鹅厂面经网上最全整理最近按当前筛选整理了一波面经，这次挑了 15 篇相对值得复盘的内容，方便刷题和回看。1. 腾讯｜AI应用开发后端实习生｜未知日期：2026-04-24关键词：Agent面经难度：4 星标签：技术面 / 约55分钟 / 有代码题技术栈：Agent、RAG、后端开发、DFS、设计模式面经总结面试重点围绕AI应用后端项目深挖，考察多Agent编排、失败重试与金融安全场景设计，并涉及RAG知识库热更新和基础算法题。高频问题【项目经验深挖】XX有没有正式用户使用？为什么没有上线？【Agent与工具调用】多agent怎么编排？具体流程？【AI/大模型/LLM】训练样本哪里来的？有无模型...

rt 不知道是真的假的丁老板 太难绷了

目前改好了这一半，如果差不多的话就准备投了，求拷打

第 15 题：LoRA（Low-Rank Adaptation）的数学原理 题目 解释 LoRA（Low-Rank Adaptation）微调的数学原理。 一、动机 全量微调大模型要更新全部参数，显存与算力成本高。LoRA 假设预训练权重在适应新任务时，有效更新是低秩的，因此只学习一个低秩增量，与原权重相加得到适应后的权重，从而大幅减少可训练参数与显存。 二、数学形式 设某层线性变换为 ，。LoRA 不直接改 ，而是增加低秩分解的增量：  其中 ，， 为秩。前向时：   训练：只训练 、， 冻结；参数量从  变为 。 推理：可把  算好存成一张矩阵，等价于单层线性，无额外延迟；或保留  分开算...