1. 自我介绍2. Transformer 里 Attention 的本质是什么，为什么它适合 Agent 场景Attention 本质上是在做动态加权的信息选择，模型不是把所有上下文平均看，而是根据当前 query 去分配不同 token 的影响力。它的优势在于能处理长距离依赖，并且支持内容寻址，这对 Agent 场景很关键，因为 Agent 经常要从长历史、工具返回和外部知识里挑出当前最有用的信息。真正落地时，Attention 的问题不在“能不能看远”，而在“看得太多以后会不会被噪声拖偏”。3. 在多轮对话 Agent 中，Attention 的局限性体现在哪些方面局限性主要体现在三个地...

😭😭😭已经投了500份简历，一个面试也约不到啊，大佬们可以说说为什么嘛😭😭😭

28届2本非科班大概很快要找实习了，应该是偏ai应用开发方向

1. 自我介绍2. 介绍一下你的项目3. Coze 新旧两种编排方式的差异是什么，你在设计节点时怎么取舍拖拽式编排适合流程稳定、路径清晰、节点边界明确的场景，比如固定审批、FAQ 问答、标准化信息抽取。Agent 化编排更适合目标不稳定、路径动态变化、需要中间决策的场景，比如多轮任务执行、复杂信息搜集、跨工具协作。节点设计时不能按功能菜单式地乱拆，而要按状态边界和失败恢复边界去拆。一个节点如果既负责理解问题、又负责查知识、又负责生成结果，那一旦出错很难定位，也很难重试。真正稳的节点应该输入清晰、输出结构化、失败可恢复。4. 你写过哪些 MCP 工具，设计一个 MCP 工具协议时最关键的是什么M...