offer决赛圈，终于轮到鼠鼠我了

想做AI项目但不知道从哪入手？今天给大家推荐一个非常适合入门+简历包装的开源项目：Agentic RAG for Dummies。 这个项目是干嘛的？ 简单说就是一个能对话、能检索、能自我纠错的智能问答 Agent。你给它喂一堆文档（比如 PDF），它就能根据文档内容跟你聊天，而且还会：  记住上下文，多轮对话不断片 遇到模糊问题会反问你，不瞎答 检索不到好结果会自动重试 复杂问题拆成小问题并行查，再汇总回答  技术栈：LangGraph + Qdrant向量库 + HuggingFace嵌入 + 支持Ollama/OpenAI/Claude多种LLM 怎么做？手把手教你 第一步：环境准备 g...

目标后端

总的来说，这是一场收获很大的面试，感觉面试官不是以老员工的角度来拷打我，而是以一个引路人的视角带着我去思考一些场景问题，用一些真实场景来向我展示平时所学应该如何应用，然后问问题也都是笑着和我聊天那种问法，感觉是一个很有人格魅力的人，就是在他面前基本上说不了谎，而且感觉他更喜欢那种真诚地回答以及真实的思考，真的对我自己有很大的帮助，真的给字节点个大大的赞

1. 你做过大模型数据处理的话，预训练数据清洗一般怎么做，去重、去噪、质量过滤分别解决什么问题？预训练数据清洗本质上是在控制“数据量”和“数据质量”之间的平衡。去重主要解决模型反复记忆同一批内容，避免浪费训练 token，也减少 benchmark 污染。去噪主要是过滤乱码、模板页、广告页、低信息密度文本、机器生成垃圾内容，不然模型会学到很差的语言模式。质量过滤更偏向保留高价值内容，比如结构完整、语义通顺、知识密度高、代码块规范或者问答对明确的数据。实际工程里一般不会只靠一个规则，而是多阶段处理：先做规则清洗，再做语言识别、长度过滤、内容打分，最后再结合 dedup 和采样策略。因为预训练效果...