点击就送的厂

岗位名称：大语言模型算法面试时长：1h–1.5h自评分：8/10是否下一轮：是模型架构与基础原理目前主流大语言模型在架构设计上有哪些异同点？（追问）Decoder-only 和 Encoder-Decoder 在实际应用场景上有什么区别？介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？（追问）如果减少头数会发生什么？是否一定性能下降？什么是大语言模型的涌现能力？目前对该现象的研究有哪些发现？（追问）涌现能力是否和模型规模线性相关？什么是 Embedding？词嵌入和句嵌入有何不同？（追问）Embedding 层是否会参与微调？为什么？大语言模型中的 Tokenization 是如...

最夯的 mentor：给方向、不替你写代码；会指出问题，但不会当众点名处刑；愿意花 10 分钟讲思路，而不是丢一句你再想想。最拉的 mentor：需求模糊、脾气稳定地差遇到问题第一句永远是——这个不是很简单吗？

我的第一家实习公司，算是小厂吧，我个人觉得。第一家实习公司，是学校在短时间内让我们赶紧去找的，也怪我当时没有这个意识，当“花花公子”天天吃喝玩乐去了，所以在短时间内，根本没空考虑时间什么的，随便找了一个小厂就进去了，然后在那做了三个月，期间，真的感觉到了和正职还是有差别的，正职过生日吃蛋糕，都躲在会议室偷偷吃，不给我们实习生哈哈哈，虽然也不是为了那一口蛋糕吧，但是心里也挺不得劲的

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...