暑期究竟是谁在oc

前言：印象中很久没更新干货了，近期入职后学到了很多东西---不只是知识，还有职场生存法则。也是从这一段开始，我才算在"做事"。今天就挑选我觉得最值得分享的三点。没有大词，都是我踩过的坑。一、对数据敏感我最近在跟着 mt 做 Agent 调优，曾经就做过把人工测试用例转化为自动化用例。听起来就是个体力活，对吧？一开始我也这么觉得，跑通了就发周报："本周转化了 XX 条用例。"mt 看完只回了我一句："然后呢？" 接着问了我一串问题：转化后的自动化覆盖率是多少？相对人工用例覆盖了百分之几？通过率是多少？失败的是真 bug 还是用例本身写得...

美团timeline:3月15日投递3月20日,ai面试3月21日,第二批笔试3月23日,约一面,部门:核心本地商业-业务研发平台3月24日,一面 1h30分(面完1h后约2面)4月1日,二面 1h.(面完就知道要挂了,狠狠拷打ai相关知识)4月7日,二面挂.....4月8日,被捞约一面,部门:食杂零售4月13日,一面,1h4月15日,约二面4月16日,二面,40min4月21日,电话oc....暑期是一个漫长又痛苦的过程,唯一能做的只有坚持]

前言:在数学学习与计算机编程中，我们经常需要计算两个数字的最大公约数。它既能简化分数计算，也是密码算法、数据运算里最 基础的常用在数学学习与计算机编程中，我们经常需要计算两个数字的最大公约数。它既能简化分数计算，也是密码算法、数据运算里最基础的常用工具。 从古至今，人们总结出两种最经典、流传最广的求解方法：更相减损术与辗转相除法。两种算法底层逻辑相通，都依靠数字公因数不变的数学规律缩小数值，但运算方式、速度效率截然不同。 本文用最简单直白的语言，不带复杂公式，一步步拆解两种算法的原理、过程与优劣对比，带你彻底看懂古人智慧与现代最优解法的区别。<1>更相减损术 #include &l...

整体面试还是不错的，但是没后续了，不知道是哪里出了问题1.实习拷打2.拷打第一个项目：项目里如何解决图文模态对齐问题？如果图纸在文本中没有描述，模型如何通过视觉特征召回？Milvus中使用了哪种索引算法？针对术语的语义偏移，除了混合检索，有没有试过对Embedding模型进行微调或使用Adapter？3.拷打第二个项目：如果外部测评工具返回的原始数据格式与LLM预期不符，如何实现自动化映射？当向量库检索出的长期画像与当前会话状态有冲突时，你的系统如何应对？如何防止模型回复过度依赖检索内容而变得生硬，影响共情？4.相比于CoT，ReAct在模型与外部环境交互时解决了什么问题？5.讲一下大模型进行Function Call的具体流程？如何将语义转化为结构化参数的？6.在开发中，你怎么判断任务该用Workflow还是自主决策的Agent？7.讲一下Agent的长短期记忆，在长对话中如何实现上下文的动态压缩和遗忘？8.在Agent系统中，RAG检索到的外部知识是如何喂给模型并防止干扰的？9.什么是Rerank？在检索链路中它对Agent的决策准确性有什么影响？10.当单Agent面对长任务时，引入Multi Agent的优势是什么？11.Multi Agent中，Router节点是如何决定任务该分发给哪个子Agent的？12.什么是Human-in-the-loop？在Agent系统中如何设计人工审批断点？13.如何量化评估一个Agent系统的好坏？14.除了生成质量，还应该关注哪些维度的指标？15.对于Agent多步推理带来的延迟问题，有哪些优化方法？16.随着大模型上下文窗口的扩大，你认为RAG会被完全取代吗？