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...

遇到一个民科乐子，最难绷的一集。

第一个是本地知识库问答。把自己的笔记、PDF、文档喂给模型，做一个能检索能问答的系统。技术栈就是LangChain加向量数据库，难度不高但涉及RAG全流程，面试官最爱问这个，你踩过坑就能聊很久。第二个是Agent自动化工具。找一个你自己真实的重复性工作，让AI帮你自动完成。比如自动抓招聘信息整理成表格、自动总结每天的技术新闻发到邮件。场景越真实越好，面试时说这个工具我自己每天在用比任何包装都有说服力。第三个是模型微调。找一个垂直领域的开源数据集，拿Llama或者Qwen跑一次LoRA微调。不需要效果多好，重要的是你走通了训练评估部署全流程，这个经历很少人有，写进简历直接拉开差距。这三个项目有个...