腾讯内推码

如果说 3 月份是龙虾（openclaw）月，那四月就是爱马仕（hermes Agent）月。———其实不止一次我在思考，AI 进化的太快了，模型底座和缰绳互相进步，互相弥补，我们到底该学些什么？抛开各种应用框架，本质还是脱离不了，记忆，上下文，各种工具（skill，tool）。回到框架上，这些爆火的技术背后，其实也只是代表了一个综合的解决方案。不应该被繁多框架迷惑，更应该看看这些不变的 Agent 基础，还有提高你的工程能力！

👋个人背景：9本👏offer1：东风奕派研发岗，实际到手一年14左右，加上公积金一年17💯offer2：inspire（原thoughtworks中国）软件开发，实际到手一年16，加上公积金一年20

大厂人的特征极度务实：不纠结于“这公不公平”，只关注“怎么把事做成”。就像拼多多面试考察的那样，他们看重你能否在资源受限的情况下拿到结果。数据敏感：做决策不靠拍脑袋，而是靠A/B测试、转化率和ROI说话。抗压皮实：面对频繁的架构调整、KPI变动，能迅速调整心态，不内耗。为什么适合：大厂是一台巨大的机器，需要你是那个能咬合紧密、输出动力的齿轮，而不是需要被呵护的“学生”。

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...