校招之某生物公司Agent开发面经

前言近一年，大数据面试的风向正在发生明显变化。过去，面试官更关注：数仓分层怎么设计？指标体系如何构建？Spark 调优怎么做的？而现在，越来越多的面试开始追问：你有没有做过 AI 相关项目？LLM 在数据场景中如何落地？RAG 是怎么设计的？AI 不再是「加分项」，而是逐渐成为「基础能力」。但问题是 很多人所谓的 AI 项目，只停留在：调个 API写个简单问答 Demo这在企业级场景里，是远远不够的。真正有含金量的 AI 项目，必须要解决真实业务问题，并具备：检索增强（RAG）落地能力LLM 语义理解与 Prompt 设计能力工程化架构能力（可扩展、可复用、可维护）而在我们当前的数据仓库体系中...

有面试过同岗的朋友欢迎评论区交流！1.若用户量大幅增长，实习的项目相关系统能否应对，瓶颈是什么?2.你平时会使用大模型处理哪些任务，觉得大模型在哪些任务上处理得好，哪些任务处理得不好?3.你做的另一个项目的核心目标和整体架构是什么?4.你做的另一个项目是生成文档还是生成核心代码?5.你做的另一个项目若工业界落地失败，会如何处理?6.你做的另一个项目在记忆模块设计上有什么思路，如何让相关技能更好地发挥作用?7.你做的另一个项目中，模型是如何选择的，有什么选择依据或方法?8.大模型幻觉问题该如何处理，服务化过程中会产生哪些相关问题?9.你做的另一个项目现在能否在本地运行?10.RAG的优缺点有哪些?11.多任务相关模型有什么适用场景?12.常见的Agent产品有哪些特质?13.若发现项目中模型执行不成功，会如何处理?14.长期记忆相关设计中，关键关注点有哪些?15.从整体设计角度，长期记忆相关功能会从哪些角度考量?16.长期记忆相关设计还有哪些可优化的点?17.Agent领域的发展趋势是什么?18.若代码生成成本越来越低，工程师的核心竞争力会发生什么变化?19.平时会通过哪些渠道关注AI技术动态?20.最近有没有遇到让你觉得印象深刻的AI应用，其情节或功能有较大亮点?21.进入项目后遇到新的工具技术，会如何评价技术是否能解决问题?

面试题简述在实际的意图识别场景中，用户输入往往并非完美清晰，可能包含模糊意图、多意图或意图重叠等情况。你是如何建模和处理这些问题的？面试官想听的1、是否理解意图的自然模糊性和重叠性。意图识别绝非简单的单一分类问题，用户的输入通常是复杂的，带有模糊性，甚至多个意图在同一句话中同时出现。能否从根本上理解这一点，对整个模型设计至关重要。2、分类只是手段，最终目标是产生有用的决策结果。模型训练的目标不仅是做出预测，更是通过这些预测，给出有意义的决策，引导系统如何应对不同类型的用户请求。3、模型之外的策略设计同样重要。意图识别是个系统工程，不仅仅是数据 → 模型 → 输出这么简单，还涉及到阈值设置、决策...

八股 1.解释一下进程，线程，协程。2.进程在Linux中的内存布局。3.对于同步机制有什么了解。4.阐述一下悲观锁和乐观锁。5.讲一讲TCP的三次握手机制，以及问什么需要三次握手，两次不可以吗。6.关于TIME_WAIT可以去详细的讲讲吗。7.讲一讲IO多路复用技术。8.关于信号量机制中，如果多个线程同时去获取信号量的这样的竞争情况，多个线程会获取同样的结果吗项目1.关于bitmap这里，当涉及到百万级用户时如何管理；多标签怎么做，一个用户存在多个标签。2.关于计算bitmap索引时进行取模，那么这个模设置为多少，取bitmap的长度，长度为多少，为什么是这个大小。3.如果用户进行支付宝支付的时候失败了怎么办，例如用户没有进行支付，输入密码错误等等；为什么你要设置为15分钟，如果15分钟后依然没有支付怎么做的。手撕leetCode 692开放性问题如果你目前的项目进度已经做了一半的时候，产品经理提出了一个新的需求，请问怎么做。