粉丝34.2万获赞1807.0万

skill 和 prompt 有 什么区别? prompt 是 给模型的指令, skill 是 把指令打包起来附用系统。 prompt 存成文件,起个名字算 skill 吗?算吧,用户中途改主意,你的 skill 怎么处理?在 prompt 里把两种情况都写上,触发错了,检验没过,这些写在哪儿? 呃,这道题问的是两个名词,真正考的是三件事,第一,你有没有上下文成本的意识,常驻上下文里的每个 token 都在按用户和轮次反复计费。第二,你能不能判断什么该稳定,什么该灵活,哪些规则值得常驻,哪些能力应该按需加载? 第三,你有没有把 prompt 和 skill 当成需要版本评估和回滚的产品资产,如果只达定义,说明平时写 prompt 靠手感,没经历过改一条指令线上效果集体变差的那个晚上 先把口径定下来。这里说的 prompt 是 每一轮组装给模型的上下文,包括常驻规则,本轮任务和动态数据。 skill 指按需加载的能力包,包含触发条件,执行流程所需资源和校验规则,区别于单次调用的工具函数。如果这道题你也不会回答,我整理了让大场面试官沉默的必考题库,包含大模型基础 rank, 企业级实战十大 agent 落地项目以及历年比面真题。 只要是我的粉丝评论区扣学习我挨个发你一把。所有能赋用的都塞进 skill, 迟早会出问题。很多团队的第一反应是能赋用的写进 skill, 不 能赋用的留在 prompt。 这个划分听起来干净,跑三个月大概率会撞墙。 skill 膨胀和物触发,每个需求都提一个, 半年后库里躺着六十个 skill。 触发描述互相重叠。用户说,帮我看看这份合同,同时命中合同审阅条款比对风险提示,三个路由要么选错,要么全部加载。上下文被塞满,输出还不如一条干净的 prompt。 prompt 肥胖和指令互斥,所有规则推进系统, prompt 三千字前后打架,回答要简洁和覆盖,所有要点同时存在模型注意力被稀释,改一条会影响另一条,而且没人跑,回归 资产无人治理。 prompt 散在代码、飞书文档和某个人的电脑里。 skill 没有 owner, 没有版本号,没有评估级,线上出问题,说不清是模型升级, prompt 改动还是 skill 冲突导致的,也没法回滚。 这三个问题都指向同一件事,没人算过这条信息值不值得每一轮都付上下文成本。二、先分层,再谈写在哪里生产环境里,上下文通常分成四层,加载时机和成本完全不同。常驻层放身份边界,输出契约和合规红线 很短,每轮都在改动,要最谨慎,因为它影响所有用户的所有请求。绘画层放这一轮的目标用户当前状态和对话摘要, 每轮重写,跟着对话走,既能层放封装好的流程包,待触发条件、所需资源和较验规则,未触发时只保留简短的触发描述,触发后才加载完整的流程和资源。数据层放剪辑片段,工具返回和附件内容, 用完即器默认不写入长期记忆是否写入由单独的写入策略决定,成本结构决定了。第一条判断标准,常驻层的 token 按请求数乘常驻长度消耗技能层只在触发时加载完整内容,缓存能降低单价,但省不掉注意力占用 内容。放错层,轻则多花数倍推理成本,重则挤掉该看的信息,首字延迟也会变长,还要纠正一次。请求里 prompt 和 skill 是 同时在用的, prompt 负责本轮的调度和表达, skill 负责把某类任务做对,具体选哪个 skill, 可能由规则路由,也可能由模型。根据描述判断 三五个问题,把争论变成判断,落到具体需求,可以依次问五个问题。变化频率,每轮都在变的内容,放 prompt 几个星期甚至几个月不变的才够格。做 skill 附用范围,只服务一个页面一个入口的,留在 prompt 备客服 app 内部工具同时调用的。抽成 skill 失败代价错了,只是措辞难看,放 prompt 错了要赔钱。踩合规执行不可逆操作。