菜鸟一面凉经

总结跟虾皮很像，难点就是选择题虽然之前线下招聘会说的线下初面的福利是面笔试和AI面。结果一面通过邮件过后随之而来的就是笔试和AI面试还有hr打电话让我做了再推进流程😡不过这次比暑期简单很多选择题熟悉的计算机必修课期末考试编程题核心函数模式+可能是力扣变种1.反转单词（有点像leetcode151，但是更简单，像是大一做PTA的时候会出的）2.字母和数字，根据出现次数以及ascii码排序3.生成括号（leetcode22）求求了，让鼠鼠捞一个offer吧md虾皮和字节都排挂了😡所以什么时候捞我复活赛

面试官确实很专业先是问了很多项目细节，学校经历，实习方面问了在momenta的体验，做了哪些工作等。C++： 1. shared_ptr是怎么用的？原理？为什么可以共享状态？ 2. shared_ptr<T> ps1 = new shared_ptr<T>(v); shared_ptr<T> ps2 = new shared_ptr<T>(v); shared_ptr<T> ps3 = ps2; 问此时引用计数是多少？ 这种用法对吗？其他的有些想不起来了，记忆深刻的就是这些。

1️⃣RAG 有哪几个步骤？Step1:将文本分割成块;Step2:使用编码模型将这些块嵌入到向量中，将所有这些向量放入索引中;Step3:LLM 创建一个提示，告诉模型根据我们在搜索步骤中找到的上下文来回答用户的查询。2️⃣实际项目中RAG有哪些优化技巧？首先召回源会考虑多路召回，在召回后面增加一个重排序的阶段，提升召回的质量。另外，重排序模型以及生成模型会根据系统问答的指标情况，进一步微调。3️⃣RAG 中为什么会出现幻觉？出现幻觉问题主要分为两大类，一是生成结果与数据源不一致，训练数据和源数据不一致、数据没对齐或者编码器理解能力的缺陷导致；二是用户问题超出了大模型的认知，用户的问题不在语言模型认知范围内导致。4️⃣RAG 一般怎么做效果评估？RAG 做效果评估主要是针对检索和生成两个环节。对检索环节，我们可以采用 MRR 即平均倒排率，前 k 项的 Hits Rate 命中率， NDCG 排序指标等。生成环节首先是量化指标，再评估生成答案的多样性，看看模型是否能够生成多种合理且相关的答案。还需要引入人类评估，考虑资源效率。5️⃣针对幻觉的问题，有什么解决思路？加入一些纠偏规则，比如采用 ReAct 的思想，让大模型对输出的结果进行反思。还有一种思路是集成知识图谱，即不再局限于向量数据库匹配，做召回时不仅考虑文档块，同时还考虑图谱的三元组。将知识图谱( KGs ）集成到 RAG 中，通过利用知识图谱中结构化且相互关联的数据，可以显著增强当前 RAG 系统的推理能力。6️⃣在实际做项目中，经常遇到各种边界的 case ，一般怎么解决？这个需要分情况来看，首先是无效问题：如果对于知识库中没有的问题，我们需要做一个准入的判别，判断是否需要回答。一般是一个二分类模型，或者直接用大模型+ prompt 来做，使模型在这种情况下输出一个预设的兜底话术。第二个是减少幻觉，在推理模块中添加规则和提示工程技术。还有一种是格式错误：模型可能会生成无法解析的答案，这种可以设计一个备份的代理大模型，当解析失败时，可以基于代理大模型直接生成简洁准确的总结。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

想问问大家，为什么腾讯一直不捞简历呀？是因为之前暑期面评太差了还是单纯因为简历太菜了