大疆软件产品经理校招笔试

1️⃣自我介绍2️⃣实习项目拷打3️⃣科研拷打4️⃣八股Grpo 原理，公式，与 ppo 的区别1.介绍其他的一些强化学习方法2.介绍 Rope3.为什么大模型用 decode - only 架构，为什么不用 encode - decode4.介绍 qwen -2.5的结构5.Sft 训练 qwen - vl -7b模型占用的显存是多少，vit 和映射层占多少显存6.训练的时候爆显存了怎么解决7.介绍一下 deepspeed5️⃣手撕1.连续数组最大和2.搜索旋转数组📳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。

无手撕. 【面试问题】1. 请做一个简单的自我介绍。2. 在使用大模型生成xxx代码的过程中，你遇到了哪些挑战和阻塞点？在工程化方面是如何解决的？3. 在技术选型方面，xxx相对比较精炼，你为代码生成提供了哪些工具支持？4. 你构建了专家知识库，在多轮对话和超长上下文处理方面遇到过什么问题？5. 除了上下文压缩，你还研究过哪些文本处理技术？6. 在多代理系统中，你采用了什么技术框架来实现？是直接调用还是自己编写代码逻辑？7. 除了这个项目，能否介绍一个你觉得收获较大的项目？它带来了什么价值？8. 在通过命令行与大模型交互时，如何解决推理时间过长导致的用户体验问题？9. 你的硕士研究课题是什么？10. 你比较熟悉Go语言，请谈谈Go和Java的主要区别和相同点。11. 在日常开发中你主要使用什么语言？对未来使用的语言有倾向性吗？12. 你更倾向于从事哪类业务开发？13. 请解释xxx的workflow机制及其主要组成部分。14. 你参加过算法竞赛，能否介绍一个具体案例，包括使用的算法和取得的结果？15. 在分布式系统方面，如果有大量用户同时访问你的xxx代理服务，如何解决单机性能瓶颈问题？16. 在多节点部署时，如何解决负载不均衡的问题？17. 除了任务窃取，还有哪些方法可以实现负载均衡？18. 你对图算法调度了解多少？19. 在学习过程中是否使用过机器学习和深度学习算法？20. 你的职业规划是什么方向？更倾向于底层技术架构、平台层还是上层业务系统开发？21. 为什么选择基础架构开发？你觉得与应用开发相比有哪些不同？22. 你有中间件开发经验吗？为什么对基础架构开发感兴趣？23. 你为什么会选择当前面试的公司？24. 除了当前公司，你还面试了哪些公司？主要是什么方向的岗位？25. 为什么选择xxx作为研究方向？

1.实习拷打2.JWT session cookie JWT优点 格式 加密哪些部分3.RPC如何解决TCP沾包4.大模型相关原理 使用5.语音识别转文字API接口的测试用例6.手撕：删除重复出现的字符串还有一些TCP相关的 体感不难但是和我技术栈不太匹配 应该让物联网来—已约二面8.18

（鼠鼠处女面，感觉自己说的磕磕绊绊的，逻辑不够清晰，面试官居然说回答的还好。好开心~一面秒过。）面试问题与回答要点1. 自我介绍 & 项目概览2. Go语言与Raft项目考察面试官提问:看到你简历说用Go实现了Raft，是有Go的开发经验吗？对Go语言了解多少？我的回答要点:背景说明: 坦诚说明是为了完成MIT 6.824课程实验，花时间速成了Go语言并完成了项目。能力边界: 承认目前主技术栈是Java/Python，Go的经验仅限于该项目，很多细节已生疏。掌握程度: 对Go的基础语法和并发（goroutine, channel）有基本了解。3. RAG智能问答项目深挖面试官提问 1:聊一下你基于RAG的智能问答项目，你在Elasticsearch里主要做了哪些工作？我的回答要点 (阐述RAG全流程):离线处理阶段:数据预处理: 将PDF论文转为Markdown。文本切块 (Chunking): 采用基于语义的切块方式，保证上下文完整性。向量化 (Embedding): 使用智谱的Embedding模型将文本块转为向量。数据入库: 将文本和对应向量一同存入Elasticsearch。在线检索与生成阶段:用户问题向量化: 用同样模型处理用户提问。向量相似度检索: 在ES中召回Top 3最相关的文本块。构建Prompt: 将召回的文本块作为Context，与用户问题组合成最终的Prompt。生成答案: 将Prompt发送给大模型（LLM）获取最终回答。面试官提问 2 :召回的Top 3数据可能内容相似度很高，但不一定完全符合用户问题，你如何避免给用户错误的引导信息？我的回答要点:优化数据源: 关键在于切块质量，保证每个Chunk都是一个逻辑完整的语义单元。优化召回策略:扩大召回量: 尝试扩大Top K（如Top 5），为LLM提供更丰富的上下文。增加多样性: 可以在召回时引入多样性策略（如MMR算法思想），除了最相似的，也召回一些“不那么相似但可能包含新信息”的文本块，避免信息茧房。4. 基于Redis的多轮对话管理面试官提问 1:你提到用Redis做了个性化的多轮对话管理，具体是怎么实现的？我的回答要点:持久化方案: 放弃框架默认的内存会话管理，选择Redis做持久化存储。数据结构: 使用Session ID和User ID作为Key，将用户的多轮对话历史关联起来。存储格式: 将包含发言人、内容、时间等信息的对话历史序列化成JSON字符串后存入Redis。读写流程: 当新一轮对话发生时，从Redis取出历史记录，反序列化，追加新内容，再序列化存回去。面试官提问 2 :LLM本身有上下文窗口（Context Window）限制，你是怎么突破限制，实现长期记忆的？难道把全部历史记录都传给模型吗？我的回答要点 (坦诚现状 + 给出解决方案):承认局限: 首先坦诚目前项目的实现确实是全量传入，在对话轮次很多时会超出上下文限制，这是一个待优化的点。提出解决方案:方案一 (摘要压缩): 对时间较早的对话历史进行总结，用一个简短的摘要来代替冗长的原文，从而压缩上下文长度。方案二 (RAG on History): 将长期对话历史本身也视为一个外部知识库。当用户提问时，先用RAG的方式从历史记录中检索出与当前问题最相关的几轮对话，而不是把全部历史都传进去。反问环节我问: 公司的具体业务？面试官答: AI硬件，做嵌入式芯片，主要应用在玩具中，与用户进行大模型交互。后端技术栈是Go。我问: 对我本次面试表现的看法和建议？面试官答: 整体不错，但项目经验偏校园和实验性质，缺乏工业级的深度。我问: 后续面试流程？面试官答: 总共2-3轮。