一道都不会😃

1. 讲一下你做过的一个 Agent 项目，重点说业务背景、流程和你负责的部分2. 如果你的系统里也有高并发场景，你会怎么设计限流、降级和幂等高并发下最怕的不是平均请求慢，而是少数慢请求把整条链路拖死。Agent 系统一般调用链长，请求里既有模型推理，也有工具 I/O 和数据库操作，所以不能只靠一个网关限流就完事。我会把限流拆成几层：入口做用户级和租户级限流，任务编排层做任务队列隔离，工具层做并发池控制，模型层再做 token 预算和超时回收。这样某一个工具服务出问题时，不至于把整个系统打爆。幂等也很关键，尤其是有写操作的时候。像发通知、写审批、更新状态、创建工单这种动作，必须给每次执行一个 ...

说只能线下面周五的，昨天打的电话，说今天给邮件，早上没收到打电话问说下午发。现在还没收到但是只能先买票去了，不然真赶不及🥲特别我还晕车，不连夜提前去直接吐的不省人事面不了一点不报销自费来回就要几千+超短准备时间东哥别挂我好吗，不然真的是彻底🤡了求职者也是人，求求一定不要搞我啊这都四月了不至于拿我寻开心吧🥹求求不要横向我啊个人tl3.27一面，两小时后电话约二面3.29二面，然后没消息，就清明节了。4.7约三面要周五去线下4.9预订线下三面二面三面之间隔了五六个工作日，会不会很悬🤡已经没时间纠结了，即将赶到战场的是春招传奇耐面王0个心仪offer的苦逼孩子，求好运，求oc

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...