小米射频二面

题目叽里呱啦说了一大堆，实际上就是求每个t的最小值，加起来自然就是全部t的最小值了。这个t的表达式看着就有点像是高中见过的对勾函数，可以直接通过数学方法求最小值。在函数t中把欧式距离e看作常数，对k求导得令导数为0，可解得k为注意到我们求得的k可能会小于0，当小于0的时候令其等于0即可。然后再回忆一下c语言中的对数函数求自然对数 ln(x) 的函数为 log(x)求以10为底的对数log10(x)的函数为log10(x)求其他底数的对数需要使用换底公式，如求以2为底的对数log2(x) 的函数为 log(x) / log(2) #include<iostream> #include...

当年还在美团那个倒霉的 Peppr 团队工作时，我一直有个疑问：这群人每天到底在自嗨什么。每次开会一堆人围着一堆“看起来很高级”的文档转，模板统一、名词复杂、页数感人，每一页都在暗示一件事：“你不懂，是因为你不专业。”但现实是——代码照样写在 💩 山上，该出问题还是会出问题，这真的很逗，系统一出问题，文档的唯一作用就是证明：“我们当初确实认真写过文档。”所以本质区别到底是什么？是代码质量提升了，还是大家在精神层面完成了一次“工程师 cosplay”？有句话说得好潮水退去才知道谁在裸泳。还记得当时的马哥、明哥（图 1 左）最爱反复强调一句话：“所有场景一定要想到。”、“这个场景为什么没考虑到？”不过他们这些话我是真的听进去了。不然我也不会在一年多前就说：这个项目活不过两年。顺带一提，那段时间还有个固定节目。每次下楼，总能听见我明哥在吐槽不同的人。我从他身后绕过去，经常能听到他一边抽烟一边说：“xx 这小子太坑了，回头我一定要跟马哥说说。”于是深谙人情世故但真不会抽烟的我也会从口袋掏出一支低尼古丁含量的烟给自己点上，假意自己什么都没听到什么都不知道，只是来抽烟的。后来我才明白，这可能也是团队文化的一部分：问题永远在别人身上，而我们，永远在复盘里😂。

1、自我介绍2、Agent项目是实习项目还是个人项目？有没有上线？3、拷打实习（10min）4、大模型微调，你的训练数据集是如何构建的？数据量有多大？5、在构建数据集的过程中，遇到了哪些挑战？花了多长时间？6、你之前的实习经历偏后端工程，你未来的职业规划更倾向于纯后端开发，还是希望从事与AI/大模型结合的工作？7、详细讲一下Golang中Channel的概念和作用，它是否是并发安全的？8、Channel和传统的锁（Mutex）在实现并发控制时有什么区别？各自的适用场景是什么？9、讲一下GMP模型10、当P的本地队列为空或者不为空时，它会怎么去调度G（协程）？11、Redis支持哪些数据结构12、为什么Redis的速度这么快13、如何实现一个类似淘宝搜索框的实时商品名称模糊搜索功能？14、实时输入联想与输入完成后点击搜索在技术实现上有什么本质区别？15、实时搜索通常使用什么网络协议（如WebSocket）？你了解或有使用过吗？讲一下16、请详细说明微信扫码登录的完整流程和背后发生的原理17、在微服务架构中，服务发现和负载均衡是如何实现的？18、服务注册中心（如Nacos, Consul）是如何工作的？服务实例如何注册和保活（如通过心跳机制）？19、讲一下Agent中的“长短期记忆”20、什么样的信息应该放在长期记忆，什么样的信息放在短期记忆？21、当对话轮数很多，上下文窗口不足时，有哪些处理策略？（如截断、压缩）22、如果要进行记忆压缩，通常有哪些方法？23、了解过Agent的设计范式吗？有哪些？24、你设计的Agent是怎么实现ReAct模式的？详细讲讲25、手撕：实现一个并发任务处理器：给定一个包含100个任务ID的列表，要求控制最大并发数为3，模拟并发调用某个外部接口（如打印ID）26、反问

在构建AI Agent（智能体）时，如何引导大模型有效完成复杂任务是一个核心问题。当前主流范式主要有两种：ReAct（推理+行动） 和 Planning & Extractor（规划+提取器）。它们都旨在增强模型的自主性和任务执行能力，但在工作流程和适用场景上存在显著差异。本文将通过实例对比两者的异同，帮助企业根据实际需求选择合适范式。一、ReAct范式ReAct由Shunyu Yao等人提出，其核心思想是让模型在生成过程中交替进行“推理”和“行动”。模型会先思考当前状态（Reasoning），然后决定采取什么行动（Acting），如调用工具、查询知识库，之后根据行动结果再次推理，直至...