【ai产品】导论4：垂直大模型+agent

常见的业务题架构理解篇Q1 Transformer模型主要由哪两部分组成？Q2 自注意力机制中的Q、K、V矩阵是什么缩写？Q3 多头注意力中"头"（head）指的是什么？Q4 位置编码的作用是什么？Q5 Encoder和Decoder结构的主要区别？Q6 为什么要使用残差连接（Residual Connection）？基础组件篇Q7 前馈神经网络（FFN）有多少层？Q8 Layer Normalization放在哪个位置？Q9 激活函数ReLU和GeLU的主要区别？Q10 词嵌入（Word Embedding）的维度代表什么？Q11 注意力掩码（Attention Mask）的作用是什么？Q12 为什么要使用dropout技术？训练基础篇Q13 预训练（Pre-training）的目标是什么？Q14 什么是语言模型中的"自回归生成"？Q15 数据并行的基本实现方式？Q16 什么是训练中的批量大小（Batch Size）？Q17 学习率（Learning Rate）过大会导致什么问题？Q18 训练损失（Training Loss）下降说明什么？模型应用篇Q19 什么是文本生成中的贪心解码（Greedy Decoding）？Q20 温度参数（Temperature）如何影响生成结果？Q21 模型推理时为什么要限制生成长度？基础概念篇Q25 参数量（Parameters）和计算量（FLOPs）的区别？Q26 什么是生成式AI（Generative AI）？Q27 预训练模型和传统NLP模型的核心区别？Q28 为什么大模型需要海量训练数据？Q29 什么是过拟合（Overfitting）现象？Q30 模型推理（Inference）是指什么过程？工程实践篇Q31 GPU显存不足时常见的解决方法？Q32 模型权重文件（Checkpoint）包含哪些内容？评估基础篇Q37 如何评估语言模型的生成质量？Q38 困惑度（Perplexity）指标的计算原理？

去年面的，面的是大模型应用岗，当时llm应用还没有当前那么流行，我说对fastapi有一定了解，我会flask django 用python写过前后端项目，也学过java的后端框架，玩过gradio的ai应用，上手fastapi也是分分钟的事情，工作第一天就能上手，毕竟这些框架用法都长一个样，相通点很多，用到的知识都一样，结果面试官笑了下，后面就挂了。。。人还是太多啊现在

前言： 投这个岗位主要是因为我现在做的是Agent（多模态）相关的内容，所以想看看面这个岗面试官会问什么，好做后续的学习与知识的补充。时间：7月24日投递，28日约面，30日晚上面试。流程：1、自我介绍2、介绍实习工作（20min），回答相关的问题3、面试官提问：- 了解模态鸿沟吗？- 有做过微调吗？我说Lora，问Lora的作用？我说可以减少训练消耗，问为什么？4、算法题：lc6（Z字形变换）    一开始说不会做，面试官提示了两次做出来了，做了好久哈哈5、面试官提问：- 你做的是多模态的，他们做的更多的是文本，愿意吗？5、反问：实际场景下搭建Agent使用Dify、n8n框架还是自己手搓？面试官直接介绍了他们的业务，更偏向于搜广推，然后问愿意吗？7、Base倾向（上海还是北京）

有没有佬参加了今年秋招或者提前批面试，项目中如果有ai agent相关内容的的，大家感觉面试官更看着ai的应用业务场景还是ai相关的技术啊？[吃瓜R]感觉技术上都是平台可视化搭一下编排流 没什么技术亮点 也不知道怎么去包装了后端开发   agent   面试   大模型