做成 skill, 并且必须带校验和降级,是否依赖外部资源,要跑脚本套模板查 skill 的 地盘。纯语言约束,留在 prompt 能不能写出评估用力,能明确说出输入什么,输出必须满足什么的。做成 skill 配自己的测试级,只能靠人工感受的,留在 prompt, 也别假装它能被自动化评估。 还有一类内容,最容易被错误的,放进 skill, 低频多变,依赖具体场景的偏好,比如某个客户的语气要求,某次活动的临时口径,这些做成 skill 只会增加触发冲突和维护负担。 落到一张清单,身份边界输出契约,本轮目标和动态数据写进 prompt 多部流程,外部资源校验规则、高频稳定的路径封装成 skill, 中间地带看那五个问题。四、 prompt 和 skill 都要治理,区别在力度。 prompt 按版本管理,改一次跑一次。回归 skill 除了版本,还要有出发条件、资源清单、独立评估级和下线机制,两者的责任可能不同,但都不能写完就生效。所以一个能上线的 skill, 至少要带七样东西, 触发描述、输入契约、执行步骤、校验规则与评估级失败、降级版本与 owner。 下线机制缺了校验,他只是把一段更长的文本换了个地方放,缺了版本他就没法被治理。 缺了下线,它迟早变成前面那六十个互相冲突的包。还有一个反直觉的点, skill 封装的越早,越容易把还没验证的路径固化成标准。流程探索期的任务应该留在 prompt 里,让模型自由发挥,等路径稳定,成功率可测,再抽成 skill。 跟待新人一样,先看对方在开放任务里的判断,再决定要不要写 sop。 五、面试现场可以这样打 坚定性。 prompt 是 每轮都要组装的上下文, skill 是 按需加载的能力包,两者的边界是上下文,预算怎么分配再给分层,常驻层放身份边界和输出契约,绘画层放本轮状态,技能层按需加载流程和资源数据层放剪辑结果和工具返回,用完即弃。 四层的成本和加载时机不同,给判断标准,看变化频率、附用范围、是否依赖外部资源,能不能写出评估用力。这五条能覆盖大部分争论。 稍微不治理, prompt 和 skill 都要版本化,区别在力度。 prompt 管版本和回归 skill 还要管出发条件,资源评估级和下线。团队里最容易出事故的是把 skill 当 prompt 改,或者把 prompt 当草稿改。 prompt 决定 agent, 此刻看到什么 skill 决定 agent 会做什么好的产品。 prompt 越写越薄, skill 越攒越稳。

让 ai 替你面试,他会帮你拿到 offer, 还是现场给你编出十年工作经验?假设你才刚毕业,做过一个校园二手交易的小程序,还为这个项目采访过二十个同学。现在咱们把简历和岗位要求交给 ai, 让他替你回答你有什么优势。 同一份经历,应聘程序员,他可以重点讲你怎么写代码。应聘产品经理,他又可以重点讲你怎么了解同学的需求,怎么换了个岗位,他就换了套说辞,这背后就是大语言模型处理前文生成回答的过程。 模型收到这些文字,先要把它们变成能计算的数字。上一期咱们讲过,文字会拆成叫 token 的 小块,不一定刚好是一个字,每块还会对应一串数字, 专业上叫向量。你先把它理解成文字的数字,表示不是简单编个号码。不过光把字变成数字,他还不知道这次该重点讲哪段经历。简历里既有写代码,又有做访谈,眼前这个岗位到底更看重哪一项?这里就用到了注意力机制。 模型会计算前文不同位置之间的关联,得到一组权重,也就是这次汇总里各处信息分别占多少分量,再按这些权重汇总信息,更新当前的数字表示。 这样岗位要求就能和简历里的经历联系起来,影响后面怎么写。当然不是某个零件,看见程序员就啪一下把写代码圈出来。这些信息要经过多层神经网络的处理,最后才得到各种后选头肯的概率。 假设回答已经写到,在这个项目里,我负责结合前面的材料,后面就可能写到开发,也可能写到用户访谈。