AI代码补全、函数生成、甚至整段逻辑生成的能力，背后其实是大模型在发挥作用。但 AI 能不能把代码写好，关键并不只是模型本身，而是有人在不断训练、优化、改进它。而做这件事的人，就是大模型算法工程师。

欢迎友好讨论，信息共享1. 多任务模型中CTR/CVR/时长预测任务的关系？如何解决任务冲突？2. 特征重要度计算：Permutation Importance和SHAP值的区别？哪种更适合深度模型？3. 高基数类别特征（如UserID）的Embedding维度如何确定？4. 实验指标：AUC提升但线上CTR未涨，可能原因？（数据分布差异、特征穿越等）5. 多模态特征（文本/图像）如何融入推荐模型？6. MMoE中Expert数量的选择依据？（业务任务数、模型容量等）7. 多任务学习的"跷跷板现象"解决方案：PLE结构比MMoE改进在哪？8. 负采样对CTR预估的影响？如何校准采样后的预估值？（通过采样率调整logit）9. GAUC的计算公式？相比AUC的优势？10. 实时推荐系统中如何保证特征一致性？（特征快照+版本控制）11. 逆序对数量（归并排序变种）12. 带权重的随机抽样

一、Agent模块（秋招顶流！大厂会轮番追问）为什么做Agent项目？（结合岗位说，比如“想解决XX场景的效率问题，刚好贴合贵司AI落地方向，还能锻炼推理和工程能力”）讲下你的Agent项目？（必追问预警：难点咋解决的？踩过啥坑？落地有啥数据效果？别只说“做了啥”，重点说“解决了啥问题”）演示下Agent项目实现细节？（划重点：别只说“用了LangChain”，面试官要听具体的！比如核心代码逻辑、用的框架版本、部署时卡在哪了，怎么解决的）Agent开发框架咋选？LangChain/LLaMA Index/AutoGPT/Chroma，你为啥选这个？（避坑：别只吹优点，提一嘴框架的小缺点，再说说...

目前只能约到小公司，求大神指导