杭州小厂面经（八股盛宴）

岗位名称：大语言模型算法面试时长：1h–1.5h自评分：8/10是否下一轮：是模型架构与基础原理目前主流大语言模型在架构设计上有哪些异同点？（追问）Decoder-only 和 Encoder-Decoder 在实际应用场景上有什么区别？介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？（追问）如果减少头数会发生什么？是否一定性能下降？什么是大语言模型的涌现能力？目前对该现象的研究有哪些发现？（追问）涌现能力是否和模型规模线性相关？什么是 Embedding？词嵌入和句嵌入有何不同？（追问）Embedding 层是否会参与微调？为什么？大语言模型中的 Tokenization 是如...

真心劝退测开，这个方向真的不适合普通人，尤其是应届生。我身边这一届同学的情况，说实话已经很说明问题了。后端秋招一开始确实难，但只要技术不是太拉，后面补录、加面、捞人的机会一波接一波，最后基本都能上岸中小厂。而那些一开始就冲测开的，很多到现在还在等消息，甚至直接凉了。最直观的感受就是：测开的坑真的少得可怜。同一批同学里，后端、前端、客户端基本都有大厂 offer 扎堆的情况，哪怕不是顶级大厂，也能拿到几个中厂保底。但测开呢？泡出来的又有多少呢。不是不努力，是岗位就那么点，连给你复活赛的机会都没有。后端还能互相捞。秋招挂了，春招、补录、内推、转组，总能找到出口。测开一旦挂了，基本就是真的挂了，后面连投的岗位都没几个。目前有些转的人可能拿了几个不错的实习offer，那到秋招呢？hc少就笑不出来了。现在测开也就只有大厂和顶中厂有，小厂就是测试点点点，大厂也很多是点点点，后端起码还有小厂保个底还有人幻想什么先测开再转开发，我只能说太天真了。测开的经历，想转后端或者客户端根本不可能。核心开发经验没有，项目深度不够，面试官一句那你为什么不一开始就做开发基本宣判死刑。反过来，后端、前端干不下去了，转测开却很容易，这已经说明问题了。如果你是普通双非，那更要慎重。测开 HC 本来就少，筛人还看背景，普通学校在这种极小池子里基本就是陪跑。你用一个最普通的简历，去抢最少的岗位，结果可想而知。再说客户端和前端。很多人看不起前端，觉得卷，觉得不高级，但现实是岗位多、需求稳定、HC 实在。客户端更不用说，Android 和 iOS 到现在依然是硬需求，技术路线清晰，工程经验越久越值钱。我身边拿到大厂最多的，反而是客户端和前端，而不是测开。说句难听的，测开不是不能干，但那是给已经没得选的人准备的退路，不是给应届生拿来当首选的。秋招无脑选测开，本质就是用短期好像更容易上岸，换长期被动甚至被锁死。我是真心建议，能选客户端和前端就选客户端前端，再不行就去后端，哪怕多投多卷一点，也比一头扎进测开强得多。等你真正经历一轮秋招、春招、补录之后，就会发现被反复捞的，从来不是测开劝退不是唱衰，是不想看更多人踩已经踩烂的坑。

正职原话“你教我做事还是我教你做事？”“干得了就干，干不了就走”有些正职是大厂干到头也升不了职再跳到哈啰当小领导的，对实习生的筛选和pua话术还是大厂那一套，哈啰本科生150一天还没房补餐补，凭啥标准这么严苛

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...