1. 大语言模型的 RLHF 训练流程是什么，它存在哪些潜在风险RLHF 一般分三步。第一步是 SFT，用高质量指令数据把基座模型调成能听懂任务、按格式回答的模型。第二步是训练奖励模型，把人工偏好数据整理成 chosen 和 rejected 形式，让奖励模型学会判断两个回答哪个更好。第三步是强化学习优化，最经典的是 PPO，让当前策略在奖励更高的方向上更新，同时用 KL 约束避免模型偏离初始策略太远。它的风险主要在三个地方。第一，奖励模型可能学偏，模型最后学到的是“讨好奖励模型”而不是真正更有帮助。第二，强化学习阶段如果约束不够，模型容易出现 reward hacking，看起来分数高，但真...

难道前端真的已经不行了？

学院本真的没希望了吗😭秋招0offer，投了也石沉大海，求各位佬指点一下😭

面试部门：平台服务？大概叫这个，邮件里没有，面试官说的面试时间：3月24日17：00面试时长：40分钟比较基础的一次面试，没什么压力，面试官全程比较精神涣散hhh,估计bro也是上班上累了1.Agent项目用什么做的，选型原因，Agent框架了解吗2.Agent技术组成部分理解吗，讲讲执行链路3.Skills的真实逻辑怎么写的，明白和企业的差距吗（这个之后还问了些，比较深，个人受教了，还是下去再多看看Agent吧4.讲讲项目里的难点（Agent选取了RAG来说）5.除此之外了解AI的什么？Openclaw,Transformer...八股：（比较简单）1.Redis简介，Redis为什么快2....