Agent实习一面 阿里国际 感觉好难啊

给我面没招了，发点面经攒攒人品～
1*当大模型产生错误回答或幻觉时，在工程和算法层面有哪些规避手段？
2* 描述 Transformer Decoder 的完整解码流程。
3* KL 散度的数学意义是什么？在模型对齐（如 PPO/DPO）中起什么作用？
4* MoE架构的具体实现原理是什么？路由（Router）是如何工作的？
5* 面对模型在生成过程中出现循环、重复回答的问题，有哪些解决办法？
6* BM25 算法的数学原理是什么？它相比于简单的 TF-IDF 有哪些改进？
7* Agent 系统中的LangGraph是如何搭建的？其 Memory 组件的工作机制是怎样的？
8* 如果单次生成的任务量远大于模型的 Max Tokens 限制，如何实现断点继续生成？
9* Transformer 中 Attention 的本质是什么？请从数学角度解释。
10* 为什么在计算 Attention 时需要进行Scaling
11* Self-Attention 和 Cross-Attention 在作用和输入来源上有什么区别？
12* 面对极长序列Attention 的 O(L^2) 复杂度问题目前有哪些主流解决方案？
13* 在 Agent 多轮对话任务中，Attention 机制的局限性体现在哪些方面？
14* 为什么模型在长上下文对话中容易出现“信息遗忘”？有哪些缓解机制？
15* 介绍 SFT的流程，以及如何构建高质量、多样化的数据集？
16* 在什么业务场景下，必须引入 RLHF 或 DPO 这种偏好对齐技术？
17* MinerU 在解析复杂的工业文档（如图文混排）时，具体的处理逻辑是怎样的？
18* 在多模态检索中，文本和图片是如何映射到同一个统一向量空间的？
19* Ragas 评测框架中的 Faithfulness 和 Answer Relevance 指标的具体计算逻辑是什么？
20* 相比于 LangChain，LangGraph 在处理循环任务和状态管理上有哪些优势？
21* LangGraph 的状态快照机制是如何实现任务回溯和持久化的？