1. 自我介绍2. Transformer 里 Attention 的本质是什么，为什么它适合 Agent 场景Attention 本质上是在做动态加权的信息选择，模型不是把所有上下文平均看，而是根据当前 query 去分配不同 token 的影响力。它的优势在于能处理长距离依赖，并且支持内容寻址，这对 Agent 场景很关键，因为 Agent 经常要从长历史、工具返回和外部知识里挑出当前最有用的信息。真正落地时，Attention 的问题不在“能不能看远”，而在“看得太多以后会不会被噪声拖偏”。3. 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面局限性主要体现在三个地...

这会儿找工作是不是有点晚了啊

😭这是给挂了吗，都一周了还显示这个。。。。

1. 自我介绍自我介绍不要按履历流水账去讲，直接围绕岗位匹配展开。比较稳的方式是先一句话说明自己主要做 RAG、Agent、AI 应用后端和推理服务，再挑两段最能打的经历展开：一段讲检索增强、知识入库、召回排序、长上下文记忆和评测闭环；另一段讲系统工程，比如高并发服务、索引构建、异步任务编排、可观测性和线上稳定性。最后补一句最近做得最深的方向，比如多路召回融合、长任务记忆回溯、RAG 事实性评估或者工具调用治理，把后面的追问引到自己准备过的区域。2 RAG 摄入数据时，文档预处理最值得讲的几个难点是什么难点通常不是“把文本读出来”，而是结构恢复和知识标准化。像 PDF、扫描件、网页、表格、工单...