美团智能体

1.请详细解释一下Transformer模型中的自注意力机制是如何工作的？它为什么比 RNN 更适合处理长序列？2.什么是位置编码？在Transformer中，为什么它是必需的？请列举至少两种实现方式。3.请你详细介绍ROPE，对比绝对位置编码它的优劣势分别是什么？4.你知道MHA，MQA，GQA的区别吗？详细解释一下。5.请比较一下几种常见的LLM 架构，例如Encoder-Only, Decoder-Only, 和 Encoder-Decoder，并说明它们各自最擅长的任务类型。6.什么是Scaling Laws？它揭示了模型性能、计算量和数据量之间的什么关系？这对LLM的研发有什么指导意义？7.在LLM的推理阶段，有哪些常见的解码策略？请解释Greedy Search, Beam Search, Top-K Sampling 和Nucleus Sampling (Top-P) 的原理和优缺点。8.什么是词元化？请比较一下BPE和WordPiece 这两种主流的子词切分算法。9.你觉得NLP和LLM最大的区别是什么？两者有何共同和不同之处？10.“涌现能力”是大型模型中一个备受关注的现象，请问你如何理解这个概念？它通常在模型规模达到什么程度时出现？11.激活函数有了解吗，你知道哪些LLM常用的激活函数？为什么选用它？12.混合专家模型（MoE）是如何在不显著增加推理成本的情况下，有效扩大模型参数规模的？请简述其工作原理。13.在训练一个百或千亿参数级别的LLM 时，你会面临哪些主要的工程和算法挑战？（例如：显存、通信、训练不稳定性等）14.开源框架了解过哪些？Qwen，Deepseek的论文是否有研读过，说一下其中的创新点主要体现在哪？15.最近读过哪些LLM比较前沿的论文，聊一下它的相关方法，针对什么问题，提出了什么方法，对比实验有哪些？

看了小红书还有牛客上的一些面经，发现好多标题某某大厂的大模型应用开发的面试题全是考的算法相关的，这是真的吗？我也有过一两段agent的实习经历，我觉得agent开发更多的是偏向工程，想问一下面试过的师兄师姐真实的情况到底是怎么样的

1. Transformer现有架构在什么情况下，哪个模块会导致用户意图判别不准？2. Transformer中的Q、K、V分别来自哪里？代表什么？3. MOE（混合专家模型）和传统Transformer的核心区别是什么？4. GRPO 和 SFT 的数据量分别是多少？5. 项目中数据输入是整段视频，还是拆分使用OCR、ASR分别处理？6. 力扣岛屿题第10题中，DFS/BFS里计数函数的两个循环分别起到什么作用？7.上下文场景中，单Agent和多Agent各自的优劣势是什么？8. 什么情况下选择单Agent，什么情况下选择多Agent？9.向量向量化后，距离计算的方法有哪些？

2026年1月21日下午，这是目前经过的最难受的一次面试，也是面试官较为抽象，比较难评。我原本就有点黑节子（看到网上之前有人说负面评论被影响），这次本来就没有投递，hr看到以前的简历来找的我面试，想着面着试试手毕竟实习结束后也很久没有面试了。开场：面试官貌似不知道这是啥岗位，问我是校招还是实习。。。。你们招的人你不知道吗？我请问了。自我介绍：开局就疯狂打断。刚说完名字和学校就打断了，说后面再说，开始面试把（在这里演我了，打断别人真的很没有素质的ok，在这里我就不想面了）开始问实习经历：我介绍了在前司做的事情，面试官听了一边说嗯。然后问我背景是啥，我说完了，又问我你刚刚说做了啥事情来着。。。。。。。。。 又介绍了一遍，开始上压力，问怎么做的，然后给我引起了另外一个他觉得相关的领域，我先说了这个领域不太熟悉，他说没事，现在想嘛。然后把我整个在实习中的问题带去不熟悉的地方，开始不断问还可以如何优化系统，大概想了几种答案。回复：可以但是不够好，最后貌似也没有给我答案。开始问数据库，也是抽象完了，问数据库为啥要用，索引实现原理（这个我会，不多说），然后问为啥索引要用这个原理，以一种从来没听过的方式问我，其实我答案在前面说了，但是又反复问，给我整不会了，全程完全脱离简历问。最后说答案我其实都知道，但是我知识有点散，要穿起来。回答：谢谢面试官，我会注意的。手撕无，问智力题。引导我回答，这点点个赞，but时间到了，让我自己想想，没给反问机会，直接断面试。体验：奇差无比，而且hr面试前跟我说了好几次，这个不是传统后端，是后端+ai agent。本人有大量ai agent工程和科研经验，所以才答应面试看看。结果啥都没问，问的也是抽象。貌似或者说根本没提前看过我简历，面试来也是迟到。并且感觉刚经历高强度工作很疲累。黑完了。