快手实习Agent开发算法一面 1h

攒攒人品！有面试过同岗的朋友欢迎评论区交流1.React的Fiber架构解决了什么问题?在Al聊天这种高频更新场景下有什么优势?2.在处理AI流式数据(Streaming)时，前端如何优雅地处理Markdown渲染和代码高亮?3.谈谈你对RAG(检索增强生成)流程的理解，前端在其中可以做哪些工作?4.如何优化 Prompt的构建过程?前端如何封装Prompt模板?5.你们项目里是如何做前端性能优化的?请结合AI应用的特点聊聊。6.介绍一下WebWorker的应用场景，在AI前端应用中它能解决什么问题?7.如果AI返回的内容包含恶意脚本，前端如何防范XSS攻击?8.手写题:实现一个简单的EventBus(发布订阅模式)。

低温烧结纳米银浆在6G隐形战场的突围：技术突破与标准引领6G作为下一代通信技术的核心，其高速率、低时延、高可靠的目标依赖于高频段（毫米波/太赫兹）、高集成度、高散热效率的硬件支撑。而纳米烧结银浆作为第三代半导体SiC/GaN封装、高频电路互连的关键材料，其性能直接决定了6G设备的可靠性、功耗与集成度。在这场隐形战场中，纳米烧结银浆的突围不仅是材料技术的突破，更是产业链协同、标准引领与应用场景拓展的综合结果。一 技术突破：从跟跑到领跑纳米烧结银浆的技术突围围绕低温烧结、高致密性、高可靠性三大核心目标展开，通过材料创新与工艺优化，解决了传统银浆在6G应用中的痛点。1低温烧结技术：适配6G柔性/高频...

本人技术栈主要是Python+Go，之前有两段后端实习经历一面一开始面试官就围着我之前的实习项目问，问得还挺细的：当时做项目的时候，为什么要引入父子索引？还有BM25，引入的原因是什么，比例是怎么设置的，整个具体流程是怎样的，有没有做rerank操作？如果做了rerank， rerank之后返回几个块？有没有做过一些验证来确保效果？rerank之后的topk截断是怎么实现的？为什么选这个k值，有没有考虑过其他方案？让我讲一下上下文工程，还有记忆功能是怎么实现的。除了AI相关的项目，还问了我之前做的后端实习项目，都是一些项目里的细节问题。分布式令牌桶限流、漏桶限流，还有滑动窗口算法限流，这三个都让我讲一下。尤其问了滑动窗口的数据结构会包含哪些字段，滑动窗口对比令牌桶有什么缺点，还有用Redis的什么数据结构能实现滑动窗口。又绕回我自己做的项目，让我讲一下LRU的原理和实现。布隆过滤器的原理、应用场景，也让我详细说一下。MySQL索引失效的情况，这块我八股好久没看了，只想起来两个，被面试官追问了好久，有点没答好。面试官还补问了一句，like查询会不会导致索引失效。MySQL的事务隔离级别，还有一致性相关的内容，让我讲清楚。MVCC这块问得特别细，反复追问，还举了具体场景，问这种情况下会创建几个readview，我当时琢磨了半天，尽量把自己知道的都讲了。最后还问了MySQL的锁相关知识，行锁、表锁这些都涉及到了。手撕代码环节，我跟面试官坦诚说，最近一直在实习，好久没刷过题了，然后面试官就出了一道反转链表，不算特别难，慢慢理清楚思路就做出来了。二面跟一面不一样，二面全程没涉及后端相关的问题，全是AI agent和RAG相关的，而且大部分都围绕我之前做的RAG项目展开，问得特别深入。首先问我，做RAG项目的时候，是怎么评测效果的？有哪些评测维度，具体用到了哪些指标？然后问项目里的数据集包含什么内容，数据来源、数据格式这些都问到了。如果让我对RAG的相关度和回答效果做优化，我有什么思路？有没有更体系化的优化方案，而不是零散的调整。面试官还举了个具体场景，比如有一千条数据，需要做求和处理，让我说说这种数据处理场景，我会怎么设计实现。RAG的性能怎么提升，有没有实际的优化思路，不管是工程层面还是算法层面。我项目里的上下文是怎么处理的，有没有什么优化的方向，比如上下文过长、冗余这些问题怎么解决。agent的长记忆和短记忆之间，怎么做到协同工作的，两者的衔接逻辑是什么。最后问我，有什么思路能让自己做的agent更智能？这个问题我感觉太宽泛了，当时没太get到面试官具体想了解什么，就主要围绕我工程开发中遇到的实际问题，讲了一些针对性的优化思路。手撕代码环节，出的是全排列，这个之前刷过类似的，思路比较清晰，顺利做出来了。感觉面试官比较爱问的AI问题就是RAG 的全链路优化、Agent、减少幻觉

1. 自我介绍2. 项目拷打3. 你实习做了什么 有什么提升 详细说说4.Transformer 为什么适合做大模型底座？Transformer 适合做大模型底座，核心原因是 并行能力强、长距离依赖建模能力强、扩展性好。RNN 按时间步串行处理，训练效率低，而且长距离依赖容易衰减；Transformer 使用 Self-Attention 直接建模任意位置之间的关系，训练时可以并行处理整段序列，所以更适合大规模预训练。现在大部分大模型都以 Transformer 为核心结构。5. Self-Attention 的公式是什么？输入 (X) 先映射成 Query、Key、Value：注意力计算公式...