minimax大模型agent一面好难

🕐面试时间：60min❓面试问题：自我介绍拷打agent项目，react是怎么设计的，多轮对话是怎么实现信息传递的，每个agent在每轮对话中的记忆是怎么样的长短期记忆的理解rag是怎么实现的，reader和spliter的策略是什么。召回效率不好怎么优化（切割方案，多路召回，query rewrite）mcp的stdio和sse有什么区别在你开发的实际感受下，传统的掉api和使用mcp有什么体感上的不同第二个项目实现怎么实现幂等的在事务过程中mysql蹦了怎么办，锁怎么释放（防不胜防，考虑设置断点+过期时间）如果我要改成一个用户能操作5次，怎么改（在最开始用分布式锁锁住，然后在里面进行业务...

1、为什么决定选用RAG这个技术框架?2、为什么要用向量检索(RAG)?不用其他方式?3、Transformer中Attention的本质是什么?4、SFT的核心流程有哪些，SFT之后常见的Post- Training有哪些?5、如果让你设计一个多轮对话的Agent,你认为纯 Attention结构在处理长时间对话时，会遇到哪些瓶颈?6、什么是RAG，为什么没选向量库?7、现在给你一个RAG系统,你怎么设计一套评估方案来判断它‘好用’?8、你用的切分策略是什么?9、Prompt自动推荐模块用了哪些优化策略?有没有尝试过Prompt压缩或embedding表示的方式?10、在做对齐时，PPO和DPO你更倾向于用哪个? 有什么区别?11、假如一个Agent推理链路包含3个工具+高频请求,系统整体延迟较高,你会如何优化?

1.说一下 Transformer 的底层结构吧Transformer 的核心是用自注意力代替传统序列模型里的递归结构。一个标准模块通常包含多头自注意力、前馈网络、残差连接和 LayerNorm。自注意力负责让每个 token 和其他 token 直接交互，前馈网络负责做非线性变换，残差和归一化负责保证深层训练稳定。它真正厉害的地方不是结构复杂，而是信息传播路径短，长距离依赖更容易建模，并且天然适合并行训练。2. Transformer 为什么用了 LayerNorm 呢因为 BatchNorm 依赖 batch 维度上的统计量，但 NLP 任务里句子长度不一致，线上推理时 batch 也经常...

有见过上来就写一个完整的线程池的吗？面试官一张嘴我差点尿了Q1：前面两个面试官已经提问了项目，咱们直接写一道题吧，线程池，不会c++可以用你会的语言。。。。PS：shit30min later。。。Q2：java21中的虚拟线程应用到你的项目中会有什么变化？PS：holy shit，前面java21没听清，就听到个虚拟线程，我没听这个概念，我人都傻了A：sorry面试官，我没有思考过这个问题。。。Q3：如果Redis的Pub/Sub因为某些原因没有传递到，你的caffeine会不会被读取到过期数据A：设计了很短的过期时间 + 引入消息队列重试机制Q4：如果Redission分布式锁的持有者宕机，看门狗没有续期，10000个QPS会全部达到DB上吗A：不会，因为锁无人持有，会有一个线程抢到锁，其他线程阻塞，等待会写，所以只有一个线程能到DB。PS：不知道为啥我说完又问了我一遍，感觉没说错啊，我就说的更详细了一点。。Q5：你试用Canal监听binlog实现ES和MySQL的一致性，如果Canal因为MySQL的Update太多导致Canal同步跟不上怎么办A：只想到了把Canal监听binlog的方式改为row，加速读取，然后对MySQL进行取舍（因为我问了下，MySQL主从是否一致，面试官说可能不一致），因为MYSQL主从同步有四个策略，当选择超半数同意才接受的方案时，如果Update操作太多，那么直接拒绝。还有考虑数据库分库分表，分担压力，避免所有更新请求打到少数数据库上。只想到这么多，前者回答的肯定不够，但是对Canal了解不多，没招了Q6：了解aqs吗，怎么实现一个ReentrantlockA：内部类继承aqs，针对state，队列进行设计实现公平锁或非公平锁，重写tryAccique和tryRelease，对外暴露接口Q7：你项目几个人做的，都是实验室项目吗？Q8：反问环节A：多久出结果，核心业务是什么，还有技术面吗？PS：一周内出结果，后面是hr面，业务关于支付等等没注意听，实习两个月之后有技术面本牛子0实习，bg：29，希望能通过吧。这是最后一个面试了，前面全挂了，牛友们可以看看我的其他帖子，分享了一些比较难的面经，真难绷