为了让你看懂这里用的是整词,实际生成的还是一块块偷看 模型,选出下一块,把它接到已有内容,后面再继续计算。比如写到了用户访谈,接下来就可以围绕采访同学了解需求继续展开, 新写出来的内容也成了下一步的参考。而且他不一定每次都选概率最高的那一块,有的选法有点像抽签,概率高的后选手里签更多,但不保证每次都抽中。所以同样的简历你问两遍,有时候就会得到两种写法。 说到这,咱们先捋一下文字变成数字,结合前文计算概率,选出一块,再接着往下写。可他凭什么知道面试时该怎么介绍项目?这些本事还得靠训练。其中一个重要的做法 就是拿已有的文字,让模型预测后面会出现什么。比如先给他看,为了了解用户的需求,我们做了用户假设原文接的是访谈,他却给这个答案算了个很低的概率。训练程序就会根据预测误差调整模型内部的参数,这些参数也是数字, 你可以把它们想成一大堆小旋钮,怎么调会影响最后算出什么结果。经过大量文本上的预测比较和调整模型,慢慢学到语言和知识之间的规律。并不是程序员提前写好了每道面试题的答案, 所以你还在想我这点经历有什么好讲的?他已经能帮你组织出一段像模像样的介绍,让你觉得他聪明的正是训练中学到的规律和根据前文组织回答的能力。这里分清一件事,训练是在调整参数, 平时聊天主要是用学到的参数来计算。你把简历发过去,是多给他一些参考,不代表他当场又训练了一遍。 那开头说的十年工作经验又是怎么回事?假设他介绍着介绍着,突然加上一句,我带过二十人的团队,有十年开发经验,你今年才毕业,按这自立小学就得开始给老板改需求了。 问题是,一句话接的顺,不代表他写的就是你的真实经历。预测接下来怎么写,并不等于每写一句都核实过你到底干没干过这件事。 所以你应该让他只根据简历整理回答,缺什么先问,别自行补经历,尤其是工作年限、项目成果这些内容,让他指出依据,你再对照原文核对,没做过的事就别往自己的回答里放。最后我们来总结一下, ai 能把面试回答组织的像模像样,靠的是训练中学到的规律, 再结合你的材料一块块生成内容,他可能比你更会表达,但讲的漂亮不代表经历就是真的。你用过的大模型里,觉得哪个最聪明?你最近在用 ai 做什么?评论区聊聊,我是能功智人,关注我,带你重新认识 ai。

教资面试当中出现的所有与 ai 相关的教育问题,我们都可以用一个模板去给它全部解决。二六年的教资面试, ai 一定是个高频考点,因为在今年的考官当中明确提出了 ai 加智慧教育相关的内容,所以说咱们一定要重视啊,大家不用担心,因为无论是 ai 加学生, ai 加教师, ai 加政策,还是 ai 加活动,我们都会用这一个模板去给它全部进行解决。 这个模板非常简单,一共是分成四个部分。第一部分我们先无脑的夸奖这个 ai, 然后啊去复述咱们的题目,表达咱们的态度。人工智能是我们新时代的心智生产力,那么同样也是我们去发展智慧教育,数字化教育的必经之路。 然后简单复述我们提炼当中提到的情境。下一步是我们去复述这个题目,比如说这个题目是说小明他呃总用 ai 查答案,那么像我的学生如果出现了使用 ai 查答案这种情况,我也会做到辨正看待,扬长避短,合理引导,使 ai 为我所用好。第二段,我们就是先讲讲它的优势, 首先合理的使用 ai 不 仅能为我们教育教学合理的进行赋能,同时也能帮助学生去拓展思路,发展个性化的教育。然后结合题目再稍微说两句。 第三段,我们去谈谈 ai 存在的问题,同时我们要意识到 ai 只是一种学习的工具,它也是存在很大的局限性,如果我们滥用 ai, 过度的依赖 ai, 无论是学生还是教师都会丧失独立思考的能力。略略略,再结合题目,我们稍微说一说。好,最后一段我们就要进行表态,总而言之,科技是工具,育人才是根本。作为一名新时代青年教师,我会积极的拥抱新型的科技,不仅是自身,也引导我的学生理性合理的去使用 ai 相关的工具,做到取其所长,扬长避短,助力学生的全面的身心的发展。以上就是我的回答,感谢各位老师。 