1h速通商汤科技agent服务端开发实习生一面（28min）＋二面（20min）面经技术栈：Python＋go（主播两段实习都是go后端，因为第二段有机会接触了一个rag项目，所以开始投agent开发试试水）一面：- 讲一下你Rag项目的流程- 你Rag的上下文，记忆是怎么做的- 你的rag是怎么做评估的，为什么没有直接用现成的rag组件- 了解mcp吗，了解agent吗，讲一下他们的概念和区别- 讲一下你项目用到的BM25和稠密向量检索的区别，讲一下父子索引是怎么检索的- 讲一下你做的分布式令牌桶限流- 你这个分布式缓存项目的数据结构是怎样的- 讲下协程线程进程的区别- 你觉得你比别人强的点是什么- 如果线上遇到一个问题，你会如何排查手撕：两个协程交替打印奇数偶数，要求顺序打印面完比较满意，让我留电话约十分钟后二面二面：自我介绍讲一下自己遇到过什么问题，对agent有什么看法未来的职业规划，想做后端还是ai接下来就是单方面输出，包括公司在做的业务，会如何培养实习生，做什么事，有转正hc

传统数仓、数据库和分析系统，为业务提供了稳定的数据支持和决策依据。但当数据开始面对 LLM 时，就产生了一个全新的挑战：如何将企业数据转化为模型可感知、可检索、可执行的“上下文”。在企业 AI 系统中，这一过程通常经历三个关键环节：1. 数仓与数据库：提供干净、统一、结构化的业务数据。2. 搜索与 RAG：让模型能够快速、稳定地访问相关信息。3. 工作流与 Agent：将数据能力编排成可执行的任务，实现复杂业务的闭环。图中展示了这一链路的概览。通过这条链路，可以发现数据不再只是“给人看的”，而是成为 AI 执行的核心驱动力。一、从数仓到 LLM：数据“服务对象”的变化在之前的文章中（微信公众号...

1.CV和NLP的区别与联系2.在Transformer框架下，CV、NLP、语音是否可能统一？3.大模型训练数据清洗、处理、配比的方法4.大模型训练如何更容易提升模型性能5.Encoder与decoder的中Attention区别?6.Attention如何计算?为什么除以根号下Dk?mask attention是如何实现的?7.讲GQA、MQA、MLA原理。8.为什么要用位置编码?为什么要用sin_cos?9.问之前实习的Agent的设计逻辑，问创新方法的实现。10.你提到用DeepSpeed做SFT训练，请讲一下DeepSpeedZeROStage1-3的区别，以及什么时候用FSDP会更好?11.什么是大模型的幻觉，如何缓解12.为什么会有复读问题，业内有哪些解决办法13.大模型工具调用的实现方式14.Agent的组成部分及实现方法15.问Agent的工具tool的设计，是否是workflow形式。16.了解哪些agent开发框架，例如langchain和Llamalndex，核心应用场景有何不同?17.问数据的输入输出格式如何保证大模型输出稳定的json做了哪些工作?18.开放题:你在大模型训练中遇到过的困难，如何解决?19.代码题:实现一个Tokenizer

一面 40分钟  ai相关的工具和相关的知识是从哪获取的 解释ai中的token token还有哪些用处吗 上下文是什么，上下文的大小决定了什么指标 在上下文窗口大小限制的情况下，如何更合理的处理上下文 向量数据库你了解的有哪些 向量数据库和传统数据库的区别 向量数据库的匹配相似度的方法  余弦相似度 面试官补充：欧氏距离（L2）   对余弦相似度的理解，是如何计算的 mcp解决什么问题，为什么模型会引入mcp概念 mcp由几部分组成 如何使用mcp的方法 electron主进程是如何处理mcp连接的安全性的  没太明白，问了面试官后，说的是zod校验   function calling是什...