美团暑期实习 ai后端一面分享

努力拥抱AI中…1.项目拷打2.如果你要控制多个 agent，不论是 cursor、codex 还是别的工具，同时开多个的时候，你觉得会有什么问题存在？3.如果同时开 10 个、20 个，甚至更多 agent，你觉得会有什么问题？4.怎么管理它们？5.当 agent 做任务时，它不一定一次就做完，可能需要你反馈、确认、纠正。如果有十几个 agent，你怎么分配跟它们互动？6.如果要支撑这种场景，技术上应该实现哪些能力？7.你刚刚定义了 waiting、running、done 这些状态，那你觉得怎么去捕获一个 agent 的状态？8.现在像 codex 这种是独立程序，如果它没有 API，你怎么实现对它状态的获取？9.除了 hook，除了 skill 里做打点，还有什么其他方法吗？10.你有没有用过 skill 里面跑脚本这类能力？11.如果检测到 agent 一直没响应，或者卡住了，你会怎么处理？12.那是不是以后人只要对着调度器就好了？只需要做这套编排和管理？13.除了测试、复盘、对外解释结果之外，你觉得以后程序员还应该重点发力在哪些领域？怎么避免和 AI、和偏商务的人直接同质化竞争？14.你觉得有什么方法论，可以让大模型从一个非常庞大的上下文里，很精确地找到它真正需要的数据？15.你刚刚提到 RAG，这种方法在代码库场景里怎么落地？代码是怎么被切成片、变成可检索内容的？16.如果 RAG 找错了怎么办？17.Cursor、Claude Code、Codex 这类工具，面对几百万行代码、窗口又装不下的情况，这个问题怎么办？18.那你知道这些工具大概是怎么实现的吗？19.从原理上看，一种做法是先把用户提示词丢给模型，让模型决策后再搜索代码；另一种做法是先本地检索，再把结果给模型。各自有什么优缺点？

1. 自我介绍2. 讲一下你做的项目，重点说你负责的模块和难点3. 你在做 Agent 的过程中，真正学到的东西是什么，最大的坑是什么真正学到的不是 Prompt 怎么写得花，而是怎么把模型能力约束进一个可控系统里。比如什么时候让模型自由推理，什么时候必须走工具，什么时候直接拒答，什么时候中断循环，这些都不是模型自己能解决的。最大的坑一般是把模型当成确定性组件用，结果线上一旦遇到模糊输入、脏数据或者工具超时，链路就开始发散。后面通常会补上三层约束：输入规范化、工具白名单、执行状态机。这样即使模型发挥不稳定，系统也不会直接失控。4. RAG 这条链路里，最容易被忽略但最影响效果的环节是什么最容易...

发一下问题给大家参考，攒攒人品！1.实习拷打2.新闻场景下用了什么样的新模型？关键工作是做了什么？3.DIN模型介绍？4.第一版本模型迭代不动了，怎么进行下一次迭代？5.特征工程中，怎么确定哪一些是有意义的特征，哪些是冗余特征，怎么进行确定？6.word2vec用的哪一个？解释这个方法。损失是个交叉熵吗？损失函数的公式？损失函数中负样本损失是一个还是多个？7.大模型相关的了解吗？LLM和MLLM8.拷打其他项目9.手撕：hot100 mid

1. Agent 工具调用你知道怎么训练吗？训练集应该包含哪些？怎么得到训练数据集？如果只是让模型“知道有工具”，那只需要在 SFT 里教会它工具名和参数格式；但如果想让它真的会用工具，训练集必须覆盖完整决策链路。至少要有三类样本：一类是该调用工具的，一类是不该调用工具的，还有一类是要调用多个工具且有依赖关系的。否则模型很容易学成“逢问题必调用”。训练数据来源一般有几种。最理想的是业务日志里已有高质量人工操作轨迹，把用户问题、检索条件、调用参数、返回结果和最终回复串起来。没有现成轨迹时，就要靠规则模板、专家构造、模型自蒸馏和人工校验混合生成。真正难的地方不在造正样本，而在构造反例，比如参数缺失...