得物大模型搜索算法二面-日常实习

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“想完之后能不能稳定执行”。2. RAG 的检索如何实现RAG ...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.React的Fiber架构解决了什么问题?在AI长文本渲染中有什么优势?2.在AI流式输出过程中，如果返回的Markdown标签被截断(如代码块未闭合)，前端如何处理渲染?3.什么是RAG(检索增强生成)?前端在RAG 流程中可以参与哪些工作?4.如何优化PromptEngineering以减少前端请求的Token消耗?5.在AI聊天界面中，当消息非常多时，如何保证滚动平滑且不卡顿?6.谈谈前端安全:如何防范Prompt Injection(提示词注入)攻击?7.你们项目是如何进行性能监控的?针对AI场景有哪些特殊指标?8.封装一个通用的AIChat组件需要考虑哪些Props和Slots?9.如果AI接口偶尔出现504超时或网络抖动，前端的重试机制该如何设计?10.简单聊聊向量数据库在前端的应用，前端需要处理向量化吗?11.如何实现一个支持拖拽上传、预览并能被AI解析的附件功能?

笔试时间：2026年3月18日往年笔试合集：2023春招秋招笔试合集2024春招秋招笔试合集第一题：大模型训练显存优化算法题目在大模型训练中，为解决NPU显存不够用的情况，通常采用张量swap或者张量重计算的方式进行优化；张量swap是把张量的数据先搬到CPU，需要的时候，再从CPU搬回NPU；张量重计算是在需要张量的值时，在NPU上重新把张量的值计算出来。假设把模型部署到NPU上，还需要 m 大小的存储空间，才能让大模型运行起来；目前有 n 个候选张量，每个张量占用一定的存储空间；n 个张量中的每个张量都可以进行swap或者重计算，swap和重计算分别对应不同的代价；试着编写一段程序，从 n...

目前只有携程、美团、蚂蚁、阿里给了笔试，个人体感算法题都称不上难，纯粹就是拿算法竞赛里面的、别人不会专门去学的知识点卡人，非常没意思，而且像腾讯字节这种顶级大厂都已经完全不看笔试了，笔试完全就是为了合理刷人存在的，但如果真要刷人，笔试强也救不了简历拉胯、面试表现差，真的是越来越没意义。