要不要继续实习呢

⬇️那会刚实习，客户问了个业务场景，我自己也不熟，我就去问leader。⬇️leader在群里答复说做不了，提产品需求⬇️后来客户自己实现了，给我投诉了。还好那时有新手保护期，后续leader补充了文档🌸问题追责的时候我提供了记录，证明我流程没问题，和leder确认过的。工作留痕很重要。

思维链（CoT）方法依赖于一组固定的人工注释范例。问题在于，这些范例可能不是不同任务的最有效示例。为了解决这个问题，Diao 等人（2023）最近提出了一种新的提示方法，称为 Active-Prompt，以适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）。下面是该方法的说明。第一步是使用或不使用少量 CoT 示例查询 LLM。对一组训练问题生成 k 个可能的答案。基于 k 个答案计算不确定度度量（使用不一致性）。选择最不确定的问题由人类进行注释。然后使用新的注释范例来推断每个问题。图片来源：Diao等人（2023）

项目方面： 1、SFT用的什么模型？如何进行的蒸馏微调？只用数据还是logits蒸馏？2、LLM生成的数据如何直到是对的还是错的？如果没有金标准数据怎么办？3、你觉得这个项目的亮点是什么？4、智能体方面，ReAct架构具体是如何做的？规划智能体和生成SQL有没有交互？有的话如何防止一直迭代不结束？5、如何预防用户使用特定任务智能体干别的？八股方面：八股先问了一个：二叉树的层序遍历用什么数据结构？然后我有点突然懵，面试官就换了一个问题，介绍一个排序算法思想和逻辑，以及时间复杂度是什么。无手撕

对于需要探索或预判战略的复杂任务来说，传统或简单的提示技巧是不够的。最近，Yao et el. (2023) 提出了思维树（Tree of Thoughts，ToT）框架，该框架基于思维链提示进行了总结，引导语言模型探索把思维作为中间步骤来解决通用问题。ToT 维护着一棵思维树，思维由连贯的语言序列表示，这个序列就是解决问题的中间步骤。使用这种方法，LM 能够自己对严谨推理过程的中间思维进行评估。LM 将生成及评估思维的能力与搜索算法（如广度优先搜索和深度优先搜索）相结合，在系统性探索思维的时候可以向前验证和回溯。ToT 框架原理如下：图片援引自：Yao et el. (2023)ToT 需要...