大厂做aiagent或者大模型应用都用的Python实现吗？

一面： 1.请介绍一下Transformer的核心组件及其作用2.介绍LLM Decoder-Only架构3.你对SFT的理解是什么？与预训练相比有什么差异？4.SFT冷启动时数据集构造需要注意哪些因素？为什么要做数据清洗与均衡采样？5.介绍一下RAG的整体流程。在Agent落地场景中，RAG会遇到哪些延迟和正确率问题？你怎么优化召回链路？6.在你的问答Agent项目中，数据集构造的自动化流程是怎么实现的？7.你是如何利用多Agent协同来提高推理正确率的？调度策略如何实现？8.你提到用DeepSpeed做SFT训练，请讲一下DeepSpeed ZeRO Stage 1-3的区别，以及什么时候用FSDP会更好？9.你做Prompt优化时，是如何判断优化后的Prompt在Agent推理链路中性能提升的？用什么指标来衡量？10.在多Agent系统中，如何保证异步任务执行的稳定性和结果一致性？11.如果Agent推理API需要低延迟响应，你会从哪些方面做系统级优化？代码题：lc34.在排序数组中查找元素的第一个和最后一个位置

1.给机器人写一段prompot提示词，执行前进后退，拿握的指令2.讲讲spring ai3.mcp和function calling的区别4.rag是怎么实现的,知识库和上下文memory5.java注解是怎么实现的6.讲讲依赖注入7.会话内容怎么保存的，没持久化吗8.讲讲创建mcp服务和调用mcp的过程

1.你的 Agent 系统Prompt 是怎么设计和迭代的？有没有做过 Prompt 自动优化？当用户提出不完整的请求时，如何补全用户意图的？2.构建 Agent 的时候，遇到过哪些瓶颈？LangChain 的 memory 默认机制在多3.用户并发中怎么做隔离？你是如何保证线程安全的？4.微调 Llama2 你是怎么选择训练样本的？清洗逻辑是什么？你有没有观察到哪些训练样本质量问题对模型行为有很大影响？举例说明。5.DPO相比 SFT，有哪些优劣？它在 Agent 任务上效果提升明显吗？你怎么构造偏好对？构造逻辑是自动的还是人工？6.你说你服务部署在 vLLM 上，为何选择它？KV-cache 如何帮助推理加速？你自己做过哪些优化？7.假如需要支持 Streaming 输出，但当前服务延迟又超标，你会怎么折中设计？8.多轮对话上下文状态管理是如何做的？如何在高并发场景下保证一致性？9.你做的 Agent 使用了多少个外部工具，在调用链条上如何保障故障容错和超时机制？10.有没有做过工具调用失败后的feedback策略设计？11.训练过程中数据来自用户行为日志，你是如何从这些数据中抽取训练对话的？有没有做过归一化或事件抽象？12.有没有了解过带有时间窗口/偏移限制的对话系统？模型怎么“理解时间”？13.你觉得 Agent 哪些模块最容易在真实业务中出问题？你会如何监控和定位的？

工资差不多情况下 是选Java 全栈还是AI agent开发呢