怎么判断一个 Agent 实习好不好？

发面经攒人品中...欢迎评论区交流～1.项目介绍2.介绍一下 CLIP3.了解 LORA 吗，LORA 微调的原理是什么4.了解哪些多模态大模型，简要介绍几个5.BLIP 的三个损失函数分别是什么，数据是怎样清洗的6.BLIP2 相对于 BLIP 有哪些改进，BLIP3 又有哪些改进7.Qwen-VL的三个训练流程分别是什么，有什么作用8.视觉编码器和 LLM 连接时，使用 BLIP2中 O-Former 那种复杂的 Adaptor 好还是 LLaVA中简单的 MLP 好，说说各自的优缺点9.代码:实现多头自注意力

在 Claude Code、Cursor 等 AI Agent 工具的使用过程中，MCP（Model Context Protocol）与 Skill（Agent Skill）是两个高频出现的能力扩展概念。二者看似都是为了增强 AI 的能力边界，但在设计哲学、技术架构和适用场景上有着本质区别。本文将从这三个维度，彻底厘清两者的核心差异、存在价值及选型原则。一、一句话核心区分MCP 和 Skill 是 AI Agent 能力扩展的两大核心支柱，定位截然不同：MCP 解决「连接」问题：让 AI 突破自身数据局限，访问外部世界的工具、数据源与服务。Skill 解决「方法论」问题：为 AI 注入专业的...

感觉还挺难的，还得多练...1. Qwen2.5-vl pretrain 阶段用了哪些数据？分别大概用多少数据量？2. 对齐任务一般放在哪个阶段进行？你在 training 的时候long cot 能力下降了多少，有评估吗？3. 小米的 work 看了吗？4. chartQA 的方向有了解吗？ 你觉得有哪些优化方向？5. MLLM 不做对齐会有什么结果？你有考虑你的场景下做增量预训练吗？6. AI 生成检测你的方法对新出现的生成器来讲，效果如何？有评测过吗？7. 可解释性生成你是如何做的评估？给我讲一讲这几个指标以及为什么起作用。8. sim 评估用什么做的？如果你用 LLM 训一个专门用来评估，和你用 sim 的评估方法有什么区别？用多少数据量来训这个？可以当奖励模型吗？9. MLLM 做 rl 会有提升吗？假如你对 grounding 任务做 rl，需要注意什么

本人最初是误打误撞进入了 SRE 这个赛道，但是也从最开始的小白一直到现在对这个领域有了一定的见解，也希望能给一些迷茫的同学分享一些经验吧，全篇大白话通俗易理解1.SRE 岗位是干什么的大多数大厂应届生工作内容主要是：业务运维，会跟业务对接，处理业务相关的问题，处理工单，排障，做预案等，还包含 on call 值班，处理对应负责业务的告警内部平台/工具 自动化开发，资源治理，容量规划，监控告警，CI/CD 等等相关的开发，技术栈主要是 Python/go，部分有可能会做 aiops 相关，目的基本都是提高运维效率故障演练和应急响应，进行故障演练，确保在系统出现问题时能够迅速响应和恢复2.在求职中， SRE和开发有什么区别？招聘投递，后端的岗位量大于 SRE，但是后端的竞争会相当激烈，就个人经验而言，SRE 竞争压力会小很多，而且在大厂里 SRE 的学历要求会低一些面试，SRE 侧重于 Linux 相关（Linux 内核、shell 脚本、开源中间件，虚拟化等），后端开发的话技术栈更侧重于开发语言，还有就是 SRE 算法难度会低于后端开发薪资，对应届生而言，在大厂技术岗里，薪资主要看个人（学历，实习经历，面试表现）定级，大多数人基本都差不多，但是在顶尖那一批人里，后端开发的薪资上限会高一些希望可以给一些同学解疑答惑吧，接受 一对一咨询