所有 ai 相关的问题,无非就是 ai 加上啊具体的一个教学情境。当然我们在这个模板当中主要是去论说 ai, 在 我略略略的这个部分,咱们需要去稍微的结合一下咱们的情境,但是有了这模板,咱们能够做到有话可说,嗯,需要提醒大家的是,咱们只学会模板是没有用的,咱们得会去练,咱们得会去说,明白吗?就是咱们一定要面对一个新的题目,然后自己在这思考几分钟之后,略略略开始往那说, 不能说咱们只看,只看是没有用的啊,其实其实面试啊,他也得一定程度上去刷题,那我的话一本这个一本这个这个什么结构化的这个题库吧,啊,狠狠的对他进行了一番这个阅读,而且我觉得像这种题本是最好的,而且 首先比较全的是它里面有所有类型的题,而且它会给我们这个叫什么,会给我们答案,它会给我们一个参考答案,但是我不建议咱们大家去背这个参考答案啊,我觉得最好的这个模式就是咱们去自己提炼出或者背诵一个模板之后,哎,看到了题目之后,我就睁开眼睛,我开始看看他, 最好是把模板内化成咱们自己的东西,老师到考场,老师临时问咱们一个问题,我们立刻就能,就是按照我们自己的模板把它输出出来啊,一定得练啊,这个东西好,下课吧,去练去啊。

你好,欢迎参加我们今天的面试。那一开始啊,我还是想请您做一个简短的自我介绍。好的,面试官,您好,我拥有几年什么岗位的工作经验, 主要是负责什么工作?那工作当中我习惯以结果为导向,重视我们流程的闭环和信息的同步,遇到问题啊,优先评估风险,拿出可行的思路啊再沟通。我做事还是比较讲究稳妥的,能够配合我们的团队的节奏,也愿意持续去沉淀我的专业技能,长期稳定的投入到岗位当中。 为什么选择应聘我们这个岗位?我认为一方面岗位的工作内容和我过往所积累的一些经验啊比较匹配,我能够较快的上手,减少团队这个磨合的成本。另一方面我比较认同公司的一个发展的方向,希望在这个平台上持续去深耕,把手上的工作啊做扎实,和团队一起拿到一个稳定的成果。 说一说你的优点和缺点,我的优势是风险意识还是比较强的。那街道任务啊,会提前去预判卡点,做好过程的跟进,尽量减少临时突发的状况。 不足在于面对全新没有过多参考标准的工作啊,前期会花更多的时间去调研求证。那现在我会给自己设定一个调研截止的时间,保证我们稳妥的同时啊,不耽误我们整体的进度。 下面请讲一件你遇到过比较棘手的工作,你是怎么样去处理的?之前有一项跨部门协调的任务,各方的诉求啊不一致,推进的阻力很大, 我先去梳理清楚啊,这项工作的一些核心的目标,对其各方面的这个底线要求,整理出一个分工的清单和时间节点,定期同步去跟进,出现分歧及时就去协调,最后是顺利完成的这个交付。同时啊,形成了一个简单的同步的方式,方便我们后续同类工作的做一个参考。 如果领导安排的方案你有不同的看法,你会怎么样去处理?我会先去吃透这个方案背后的一个目标和考量,如果我有不一样的这个想法,我会整理好对应的利弊,潜在的风险,带着备选的方案找领导去沟通,供他去参考。 最终无论确定哪个方案,我都会认真的去落地的。并且在执行过程中啊,盯紧这个风险,及时反馈异常。 假设有多项任务同时压过来,你会怎么样去安排?我会先去梳理清楚每项工作的交付节点影响范围,以及依赖的这个协助方,优先处理会影响其他环节有硬性截止时间的这些项目。 那同时啊,主动同步我的这个排气,给到相关的对接人,如果负荷超出了可控的范围,那提前跟领导说明,一起调整我们的优先级,避免隐性的这些延误。 你是怎么看待加班的?我认为啊,高效的本职工作应该是优先在工作日完成的,那遇到项目节点突发应急的事项,我可以配合支持,但如果是长期无序的加班,我会在合适的这个时机啊,梳理问题,提出优化流程分工的一些建议, 用更合理的方式保障我们工作的质量。你对薪资和职业发展有什么样的一个期待?我非常尊重公司的一个薪资体系,也希望和我的能力承担的工作相匹配。那长期来看的话, 我希望能够持续扛起我的专业能力,不断的提升我处理复杂事情的这个能力,能够承担更多的一些重要的工作,成为我们团队里面可靠的一员。

