么问题的？用户是谁？5. 那你们这个工作流延迟是不是很高啊？怎么解决的？6.你写的减少token消耗，体现在哪里？7. 你在华为还做了什么，mcp和skil做出来主要是怎么使用的？拷打自己的agent项目1.你这个组件可插拔是什么意思？2. 你的多个Agent之间的是怎么处理输入的？你用的这种动态上下文具体是什么数据结构？3. mcp和skill的区别是什么？4.你的工程中是如何处理上下文的？5.你的RAG工程中是如何处理分块的？6.你的react范式是怎么做的？这种React和COT的区别是什么？你认为二者分别是在什么情况下使用。7. 你认为多agent和单agent各自适应的场景是什么？8. 有没有用过langchain，你认为它的优点是什么？9.你了解过prompt 工程，context工程，harness工程，他们的区别是什么？Ai coding写一个高并发分发优惠券的系统，要求对不同人群进行分类，配有不同的优惠券分发方案，要求模块采用继承架构设计，要求考虑边界条件，最终要求一个完整的系统，有main函数做一个demo展示系统功能。并且含有完整的边界约束测试。最后要有使用说明Readme文档。

1. 自我介绍2. 项目拷打3. 你怎么理解现在的大语言模型，它和传统 NLP 系统最大的分水岭是什么现在的大语言模型本质上不只是一个“更大的文本分类器”或者“更强的生成器”，而是把表征学习、任务迁移和自然语言接口统一到了一个模型里。传统 NLP 往往是一任务一模型，文本分类、命名实体识别、问答、摘要各做各的，大模型则是在大规模预训练后，通过提示、工具调用、少样本样例甚至简单微调完成大量任务迁移。真正的分水岭不在参数量，而在它具备了统一接口、上下文学习和任务泛化能力，所以很多原来需要显式建模的流程，现在可以交给模型做一层高层抽象，但代价是可控性和确定性下降。4. 如果要让模型真正“理解”你的业...

分享一个蚂蚁timeline3.25 一面3.30 二面4.2 HR面4.10 意向书