1.工具调用率核心提高了15%，依赖的是什么手段？2.意图不太明确的时候，显著调用的是什么？3.命中率是用什么指标来衡量的?有线上数据吗？4.有去判断模型整体的一个准确率，以及token消耗量？5.有考虑过通过大语言模型进行二轮评估吗?6.agno框架和其他框架有什么区别？7.有了解过harness工程吗？8.整体的话有没有做什么编排调度？目前大多数ai coding的编排还是比较固定的，规划 生产 评估，有尝试完成这种编排吗？9.你觉得你们公司的场景适合这么做吗？10.context engineering长期记忆 短期记忆是怎么进行组织的？11.怎么保证记忆不会随着时间长期进行腐化？算法：...

目前只有wxg约过一面，手撕没撕出来就挂了

1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...