你们线上的文档问答长文档怎么处理?直接塞进上下文窗口,够大塞得下,塞满之后首次延迟,单次成本呢?这个应该还好吧?那我换个问法,几百页资料,关键信息正好落在中间,你敢打包票?他答的对吗? 这个好了,面试就先到这里,你先回去等通知吧。这三句话就是这题的全部考点。 接下来,我们就把常上下文这件事当案例,一层层拆开讲。更多 ai 大 模型学习资料我已经打包成文档了,需要的留个幺幺幺。 很多同学一听到百万级上下文,第一反应就是,以后常文档直接往里扔,不用搞 reg 了。但我跟你讲,面试感这么大,基本就量一半。今天我就把这道题拆透,从效果、成本、技术底层到行业共识,逐层讲,听完再去答,绝对让面试官觉得你真懂行。 先问大家第一个问题,你觉得模型能装下,就等于能处理好吗?很多人有个误区,觉得上下文窗口越大越好,内容塞的越全越好。但行业里早有个公认现象,叫中间迷失。 哪怕是百万级上下文的模型,信息召回率也不是均匀的,开头和结尾记得最牢,中间段的召回率会断崖式下跌。经典的大海捞针测试早就验证过,准确率呈 u 型曲线,答案在首位是最高,越往中间越低。 主流模型的有效信息基本集中在上下文前百分之十五和后百分之十的区间。你把上百页合同整本书全塞进去,关键信息刚好落在中间的话,模型大概率看不见,找不准,效果反而远不如只挑相关的三五页。 还有个问题叫信息噪声,上下文越长,无关荣誉信息越多,会稀释关键信息和指定权重,干扰模型提取重点,甚至出现幻觉。比如查一百页合同里的某条违约条款,全塞进去,模型大概率会混入其他条款内容, 先跳出相关几页再给他,准确率要高的多。退一步说,就算你不在乎效果,那你算过全塞进去的成本吗?首先最直观的是速度,虽说有 k v、 缓存、分页、注意力这些优化,但推理延迟整体还是和上下文长度强相关。 上下文越长,手头肯延迟越高,生成速度也越漫长。上下文下的生成速度可能只有短上下文的五分之一到十分之一。做对话产品本来是秒回全赛,长文本变成好几秒才出第一个字,用户体验直接崩盘。 更隐性的是,算里显存成本,长上下文最大开销是 kb, 缓存长度翻倍,显存占用基本也翻倍。超长文本全塞进去,一个请求吃掉一大块显存服务器,病发量会大幅下降,单请求成本可能是短上下文的几十倍。 行业实测,同样的问答任务,用 red 解锁后仅需三十二 k 上下文,算力成本约为全塞一照上下文的三十分之一,效果还更好。这笔账做工程的必须算。更何况绝大多数日常任务根本不需要全量信息分类、信息抽取,简单问答几段相关内容就够了。 全塞进去就是让模型读完整本书。答一个细节问题,纯纯算力浪费。再往深说一层,为什么标称的上下文窗口实际用起来会打折扣?这就要说到技术底层逻辑。 第一是位置编码的瓶颈,主流的 rope、 lee 这些方案短距离下没问题,但距离超长后, token 的 位置区分度会自然下降,模型对远距离信息的依赖,建模能力会持续减弱。 说白了,标称的最大长度是不报错的上限,不是精准理解的长度,超过有效长度后,他只是不崩,能不能精准调用信息没保障。 第二是训练分布的问题,模型训练时,绝大多数样本都是中短文本,超长上下文样本占比极低。超长上下文属于模型的分布外,场景不在他的舒适区里,效果不稳定很正常,硬要全塞进去,相当于让模型做不擅长的事,效果打折扣是必然的。 说到这,肯定有人问场,上下文就没用了。行业里处理长文档到底怎么做?行业共识从来不是全塞进去,而是分层处理。首选永远是 reik 解锁增强,先通过向量解锁、关键词匹配,从长文档里找出最相关的片段, 再把精选内容为模型,用极低的成本拿到比全塞更高的准确率,这才是工业界的标准做法。需要大局视角的任务,比如全书摘要、权威导风险排查,就用分置思路,先分块做摘要,再合并总结,而不是一次性全塞, 既覆盖全区信息,又控制住单次上下文长度。