阿里夸克算法实习面经 攒人品

1.项目都是自己做的吗2.rag这边是你做的吗3.向量化不是用milvus本身的模型，自带的吗？面试官提问问题4.入库流程的是自己做的吗5.文件读出读进内存里面，中间的适配器用的什么6.转换的用的什么能力7.精排取的交集还是并集，混合检索的，权重算的吗8.有没有遇到什么case9.有没有招不回的情况答得 检索侧和生成侧 两边的原因可能；语义分块太大；知识库里面没有；语义表述对齐，query表述口语化10.关键词检索BM25算法11.图文检索的用到什么策略吗12.持久化RDB算法和AOF细致讲下13.程序运行内存分布答得：jMM内存结构及数据存储类型aicoding 压测工具，python写，终端测试，生成文档和测试用例结果

DDPM 和 DDIM 的区别是什么？ 第一步：前置小知识（重参数化技巧） 在扩散模型中，我们最常用到一个技巧：如果你有一个符合正态分布的变量 （均值为 ，方差为 ），我们可以把它拆成：  这里的  是一个标准正态分布的纯噪声 。 直白点说： 任意状态 = 确定的基础值 + (随机噪声  噪声强度)。记住这个公式，它是贯穿整个推导的灵魂。 第二步：DDPM 的基础设定（从头到尾加噪） 在原来的 DDPM（去噪扩散概率模型）中，我们有一个清晰的正向加噪过程。 假设我们有一张清晰的图像（或者机器人的一个完美动作），叫做 。我们在它上面不断加噪声，加到第  步时，它变成了 。 DDPM 证明了一个极...

1.自我介绍2.rag流程讲下3.基于什么框架搭建的4.ppt智能体怎么做的，是只是部署了吗；做了那部分流式，提示词约束，前后端联调5.分块策略讲下，为啥切分还要设置 固定字符6.为撒选择768维度7.讲下embeindg模型原理，transfomer原理；讲下decoder encoder面：本质上decoder就是一个embedding8 milvus原理BM25算法9.讲下欧式距离 内积 向量i相似度底层怎么计算的讲了内积，分解维度向量，点乘相加10.skill讲下渐进式纰漏，为撒大模型可以决定使用哪个答得意图识别，工具排名，然后选择上面的skill调用11.假设sse输出，前端突然关掉页面，后者服务宕机；并且传输的分片，需要长时间等待（LLM或者文生图这样的模型）（现在一起上传前端）提示网络层去做答得：中间件存储面：可以在网络层加心跳机制12.选择一个你擅长的点openclaw claude13claude的skill有哪些；14.你觉得claude有哪些可以拓展的点答得记忆和skill，和项目风格和上下文对齐15.function call mcp skill 调用有什么区别16.openclaw除了定时和skill还用过其他的功能吗17.用aicodeing多吗，用的什么模型；讲下aicoding思路，知道热更新机制的模块吗；glm5，中转节点先架构，python，必须简单运行，先写总体文档，列出要考虑生成环境的点9.2终端再分模块开发限制9-13min18.生产环境考虑的点kafka的一套，有序，幂等，消息丢失；并发；内存存储，服务宕机重启，数据丢失19.为啥要再生成一份项目交付md把需求md覆盖了，生成了个总结的文档主要拷打了底层微调也有问，和transfomer架构kqv和中间额层，和具体用哪个通用大模型的关系

1. 介绍一下 bge-m3 和 DBSCAN，以及它们各自的优势bge-m3 是一个面向检索场景的多功能 embedding 模型，它的特点不是单一做稠密向量表示，而是把 dense、sparse 和 multi-vector 几种检索能力统一到一个模型里。dense 表示负责语义相似，sparse 表示更接近关键词匹配，multi-vector 更适合长文档和细粒度匹配。这样做的好处是一个模型可以兼顾语义召回和词面召回，尤其适合知识检索、教育问答、题目匹配这类场景。DBSCAN 是一种基于密度的聚类算法。它通过两个参数来定义簇：一个是邻域半径 eps，一个是形成核心点所需的最小样本数 mi...