offer选择

1. Transformer 的自注意力机制、位置编码、梯度消失和梯度爆炸的解决方案答：自注意力机制的核心是让每个 token 在计算表示时都能和序列中其他 token 交互。给定输入 (X)，先通过线性变换得到 (Q)、(K)、(V)：然后计算注意力：这里除以 根号下dk 是为了防止点积过大导致 softmax 进入饱和区，影响梯度。多头注意力就是把表示拆成多个子空间并行计算，最后再拼接，能从不同角度学习依赖关系。位置编码是因为 Attention 本身不包含顺序信息，所以需要显式加入位置信息。经典做法是正余弦位置编码：现在也常用相对位置编码和 RoPE。梯度消失和梯度爆炸的解决方案包括：残...

就是觉得好漂亮，可能是配色？

是简历有什么问题吗，求大佬指点要玉玉了

1、项目里负责的边界是什么？哪些内容是亲手实现或验证的？我负责的边界一般分成四块：Agent 主链路、RAG 检索链路、工具调用层和效果评测。主链路包括 query 理解、路由、上下文构造、结果生成；RAG 这块包括文档清洗、切片、召回、重排和 prompt 拼接；工具调用层包括 function schema 定义、参数校验、执行封装和失败重试；评测这块包括 badcase 回流、离线测试集和线上日志分析。亲手实现的部分主要是在线链路和评测闭环，比如 query 改写、混合检索、rerank 接入、上下文压缩、工具调用编排、token 统计、失败样本分析。验证过的内容包括不同 chunk 策...