今天给未来打算入行搜广推算法的同学一些建议，帮助大家少走弯路。这篇帖子适合还在犹豫是否要入行的新人，以及正在入行路上的同学。1️⃣第一个问题：怎么样的同学适合走搜广推算法🌟学历：985或者QS100以内硕士肯定OK，211和QS200内硕士可以考虑🌟专业：计算机/电子/通信等工科专业，或者统计/数学/金融等理科专业都十分推荐。如果是其他非科班具备以下特质的同学也可以考虑。🌟特质：想追求互联网行业的高薪资，因为算法行业拿到50w+薪资很正常。其次走算法方向要有足够的学习能力，以及不排斥写代码，能够有深入的思考能力。2️⃣什么样的同学不适合：排斥写代码，不能专注技术岗位的“手头工作”，专注力不强的同学。3️⃣如何准备路径，少走弯路🌟python/机器学习/深度学习基础🌟核心网络：transformer/DNN/RNN/Bert等🌟搜广推核心方法：DeepFM/DIN/MMOE/PLE等🌟项目经历：补充项目经历提升简历质量/面试能力4️⃣避免踩坑：🌟不要在数学公式/基础算法原理花费太多时间，要用重点（重要算法/项目经历/实践能力）🌟不要使用烂大街的项目作为简历核心内容：比如新闻推荐/OTTO等可以用于入门，锻炼算法思维，但是不适合作为简历核心内容。🌟如果缺少高质量的算法项目经历，可以后台咨询我。

1.项目相关2.如果是做生成式召回应该对模型结构怎么修改3.常用的归一化方法有哪些4.从样本里随机去掉一些负样本，Auc怎么变5.DPO的全称是什么，公式是什么，直接体现在哪里6.MOE激活的分布，怎么确定是MOE的效果7.dpo的公式是什么8. sgd是什么，Adam相对于sgd改进了什么9.kvcache怎么做的，了解大模型中别的提高效率的办法吗位置编码10. 正余弦位置编码的公式手撕📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1.自我介绍及项目经历2.如何增强模型的多轮对话能力？3.介绍MoE （混合专家）架构核心优势。4.阐述大模型训练与推理的完整流程。5. 对比 LORA 微调 Qwen 模型两种微调方式的性能表现。6.FlashAttention v1 和 v2 的主要改进点分别是什么？7.CoT（Chain-of-Thought）训练数据是如何构造的？8.当前主流的强化学习算法有哪些？9.代码：LeetCode 22，实现“括号生成”问题。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。大模型  人工智能就业 #校

1️⃣数据准备很多人上来就想着搭 Milvus 或 FAISS ,但根本没搞清楚自己要检索的是什么。RAG 的灵魂在知识库。而知识库的质量，取决于数据处理的精细程度。2️⃣检索召回很多人以为用个 embedding 模型就完事了。但 embedding 模型之间差距极大。在实际项目中，我们踩过很多坑：同样一份知识库，换不同 embedding 模型， RAG 的命中率能差出30%以上。3️⃣Query 理解：很多人以为检索的 query 就是用户的问题本身。但在实际场景里，这一步其实最"坑"。🍊那到底哪一部分最难搞？最难的是让整个系统"协同"起来。这需要你既懂算法，又懂工程。需要同时考虑：1.文档更新频率（知识库维护）2.向量召回性能（索引优化）3.Prompt 格式（生成阶段控制）4.模型响应速度（ API 并发与缓存）换句话说， RAG 是所有"大模型项目"中最能体现"算法工程师功底"的模块。它要求你既能设计算法，又能搭系统。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1、自我介绍2、reward函数是如何设计的？数据集的配比是怎样的？3、inductive learning和transductive learning有什么区别？4、Viking是什么？相关业务背景是什么？5、冷启动时，不同专家模型特征输入为什么不同？6.编码树如何构建？为什么使用高斯分布？7、id特征为什么学习效果不好？8、给你整数 delay 和 forget，以及整数 n。每个人在发现秘密后的 delay 天开始，每天可以分享给一个新的人。在发现秘密 forget 天后会忘记秘密，忘记后不再分享。求第 n 天结束时知道秘密的人数。9、Loss乘10和学习率乘10之间有什么区别📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1．多轮对话为什么难2．多轮对话的三类结构3．多轮对话的触发条件4．工程中如何构建多轮对话数据5．如何保证模型不乱跳（关键规则）1️⃣一、为什么多轮对话是 Function Call 里最难的？一句话概括：多轮对话不是 NLP ，是状态机。你必须让模型学会：意图识别→信息收集→工具调用-工具结果处理-下一轮决策-→最终输出。2️⃣二、多轮对话的三种结构基本上，所有 FC 项目都逃不掉。在我们的旅行助手训练营项目中，多轮对话主要有三类结构：①"信息补全型"多轮对话（最频繁）让模型学会"不瞎调用工具"，学会"停下来补齐信息"。②"工具链式"多轮对话（最复杂）例子： call recommend _ hotels → call get _ hotel _ reviews → final _ output③"反问﹣工具﹣反问继续﹣工具"混合型既需要追问，又需要工具链。3️⃣三、多轮对话的数据到底怎么生成？1．根据标签选择工作流2．根据变量决定是否需要追问3．自动构造反问句4．用户回答由模板生成5．工具链由代码模拟6．工具返回由 mock 数据生成7．最后用 base 模型重写自然语言4️⃣四、多轮对话的数据到底怎么生成？ 核心逻辑：1．根据标签选择工作流2．根据变量决定是否需要追问3．自动构造反问句4．用户回答由模板生成5．工具链由代码模拟6．工具返回由 mock 数据生成7．最后用 base 模型重写自然语言5️⃣五、模型如何在训练后做到"不会乱跳"?1.工具返回后继续调用错误工具2.工具链顺序乱3.工具调用结束后不收尾4.忘记上下文参数5.拒答逻辑失效为什么？因为数据没有覆盖好。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1.项目介绍2.在参数高效微调中，为什么优先微调 Attention 层的 Q/K/V/O，而不是 FFN 层？3.RAG 和 GraphRAG 在处理多跳推理时的根本？4.RAG 的整体流程5.GraphRAG 系统整体流程6.RoPE 为什么能实现相对位置编码？7.Transformer 中因果注意力和双向注意力的区别8.手撕代码题：最长连续递增子序列（LeetCode 674）

