ailab agent方向一面面经

继续来分享下之前的面经~1.介绍RAG项目，整体架构和实现思路2.RAG中的检索模块召回错误结果时，你会如何处理？3.RAG出现漏召的情况，你会如何优化检索模块？4.如何评估RAG系统的效果？有哪些评估指标？5.解释LoRA高效参数微调的原理，为什么要用低秩分解？6.DPO训练中模型输出变长是什么原因？如何解决？7.大模型出现复读机现象的原因是什么？有哪些解决方法？8.SFT微调后模型的通用能力出现遗忘，你会如何处理？9.Wide&Deep模型的原理是什么？Wide部分和Deep部分分别解决什么问题？10.DIN模型相比传统推荐模型有什么改进？11.L1正则和L2正则的区别是什么？从数学角度解释为什么L1能产生稀疏性？12.SQL：统计每个商家的评论数并去重13.手撕代码：编辑距离

1. 你做过的 Agent 项目里，Agent 和普通问答系统最大的区别是什么？普通问答系统更多是输入一个问题，模型生成一个回答，核心在回答质量。Agent 更强调任务闭环，不只是回答，还要规划步骤、调用工具、拿到结果、根据结果继续下一步，最后把任务完成。也就是说，问答系统重点是“说”，Agent 重点是“做”。如果项目里接了数据库查询、知识库检索、接口调用、审批流或者脚本执行，那基本就已经不是单纯的聊天系统了。2. 你怎么理解 Agent 的核心组成？一个完整的 Agent 一般包括模型、Prompt、工具、记忆、规划、执行控制这几部分。模型负责理解和推理，Prompt 负责约束行为，工具负...

实习 分布式事务（2pc，3pc，tcc，消息队列）cap理论（响应速度，分区容错，数据一致）kafka的可靠性（topic多副本，ack，消费offset）sse（长连接，文本流式传输）websocket怎么实现（http握手阶段upgrade，后续使用此独立协议）websocket的特点（全双工，长连接，数据帧很小）算法：二叉树的最小绝对值差目前回忆一下感觉是kpi面。。。没啥太大的难度和意义

1.多轮对话中，如果不同轮次的记忆发生冲突，你如何处理？这个问题本质上不是“删哪条、留哪条”，而是做记忆的版本管理。实际处理时一般会同时看三个维度：时间、来源、置信度。时间上通常新信息优先，但前提是它来自更可信的输入；来源上，用户当前轮明确表达、工具查询结果、系统写入，优先级通常高于模型从历史里自己总结出来的内容；置信度上，如果只是一次低置信抽取，不会直接覆盖长期稳定画像。工程上我会把记忆拆成两层，一层是 event log，完整保留用户每次表达过什么；另一层是 materialized profile，也就是给模型使用的当前画像。冲突发生时，不是直接物理覆盖，而是先记事件，再按规则刷新画像。...