校招之某生物公司Agent开发面经

有面试过同岗的朋友欢迎评论区交流！1.若用户量大幅增长，实习的项目相关系统能否应对，瓶颈是什么?2.你平时会使用大模型处理哪些任务，觉得大模型在哪些任务上处理得好，哪些任务处理得不好?3.你做的另一个项目的核心目标和整体架构是什么?4.你做的另一个项目是生成文档还是生成核心代码?5.你做的另一个项目若工业界落地失败，会如何处理?6.你做的另一个项目在记忆模块设计上有什么思路，如何让相关技能更好地发挥作用?7.你做的另一个项目中，模型是如何选择的，有什么选择依据或方法?8.大模型幻觉问题该如何处理，服务化过程中会产生哪些相关问题?9.你做的另一个项目现在能否在本地运行?10.RAG的优缺点有哪些?11.多任务相关模型有什么适用场景?12.常见的Agent产品有哪些特质?13.若发现项目中模型执行不成功，会如何处理?14.长期记忆相关设计中，关键关注点有哪些?15.从整体设计角度，长期记忆相关功能会从哪些角度考量?16.长期记忆相关设计还有哪些可优化的点?17.Agent领域的发展趋势是什么?18.若代码生成成本越来越低，工程师的核心竞争力会发生什么变化?19.平时会通过哪些渠道关注AI技术动态?20.最近有没有遇到让你觉得印象深刻的AI应用，其情节或功能有较大亮点?21.进入项目后遇到新的工具技术，会如何评价技术是否能解决问题?

面试题简述在实际的意图识别场景中，用户输入往往并非完美清晰，可能包含模糊意图、多意图或意图重叠等情况。你是如何建模和处理这些问题的？面试官想听的1、是否理解意图的自然模糊性和重叠性。意图识别绝非简单的单一分类问题，用户的输入通常是复杂的，带有模糊性，甚至多个意图在同一句话中同时出现。能否从根本上理解这一点，对整个模型设计至关重要。2、分类只是手段，最终目标是产生有用的决策结果。模型训练的目标不仅是做出预测，更是通过这些预测，给出有意义的决策，引导系统如何应对不同类型的用户请求。3、模型之外的策略设计同样重要。意图识别是个系统工程，不仅仅是数据 → 模型 → 输出这么简单，还涉及到阈值设置、决策...

发一下问题给大家参考，攒攒人品！1.你提到自己部署过Deepseek的模型，具体的部署脚本流程你了解吗，还是仅作为执行方?2.你们有自己的GPU吗?3.为什么要自己部署语言模型，API其实并不贵?4.模型参数量对语言模型有什么影响?5.若要使用大参数量模型，如何解决其自由发挥的问题?6.在提示词方面你熟悉吗?通用情况下，如何通过提示词获得更高质量的回答?7.我们岗位要做多样场景的AI工具机器人(如服务器运维巡检、网络巡检、市场分析等AI应用开发)，你是否能接受?8.你知道什么是向量数据库吗(结合AI+RAG场景)?9.为什么需要用向量数据库?它解决了传统大模型的什么问题?10.若要做企业知识问答机器人，利用企业内部的Word、PDF文档实现检索增强，你会如何完成这个需求?11.文档存入向量数据库的中间流程是什么?12.你提到的向量化是embedding吗?一般怎么做embedding，你有实践过吗?13.如何判断RAG的召回质量是否符合期望?若不满足，可调整什么参数优化?14.向量相似度度量有哪些计算公式(算法)余弦相似度15.你有没有做过AIAgent(如工具调用相关)，可以介绍一下吗16.做意图识别时，如何确保LLM能根据用户输入准确识别要调用的工具?写prompt17，若工具数量较多(如10-20个)，每个工具都写描述和示例会让prompt过长，有没有其他解决办法18.若20个工具可分为3-4类，如何设计两层工具调用提升意图识别准确率?

1. 自我介绍2. C++面向对象的理解C++面向对象核心是封装、继承、多态三大特性，核心思想是“将数据和操作数据的方法绑定”，模拟现实世界的实体抽象：封装：隐藏内部实现，对外暴露统一接口，提升代码安全性和可维护性；继承：复用已有类的代码，实现“代码复用+扩展”，体现“is-a”关系；多态：同一接口对应不同实现，分为静态多态（编译期）和动态多态（运行期），提升代码灵活性。面向对象的核心价值是降低耦合、提升代码复用性，适配复杂业务场景的模块化开发。3. 封装的核心思想，封装的依据，以代码编写举例说明，封装的核心组成核心思想：将对象的属性（数据）和行为（方法）绑定，隐藏内部实现细节，仅通过公开接口...