一、 LLM 的"天花板"在哪里？无法执行真实动作，例如"把文件发给老板"。无法访问实时天气、最新股票、网页信息。稍微长一点的对话就忘记历史。✅一句话总结：LLM 只擅长"生成"，但不会"行动"。二、 Agent 的出现，本质上是为 LLM 装上"大脑＋手脚＋记忆"给 Agent 的来个定义：Agent = LLM （大脑）+ Planning （规划） Memory （记忆）+ Tools （工具）这句话直接点明了 LLM 到 Agent 的进化方向。三、那到底什么是 Agent 的"规划( Planning )"?LLM 的回答方式是"直觉型"的，一句话进，一句话出。但现实任务极其复杂，需要多步骤思考。Agent 的核心能力之一是：▶️Subgoal Decomposition （子任务拆解）▶️ Reflection （自我反思）也就是说它不仅能规划任务，还能执行后检查自己是否犯错。这点是纯 LLM 完全做不到的。四、 Agent 的"记忆（ Memory )"解决了 LLM 最关键的问题LLM 的上下文是"滑动窗口式"，内容多了会被挤出去。企业级需求中，很多对话必须跨轮次、跨任务。五、最关键的差异： Agent 具备"行动能力( Tool Use )"这是 LLM 和 Agent 最本质的区别。LLM ：只会生成文本Agent ：可以执行动作📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1️⃣DeepSeek -R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning2️⃣DeepSeek -V3 Technical Report3️⃣Qwen3 Technical Report4️⃣Qwen - Image Technical Report5️⃣Large Language Diffusion Models ( LLaDA )6️⃣Vision - Language - Action Models : Concepts , Progress , Applications and Challenges7️⃣Less is More : Recursive Reasoning with Tiny Networks ( TRM )8️⃣Absolute Zero : Reinforced Self - play Reasoning with Zero Data9️⃣Speed Always Wins : A Survey on Efficient Architectures for Large Language Models1️⃣0️⃣Gemini Nano Banana : Multimodal Visual Generation📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1、有场景、有动机（为什么做）2、有方法、有架构（怎么做）3、有数据、有优化（做出了什么效果）这三点构成了一个高质量 RAG 项目的核心逻辑。下面我用一个对比＋案例的形式讲给你听。一、项目背景：让人一眼看出你在解决一个具体问题✅一句话总结：好的项目描述一定要把动机讲清楚。工业级 RAG 项目几乎都有三种典型动机：1.业务痛点2.为什么 RAG 能解决3.大模型知识时效性差二、系统架构：写出系统性思维的人最稀缺🌟优秀写法（架构分层法）:系统分为两阶段（数据准备＋应用推理），三大模块（知识构建、检索召回、生成优化），并通过13项优化策略实现持续迭代。阶段一：数据准备1.数据清洗：多源异构文档（ PDF 、 OCR 图片、视频字幕）统一结构化，过滤噪声。2.文本切块策略：采用动态窗口＋语义聚类切分，保证上下文完整性，避免语义断裂。3.Embedding 向量化：使用中文优化模型 BGE - large ，构建 Milvus 向量索引（ HNSW 结构），支持百万级检索。阶段二：应用层1.多路召回机制：结合语义检索与倒排检索，通过 RRF 融合排序策略提升相关性；2. Prompt 工程优化：设计结构化 Prompt 模板，限制模型回答边界，缓解幻觉；3.缓存与响应优化：引入 Redis 缓存层与分层索引机制，将平均响应时间从1.2s降低至0.6s。三、个人贡献：写出你在推动系统演进这句话有三个关键点：1.主导:你是参与者还是决策者？2.改进方案:有没有提出优化3.结果数据:用量化指标说话。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

✅一面 1.自我介绍2.项目拷打与反问3.写一下交叉熵损失的公式4.MSE能用到分类任务上吗5.介绍transformer6.介绍auc，精确度，召回率，F1等等，auc的意义是什么7.为什么Transformer用ln不用bn8.开放:如果给你一批数据的点击率，曝光度，位置信息等，如何判断用户点击数据是否跟数据的位置有关✅二面1.项目的拷打与反问，比一面要刁钻一些2.问了GRPO和DPO的公式，后者没答出来3.问了DRPO，为什么可以把散度去掉，没答上来4.为什么要重要性采样5.讲一下注意力机制，交叉注意力，为什么除以根号d6.介绍一下什么情况下会出现梯度爆炸和梯度消失，为什么，出现了这种情况模型会怎么样7.贪心算法📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1.自我介绍＆项目深挖2.针对 RAG 项目3.使用的 Embedding 模型结构是什么？输出向量维度是多少？4. Transformer 更新哪些参数？5.如何缓解大模型的幻觉问题？6.请描述 Transformer 的基本结构，并解释自注意力机制。7.输入向量的维度是多少？8.LayerNorm 是对哪个维度做归一化？9.你了解哪些微调方式？10.如何优化大模型的训练和推理效率？11.Prompt Tuning 和 P - Tuning 的区别是什么？12.如何让大模型处理更长的文本？13.代码能力考察:请手写反转链表。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。