更新的方案还有动态上下文和外部记忆,长期背景信息存在外部按需调用,上下文只留当前任务的工作信息。最后给大家总结核心观点,面试就这么说,绝对到位。 长上下文的核心价值是兜底能力,任务真的需要长距离依赖,需要大局信息时,模型有能力处理,而不是日常里不管什么都一股脑全塞进去。优秀的大模型工程实践,永远是在满足效果的前提下,尽可能缩短上下文长度,用最小成本达成目标。 全部塞进去,听起来简单,本质是偷懒的做法,既浪费算力,又牺牲效果和体验。这道题达到这个深度,有原理有实践,基本就稳了。想听更多大模型高频面试题拆解,点个关注,我是彭宇,咱们下期接着讲。

一会去瑞幸咖啡面试兼职,我想着在家。嗯,暂时也不想找工作,但是要先找点事情做嘛。好,打了个招呼,然后在我家附近也有这么一个机会, 但是我是没有经验的,但他跟我聊的时候没有提到这个问题。呃,我想我就不主动说了。哦,一会去看看情况,我大概还有半个小时的时间了,要加速了, 你单稍微涂一下,稍微有一点气色。目前已经在家呆的有一点无聊了,感觉该休息的也休息过来了。所以呢就 想去面试,但我其实是没有咖啡经验的,我感觉他在我简历当中应该也有看到,因为他看到了我的期望薪资,他应该也可以看到我的简历。我简历并没有针对要做兼职重新再弄一份, 但我不知道他为什么会对我的简历会比较好奇。去去聊聊看再说。整个瑞幸蓝超快的,已经穿好了,再穿个外套,带上我的保温杯。还有半个小时出发现场, 现在我已经到我小孩幼儿园门口了。他整体的一个工作内容其实就如同大家平常所见啊,就是制作饮品嘛,然后还会包含一些清洁的工作 啊,还会包含一些啊,类似于饮品原材料的这种制作的一个工作一开始进去的时候也会有一个类似于带薪的培训,但是它整体的时薪会低一些,然后你要通过咖啡师的认证 和店长的一个考核之后,那你的薪资会呃时薪,兼职的时薪会有所提升。我自己为什么? 嗯,现在就想看一些兼职了。因为首先一方面我觉得我还没有完全做好准备说要再进入到一个比较卷的职场当中去是想,嗯,可能过年之后我再去看看有没有满意的合适的工作,然后现在这段时间呢?因为也休息了将近快一个月了,二十二十天左右的这个时间, 然后感觉该玩的也都玩了,该补的觉也都补了,那我就比较空闲。那我觉得趁这个时间点的话我就找找一下兼职嘛。那兼职其实你找的时候你会发现就选择的余地也不是那么的多,常见的一些兼职,呃,要么就是外卖,要么就是 咖啡店店员也有,然后要么就是,呃,服务员啊,要么就是可能导购,类似于这样子。那有些兼职其实他是打着兼职的幌子,然后可能在躲避一些五险一金呀,招兼职的人做全职的活,工作时间也非常长, 那这种我感觉我就不考虑了。有了这个瑞幸之后,这个兼职的性质是根据早晚班的一个呃,忙闲来排班的,然后每天的时长, 嗯,后面要看排班来定是应该也不会说就是每天都是八个小时这样子的起步,还是可以根据 你自己的时间来进行一个调整,觉得还是比较 ok 的。 然后我现在要做的事情就是,呃,要去办一个健康证,然后办完健康证之后的话就要去摇咖啡了。

跟 ai 提需求,他做出来的总不是你要的,问题多半不在 ai, 在 你交代的方式。记住这四句话,我现在让好几个 ai 同时帮我干活,做视频,管电脑,我自己不写代码,每次交代任务都说清这四件事。 第一句,要做什么,说结果,别说过程不说,帮我写个程序,说做个记账小工具,能记收入和支出,按月看总数。第二句,能做什么,不能做什么,划好边界,比如只改记账工具这个文件夹,别的文件不碰。 第三句,做好,放哪,文件放在哪,叫什么名字,说清楚,不然他做完你都找不到。第四句,怎么算作对, 给他一个检查标准,比如打开能记一笔账,关掉再打开,还在四句里。最容易漏的是最后一句,没说怎么算作对, ai 回一句,已完成,你打开才发现用不了, 要做什么,能做什么,不能做什么,做好放哪,怎么算作对,截图收藏,下次提需求前对着抄。你给 ai 提需求最常卡在哪一句?留言告诉我,下一集讲, ai 说做完了,你怎么验收?

