清华四川能源互联网研究院待遇如何？

继续来分享下最近的面经~欢迎友好讨论，信息共享1. 你有没有接触过自动化测试？了解哪些测试框架（Python 或其他语言）？2. 你在A公司做的 AI 平台整体是干什么的？3. 你说的孤儿资源清理具体是怎么实现的？4. 你是怎么判断一个资源是孤儿资源的？5. 这个过程是基于全量扫描，还是事件驱动？具体怎么做的？6. Watch 和数据库同步这一套是怎么设计的？有没有一致性问题？7. 你的事件处理链路是怎样的？有没有用 Kafka？为什么用 / 不用？8. 你在B公司做的 Agent 核心是做什么的？解决了什么问题？9. 这个 Agent 实际是在部署什么？是服务、脚本还是其他东西？10. Agent 是中心化部署还是每台机器一个？为什么这么设计？11. Agent 和 Jenkins 的关系是什么？谁负责调度，谁负责执行？12. Agent 的所有动作是不是最终都是通过 Jenkins 来执行的？13. Jenkins 执行完之后，怎么和 Agent 做状态同步或结果回传？14. 既然 Jenkins 本身就能做自动化，为什么还要做一个 Agent？15. 用户在 Jenkins 上最容易填错哪些参数？为什么？16. 能不能完全不让用户填参数，让系统自动完成？为什么做不到？17. 如果 Jenkins 已经可以完成这些事情，引入 Agent / AI 的价值在哪里？18. 如果让你设计一个自动拉日志的 Agent，你整体流程是怎样的？19. 有3台Linux机器，日志路径不统一，而且是二进制日志，需要解析，你怎么设计？20. IP/Port 固定，但 SSH 密码会随软件版本变化，这个你怎么处理？21. 不同业务的人要不同日志路径，你怎么做管理？22. 用户不愿意维护配置表，你怎么让用户输入，同时系统自动沉淀规则？23. 日志解析涉及不同格式、工具、版本，这一块怎么设计？24. 如果这个 Agent 要扩展到自动检测、排障、自动化能力，架构怎么演进？25. 在完全没有规范流程、系统很混乱的情况下，你怎么落地这个 Agent？手撕：第二大的数字，不能用既有函数。

下午3点直接打得电话，吓我一跳，直接开面。主要是项目，没记录。面试官挺好的，我不懂的一直在讲解，也在叮嘱我去学AI，好找工作。主要问了实习项目，还有AI使用相关的。Web服务器有哪些？Nginx的使用场景和作用，什么是正向代理和反向代理。反问：有HR面吗？（有的话后续HR会联系，感觉凉凉的）

发一下问题给大家参考，攒攒人品！1. 你这个状态机整体流转是怎样的？关键节点分别是什么？2. Human-in-the-loop 放在哪一段，为什么放这里？3. HIL 后面的节点是什么，分别负责什么？4. 为什么这里一定要做幂等？不做会出什么问题？5. 同一份配置算出来的哈希是不是固定的？什么情况下会用同一个哈希再次触发 Jenkins？6. 这个哈希在你系统里表示的是同一个任务，还是同一类任务？7. 你们拿哈希去查任务时，结果是唯一定位，还是可能存在歧义？8. 如果网络抖动、服务挂了，哈希和任务状态怎么处理？9. 如果任务执行中会话断了，怎么恢复？如果 Jenkins 还在跑，怎么重新接回来？10. 如果会话断了、服务也挂了，这个任务还能不能恢复，靠什么恢复？11. 如果配置没变、哈希没变，但我想重新触发，幂等机制会不会把它拦住？你怎么设计“重试”和“重新发起”？12. 自动重启能不能做？如果做，重试逻辑、超时逻辑、人工介入边界怎么划分？13. 任务状态有没有必要持久化？应该放 memory，还是独立状态存储？14. 你的记忆是怎么分层的？哪些信息进短期上下文，哪些信息进长期记忆，哪些信息只进任务状态？15. 你们现在上下文大概能承接多长？30 轮裁剪是怎么裁的？16. 如果复杂任务 30 轮结束不了，长链路上下文怎么压缩、提炼、续接？17. 你怎么保证压缩之后不丢关键任务信息？18. 你对 Agent 范式怎么理解？ReAct 和 Reflection 分别是什么？19. ReAct 里人能不能介入？一般介入哪些节点？20. Reflection 比 ReAct 多出来的核心价值是什么？它能不能真正解决死循环？21. 如果系统进入死循环，除了人工介入，你还会加哪些机制让它停下来？两道AI Coding，一道在平台写，一道用自己的ide

1. 什么是 LoRA？LoRA 全称是 Low-Rank Adaptation，核心思想是在微调大模型时不直接更新原始大权重矩阵，而是冻结预训练权重，只额外学习两个低秩矩阵，用这两个小矩阵的乘积去近似原权重的增量。原来如果某层权重是： W ∈ R^(d×k) LoRA 不直接学习 ΔW 的完整矩阵，而是写成： ΔW = B A A ∈ R^(r×k), B ∈ R^(d×r), 且 r << min(d, k) 最终前向变成： h = W x + ΔW x = W x + B A x 这样训练参数量会大幅下降。2. LoRA 的思路是什么？LoRA 的基本假设是：大模型在迁移到下...