NLP算法面经16

1.不限于模型微调的方式，在多智能体场景下去提升单个llm的性能，比如function calling 或者 检索精度提升等等。2.针对具体业务去设计多智能体架构选哪个方向好点呢，之前实习有做过模型微调、embedding/reranker这种，我该选择多智能体吗？牛爷爷们来点建议叭

双非鼠鼠要完蛋嘞，本科应届，面的全职，从某动作面到某回合制再面到某大世界，笔了三轮，面了五次，三封感谢信， 再怎么熟悉c#也没什么用，到头来还是c++八股盛宴，菜是原罪，路边一条罢了这时候就有朋友要问了，为什么执着于米，因为别的厂根本不理我捏算了，反正挂习惯了，又不是人生完蛋了，只是比别人少赚一半马内罢了哎，处女面是米，最后一面也是米，第一次面试的时候面试官真的太好了，问我c#，不会的还直接教我，还说看了我的游戏觉得很有意思，结束还说了一句“要保持对游戏的热爱”，之后的面试官都是c++和408八股0帧起手，还有问完直接上道hard的，真的学不会啊，太菜了

想知道各位牛友如何看现在市场上的传统后端开发和“llm应用开发”呢，因为llm应用开发其实市场上做的工作内容参差挺大的，我大致分了几类供参考，如有不对，轻喷1.第一种最接近后端，调大模型api，然后还是搞后端那一套，无奈很多公司喜欢打着这个噱头，其实跟后端无异。2.做agent，核心工作就是prompt，rag，用低代码平台搭工作流、智能体这种，这种去了感觉失业得最快。3.搞微调，这种门槛也不是很高，但比第二种好多了，涉及模型微调、指标评估、造数据啥的。4.预训练，这种都是算法招进去的，门槛有点高，感觉危机感没那么高，虽然说也是搞数据清洗的多。5.模型压缩、推理加速啥的，这种偏底层 门槛也很高，个人感觉很好，就是要求高。大概这五种，依次从后端到算法，市面上很多名字，大模型/ai/ai agent应用开发太多了，但工作的内容差别超大。如果说涉及到的主要工作就是洗数据、造指标、微调、prompt、rag之类的或者再加一点agent，那感觉护城河似乎没那么高，甚至感觉可能还比不过java(说法可能有些绝对)，总结来说就是感觉危机感很重，想知道大伙是怎么看的，作为在校生该如何做选择呢？

📝笔试题目1.自我介绍2.测试用例包含哪些，怎么写测试用例3.测试流程4.给一个审批系统的场景，设计测试用例5.如何做到多并发，它的目的是什么6.基于简历里的实习内容问了问7.MapReduce的内容8.代码题是最长不重复子串