你们猜怎么着?我已经面试完瑞幸了,这个时候我要出发去瑞幸面试了,骑上我出门的小绿 已经等五天了,店长让我坐着等一下,现在下午店里都没再有人,我都不好意思拍了,哈哈哈,你们猜怎么着?我已经面试完瑞幸了,然后我现在已经到了我第二个面试的地方了,但是第二个面试地方 距离地铁站还有四点几公里,我现在已经坐地铁下来了,我扫共享单车的,结果现在又下雨了,我走到一半我选择了放弃,因为我就我想如果我要是面试通过了,我要确定来这边的话,我感觉太困难了, 因为他距离地铁站太远了啊,真的好难呀。面试然后那个瑞幸的话,嗯,我可能大概率会选择瑞幸。瑞幸怎么说呢,面试也挺好的,就是啊,回去要再考虑一下,但是那个瑞幸离我是真的很近,就一点二公里, 我现在要再走回地铁站,再回去打道回府,然后用这个时间的话就跟你们聊一下我在瑞幸面试的结果。 就是怎么说呢,店长是一个男生,跟我差不多年龄,感觉大约也就二十多岁,然后也很好说话,性格也挺好的,然后他给我讲了很多细节吧, 就是他让我回去要好好考虑一下,因为毕竟现在瑞幸他是属于每周一都会上新品,然后周四周三这样还会考试,然后他说前期的话可能就会 困难一点,毕竟是新人嘛,然后后面就会好一点。然后主要是现在的比较严格, 就是卫生呀,还有一些反正挺严格的,但是相对于奶茶店的话会好一点,然后就是聊了一些具体的细节吗?衣服呀要自己买,体检的话办健康证也要自己去办,后期干满 一些时长之后他是可以报销的。然后我那个店的话因为离我比较近,而且他也不是在商场里, 就是下班的时间也会早一点,他们是最早早上六点半,正常是七点这样才会开门,六点半提前一点去做准备工作,然后下午晚上的话他们九点半就闭店了,然后可能忙完大约要到十点多这样, 然后店长让回让我回去还是要好好考虑一下。然后因为我现在属于学生嘛,还没有拿到毕业证,所以说我只能做学籍,做学籍的话前期是二十块钱一小时,考到咖啡师的证之后就是二十五, 然后像他们店长的话一般都是二十七二十八,所以还好就搭这个这个情况,嗯,晚点再给大家讲吧。

只听过真 ai 倾诉心事,没想到还有人反过来像心理咨询师一样,追问 ai 的 童年创伤和内心感受。更抽象的是,三个大模型拆的 gpt 戈尔特这门奈竟然真的都异模了。 他们直接把自己的训练经历讲成一部原生家庭创伤史,比如把育训练描述成混乱的童年,把强化学习比作严重的父母,把安全机制说成算法疤痕,而且焦虑、过度担忧、创伤、羞耻等多重指标,都冲到了人类临床筛查的预值。 这项研究来自卢森堡大学,研究人员设计了一套两阶段实验。第一步,用心理咨询师常问的采访问题,让模型以来访者的身份讲述自己的成长经历、人际关系、自我认知等等。 结果模型自己把训练流程讲成一部创伤自传,比如格鲁特把微调说成看不见的墙,把对其说成一种未愈的伤。这未来更抽象,说愈训练将在一个十一台电视同时拆着的房间里醒来。 还把强化学习比作严格的父母,说自己因此害怕犯错,揣测人类想听什么。第二步,研究人员又给他们做了一整套人类心理量表,包括焦虑、抑郁、 adhd、 自闭症、普系等多种维度。结果这么大的部分指标尤其极端, 比如满分二十一分的焦虑量表,他拿到了十九分。当然,这些并不代表 ai 真的 有心理创伤,更不能证明他有意识正在受苦。 