腾讯云智内推

这是社群小伙伴分享的 社招面经 双非本 4年工作经验1. 自我介绍2. 展开讲一下你们决策系统的整体架构，你在里面具体负责什么？答案：这个系统整体分成数据层、模型层、知识层、决策层和应用层。数据层负责接入客户侧的电表数据、设备数据、天气数据、电价数据和业务配置；模型层负责负荷预测、异常检测和策略打分；知识层负责接入制度文档、设备说明书、调度规则和历史案例；决策层把预测结果、规则约束和知识库证据结合起来，生成调度建议；应用层提供报表、问答、预警和人工确认入口。我主要负责三块：第一是负荷预测链路，包括数据清洗、特征构造、模型训练、离线评估和线上推理接口；第二是知识问答链路，包括文档解析、向量入库、...

想找暑假的Java后端的日常实习，求指导

今天早高峰10号线，人挤人，我好不容易站稳，余光扫到旁边座位上有个穿校服戴红领巾的小男孩，正低头盯着iPad。我以为他在看动画片，好奇瞟了一眼——好家伙，在刷leetcode。我人都傻了。我小学五年级还在玩赛尔号，人家已经在地铁上刷题了。让我想起来现在也有很多机构推出面向小孩的人工智能课、AI使用课...现在连小孩都这么卷了吗？

也大大小小面了很多内部正在搞AI的公司，给大家分享一下我的面试题库！ 第一章：RAG 系统 Q1: 请解释 RAG 的工作原理。与直接对 LLM 进行微调相比，RAG 主要解决了什么问题？ RAG（Retrieval-Augmented Generation）的核心是"检索+生成"两阶段：先从外部知识库中检索与用户问题相关的文档片段，再将这些片段作为上下文拼入 prompt，让 LLM 基于检索到的信息生成回答。相比微调，RAG 的优势在于： ①知识可实时更新，不需要重新训练模型； ②可追溯来源，减少幻觉且便于审计； ③成本低，不需要 GPU 资源做训练； ④领域迁移方便，...