岗位名称：大语言模型算法面试时长：1h–1.5h自评分：8/10是否下一轮：是模型架构与基础原理目前主流大语言模型在架构设计上有哪些异同点？（追问）Decoder-only 和 Encoder-Decoder 在实际应用场景上有什么区别？介绍一下大语言模型中的注意力机制，多头相比单头注意力有何优势？（追问）如果减少头数会发生什么？是否一定性能下降？什么是大语言模型的涌现能力？目前对该现象的研究有哪些发现？（追问）涌现能力是否和模型规模线性相关？什么是 Embedding？词嵌入和句嵌入有何不同？（追问）Embedding 层是否会参与微调？为什么？大语言模型中的 Tokenization 是如...

什么年代了，还有地主

25届毕业半年，除了工作没有其他来源就靠省吃俭用攒了一笔小钱全款拿下心念许久的iPhone16pm下单那一刻简直爽爆自己赚钱给自己花钱真的好幸福拿到新手机后摸着爸妈给买的小13感慨万千年前给家里添了不少东西攒钱很爽花钱的时候简直不要太爽看到爸妈跟别人说我工作多舒适的时候也很骄傲心里列了个清单准备月底添一辆电动车🛵再给妈妈买一套护肤品一双鞋感觉赚钱的意义在这一刻完全体现了可以让自己幸福让家人幸福入职后一直很顺感觉找到了目标也隐隐期待着更好的未来，我要更加努力，加油吧！

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...