字节Java后端实习一面 50min

1、实习介绍
2、你的项目最终有投入使用吗(显然没有)
3、你做项目的时候遇到了什么问题,怎么解决的
4、项目的数据库怎么设计的
5、四种限流算法
6、消息队列出现消息堆积怎么解决
7、Redis数据结构,List的底层结构,ZSet的底层结构,跳表的高度
8、Redis做分布式锁,什么情况下会死锁
9、为什么Redis支持高并发
10、Innodb的主键索引和非主键索引的区别
11、B+树的结构
12、MySQL主库从库同步的过程
13、Innodb数据库隔离级别
14、讲一下DNS域名解析过程,http和https解析有什么区别
15、Java各种锁之间有什么区别
16、进程 线程 协程之间的区别
17、HashMap底层结构
18、算法题:力扣103题,二叉树的锯齿形层序遍历,ACM模式
19、你觉得你的缺点有什么,优点有什么
全部评论
能求个简历吗
点赞 回复 分享
发布于 01-04 17:50 北京

相关推荐

在做agent项目的时候,我真正感受到“AI幻觉”并不是抽象概念,而是一个非常具体、非常烦人的工程问题。基于知识库的问答助手,理论上应该“只根据资料说话”,但现实中却频繁出现张冠李戴、虚构事实、甚至把不存在的数据说得头头是道。模型看起来很自信,结果却完全不对。我们最先做的,其实是最直觉的一步:换更强的模型。能力更强的模型,确实在理解上下文、引用资料时稳定不少,但问题也很快暴露出来——算力和调用成本直线上升,项目根本压不住成本。这一步只能作为兜底,而不是长期方案。接下来是补资料库。我们发现,很多幻觉并不是“乱编”,而是模型在背景知识不足时强行补全。于是不断扩充文档覆盖面,减少模糊表述,让资料本身更完整、更自洽。这一步很笨,但很有效,背景越扎实,模型胡说的空间就越小。真正拉开效果差距的,是prompt的优化。我们重新设计了背景设定,明确告诉模型“只能基于给定资料回答”,并且通过few-shot示例,让它看到什么是正确引用、什么是信息不足时该如何回答。尤其是示范“无法从资料中得出结论”的回答方式,对减少幻觉帮助很大。最后我才意识到,幻觉不是单点问题,而是模型能力、知识质量和引导方式共同作用的结果。能做的不是彻底消灭它,而是一步步把它压到工程可接受的范围内。
为了减少AI幻觉,你注入...
点赞 评论 收藏
分享
评论
4
15
分享

创作者周榜

更多
牛客网
牛客网在线编程
牛客网题解
牛客企业服务