美团笔试挂

之前面的，已经挂了1. 项目里最具备挑战的部分是什么2. 项目拷打：记忆系统中不同场景的偏好怎么处理3. 项目拷打：你后续的优化方向是什么4. 八股：慢sql怎么检测、优化5. 结合项目：如果用ai去检测慢sql，你会怎么做6. 你要设计skill的话，会放哪些内容7. 项目拷打：介绍优惠券分发链路8. 项目拷打：延时队列的用处是什么，为什么用延时队列，怎么实现的，分布式场景下会不会有问题9. 项目拷打：服务终止时，幂等要怎么保证10. 项目拷打：lua脚本里干了什么，为什么可以实现原子化11. 项目拷打：秒杀业务中redis和mysql的数据一致性是怎么保证的12. 项目拷打：canal监听高并发的表会不会存在瓶颈，顺序怎么保证13. 询问未来的职业规划14. 你认为你会被ai取代吗15. 反问无手撕

1. 讲一下你做过的一个 Agent 项目，重点说业务背景、流程和你负责的部分2. 如果你的系统里也有高并发场景，你会怎么设计限流、降级和幂等高并发下最怕的不是平均请求慢，而是少数慢请求把整条链路拖死。Agent 系统一般调用链长，请求里既有模型推理，也有工具 I/O 和数据库操作，所以不能只靠一个网关限流就完事。我会把限流拆成几层：入口做用户级和租户级限流，任务编排层做任务队列隔离，工具层做并发池控制，模型层再做 token 预算和超时回收。这样某一个工具服务出问题时，不至于把整个系统打爆。幂等也很关键，尤其是有写操作的时候。像发通知、写审批、更新状态、创建工单这种动作，必须给每次执行一个 ...

美团笔试顺延是要另外发一个邮件吗还是什么，顺延的下一场是什么时候啊

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...