AI应用开发实习

一、项目深挖主 Agent 循环Mem0 记忆系统RAG 实现细节幻觉控制二、技术视野有没有了解过 Agentic RAG 或 LM-VK（主动式 RAG）这类方案？追问：它和你现在这套 RAG 的核心区别是什么？三、开放性问题：智能客服场景设计跳出健康问诊场景——在外卖平台的智能客服里（B端商户、C端用户、D端骑手），你觉得用 RAG 还是其他方式更合适？你会怎么设计？面试官给了场景背景：C 端典型问题：餐品问题、找不到地址、申请赔偿、优惠券使用等D 端典型问题：派单异常、长时间无单等面试官后续补充观点：非订单类问题（如优惠券）更适合知识库；订单类问题业务流程复杂，目前用 skill 方式而非知识库。四、模型训练项目（医疗大模型 SFT + DPO）简单介绍一下这个项目？训练目标是什么？SFT 数据是怎么构建的？DPO 的 chosen / reject 数据是怎么生成的？遇到了什么问题？评测方法是什么？有什么局限性？追问：这个项目和上面的 Agent 项目是什么关系，为什么要做这两个？五、工具使用经验你用 Claude Code 做 Agent 开发，有什么心得？遇到过什么问题？追问：你了解 Claude（Code）的底层记忆原理吗？六、算法题题目：删除链表的倒数第 k 个节点考察点：双指针结果：思路正确（快慢指针），未能完整写出代码

1. 做一下自我介绍2. RAG 分块策略应该怎么选，真正影响效果的核心因素是什么分块策略不是越细越好，也不是统一按 token 长度切就行。真正影响效果的是 chunk 是否保留了完整语义单元、是否带有足够的定位信息、是否能在召回后被模型直接利用。像制度文档、规则文档、FAQ、表格和多层级说明，最佳切法差异很大。比较稳的方式通常是结构优先、语义补充、长度兜底，也就是先尊重标题、段落、表格、列表，再在超长片段内部做语义切分。这样做的目标不是生成整齐块，而是让每个 chunk 自带最小可回答上下文。3. 怎么评估 RAG 的效果，除了准确率还能看什么RAG 效果不能只看最终回答对不对，因为那样很...

1、为什么决定选用RAG这个技术框架?2、为什么要用向量检索(RAG)?不用其他方式?3、Transformer中Attention的本质是什么?4、SFT的核心流程有哪些，SFT之后常见的Post- Training有哪些?5、如果让你设计一个多轮对话的Agent,你认为纯 Attention结构在处理长时间对话时，会遇到哪些瓶颈?6、什么是RAG，为什么没选向量库?7、现在给你一个RAG系统,你怎么设计一套评估方案来判断它‘好用’?8、你用的切分策略是什么?9、Prompt自动推荐模块用了哪些优化策略?有没有尝试过Prompt压缩或embedding表示的方式?10、在做对齐时，PPO和DPO你更倾向于用哪个? 有什么区别?11、假如一个Agent推理链路包含3个工具+高频请求,系统整体延迟较高,你会如何优化?

1. 自我介绍2. 介绍下项目，重点讲架构、关键设计和线上问题3. Agent 的上下文窗口不够时，长短期记忆应该怎么分层设计长短期记忆不能简单理解成“最近消息”和“很久以前的消息”。更合理的设计是把状态拆成三层：工作记忆负责当前回合执行所需的最小上下文，摘要记忆负责阶段性中间结论，长期记忆负责稳定事实、偏好、任务状态和关键证据索引。这样做的好处是短链路推理不会被旧噪声拖死，而长任务又能在需要时按状态检索历史事实。真正难的不是分层本身，而是写入和召回策略。不是每条消息都值得进长期记忆，通常只把高价值、可复用、低歧义的信息写进去，比如用户偏好、外部工具执行结果、关键约束、任务完成状态。否则记忆库...