有一个问题：Multi-Agent 架构到底适合什么场景？ 很多人第一反应是：“任务复杂的时候就用多 Agent。” 然后面试官就会继续追问：什么叫复杂？复杂体现在哪？引入多 Agent 的代价是什么？有没有明确不该用的场景？ 如果这些问题答不清楚，这道题基本就丢分了。 真正成熟的回答，不是“复杂任务适合拆分”，而是要给出一套可操作的判断框架。结合 Claude Code、Codex 类产品的实战经验，可以把这个问题归结为一句话： 默认先用单 Agent，只有在单 Agent 已经暴露出明显瓶颈时，才引入 Multi-Agent。 好像也是很扯。 为什么不能默认上 Multi-Agent？ 很...

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

春招约不到面试，太难受了

1. 自我介绍 简单聊聊你写的这个项目2. bge-m3 的预训练过程是什么，为什么它可以高效检索bge-m3 的核心不只是“做 embedding”，而是把多种检索信号统一进同一个模型框架里。它同时支持 dense、sparse 和 multi-vector 三种表示。dense 负责语义层面的相似性，sparse 更接近词项权重匹配，multi-vector 则适合处理长文档、多粒度语义对齐。这样一个 query 不再只依赖单一路径召回，所以在复杂检索场景里更稳。从训练角度看，它一般不是只靠单一对比学习目标，而是会结合多任务数据，让模型既学语义匹配，也学词面相关性和局部对齐能力。高效检索的...