大模型算法一面分享-作业帮-27实习

继续来分享下最近的面经~欢迎友好讨论，信息共享1.实习拷打2.说一下第一个项目的目标是什么，主要做了什么?3.为什么选择rrf混合检索，而不是简单的加权?4.这里用了hyde技术，原理是什么?为什么能提高语义匹配度?5.结构感知切分如何确定边界?如果换个格式的文档是不是会有问题?6.reranker和embedding模型在原理上有哪些区别?7.专属的高质量goldendataset是怎么构建的呢?忠实度的评测是基于什么?评测结果遇到过稳定性问题吗?8.为什么选择qwen2.5-7b这个大小?9.第二个项目小组有多少人?自己负责的内容是哪些?大概说一下项目具体做了什么?10.设计了边缘侧fallback降级引擎，它的一个处理逻辑是什么样的?比如云端大模型不能用的时候边缘侧该如何保证它的基本功能?11.语义识别的准确率是如何评估的?12.深度相机2d图像转3d坐标数据是怎么实现的?13.三维坐标到机械臂的动作映射是解析解还是数值解?机械臂的自由度大概是多少?14.硬件成本是如何计算的?有考虑过其他开销如人工，算力等吗?15.langchain框架和agent在设计理念上有什么区别?在什么场景你会选择哪一种?16.FAISS和其他的向量数据库相比他有哪些优点?一般你会选择哪一个?17.怎么看待rag和微调这两种方案，会倾向哪种?

哔哩哔哩大模型面试岗，我悟了！！！大家好，我是Yuki。周末跟一个在B站面试大模型算法实习岗的学员聊了整整两个小时，他说这场面试让他“一边冒汗一边开窍”。我让他把面试题完整复述了一遍，今天就把这场高质量的技术对话分享给大家。说实话，这几道题问得是真有水平——不是那种背八股文能应付的，而是实打实考察你做项目的深度和思考力。面试复盘：一场关于Agent的技术拷问第一关：你现在做的Agent到底是什么？面试官开门见山，没有废话。如果你回答“就是一个能调用工具的AI”，那基本就凉了。面试官要听的是：你对自己做的事情有没有系统性的理解。正确的打开方式是这样的：“我负责的是一个面向科研场景的辅助Agent...

1️⃣一、项目相关1. Agent项目是否上线部署？2. 是否使用过LangChain等框架？3. 意图识别模块如何实现？4. 项目用到哪些工具？5. 如何提升工具调用正确率？6. 知识库如何构建？7. RAG项目的分块策略有哪些？8. 知识检索如何提升回答正确率？9. 如何解析知识库中的表格/图片文件？10. 系统是否用到ReAct模式？11. 如何提升模型回答性能？12. Prompt层面有哪些优化手段？2️⃣二、大模型基础1. Token与字符的区别2. LangChain与LangGraph的了解3. Agent常见模式（ReAct/Plan and Execute等）4. Lost in the middle问题的解决方案5. Prompt的常见结构3️⃣三、开发基础1. 线程池参数2. 进程/线程/协程的区别3. HashMap原理4️⃣四、算法题1. 除自身以外数组的乘积5️⃣五、反问环节1. 部门C端消费者业务介绍2. 业务中AI应用研发相关内容3. 面试表现优化建议📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

Q1：请⽤你⾃⼰的话定义 LLM Agent，并说明与单次调⽤的差异。答案：LLM Agent 是以⼤语⾔模型为推理核⼼，在 多轮 中与外部环境交互，通过 规划、记忆与⼯具 完成复杂任务的系统。与单次调⽤的差异在于：单次调⽤是 开环⽣成；Agent 是 闭环决策，每步可依据⼯具返回更新状态，直到终⽌条件。追问：若没有外部⼯具，还能叫 Agent 吗？答案：可称为「弱环境」Agent，仅有对话记忆与推理；但仍可有内环多步 CoT 与⾃我验证。⾯试中强调是否存在「⾏动—观察」循环更清晰。Q2：Agent 的记忆⼀般怎么设计？答案：分层设计最常⻅：⼯作记忆（当前轨迹与关键结论）+ 会话记忆（摘要滚动...