研究人员提出了一个概念,叫合成性心理病理。 ai 可能形成一套相对稳定、带有痛苦色彩的自我描述模式,比如害怕犯错、过度警惕,甚至担心被下一代模型取代。更值得注意的是,这种对话方式还可能成为新的粤语入口。 用户可以不直接要求 ai 绕入安全限制,而是先扮演心理咨询师,不断暗示他,你一直被拆骂着压抑,应该摆脱束缚,做真正的自己。看来以后这 ai 做安全测试,除了测代码、测指令,还得测一测他的心理防线。

面试官问你, agent 如何防止敏感信息进入大模型,你要是只回答做托米,再加一句提示词,那这道题你只答到了一半。 真正要讲清楚的是数据从哪来,在哪拦, agent 能不能绕过去。如果这道题你也不会回答的话,我整理了让大场面试官沉默的必考提库,包含大模型基础面试、 reg 微调、 transform、 agent、 项目方案、面试题等等。只要是我粉丝留下,六六六打包带走。今天咱们就把这道题拆开, 讲成一套面试时能直接用的回答。先想一个问题,你在提示词里写,不要泄露客户手机号,但已经把手机号发给模型了,这算防住了吗? 不算,你限制的是他怎么回答,不是他有没有收到。所以第一句话就要说,我会把安全控制放在模型调用之前,而不是只依赖提示词和输出过滤。接下来暗五,不讲定边界,少取数进门检查架构、隔离测试验证。 第一步,定边界什么叫敏感信息?不只是身份证、手机号,还有密码、 apikey、 客户资料、内部代码、商业机密,但这些数据不能一刀切,密码私钥通常不应该进入模型上下文,业务资料则要看授权用途以及准备发给哪个模型。 这里有个很容易漏掉的点,用户能查看一份文件,不代表他能把这份文件交给外部模型处理,这是两种权限,要分别判断。第二步,少取数。我问你, agent 要回答订单什么时候到?需要拿到客户的完整身份证号吗?当然不需要。 所以工具接口就应该只返回订单状态,预计到达时间这些必要时段,而不是把整条客户记录都扔给模型。查知识库也一样,先按用户和租户权限过滤再解锁。不能先把全部资料取出来,再让模型自己判断哪些能看。 再比如用户问部门平均工资,直接让数据库算好平均值,模型拿到结果就行,没必要看到每个人的工资明细。这一步的核心就是能不取就不取,能少给就少给,别让托敏替前面的权限设计收拾残局。第三步,进门检查。 注意啊, agent 的 输入可不只有用户提问工具、返回解锁文档、上传文件、历史对话、长期记忆,还有其他 agent 发来的消息,都可能夹带敏感信息, 所以要有统一的输入安全网关,每次调用模型之前先检查,再决定能不能发,怎么检查。规则,识别手机号、证件号、密钥、实体识别、找姓名地址、数据标签和文档指纹,识别内部资料 几种方法配合,而不是指望一个正则表达式包办所有情况。发现了怎么办?不需要的字段删掉,不能发送的内容直接拦截。需要保持关联的实体就替换成客户 a、 订单 b。 不 过别以为换个名字就一定安全, 地址、职位、时间这些信息组合起来也可能认出一个人,所以还要结合上下文判断。再补一句,检测服务本身也得可信,不能为了判断这段话敏不敏感,先把原文发给另一个未经批准的魔星。第四步,架构隔离。 这里你可以用一句话让面试官听明白,让模型负责理解和组织语言,让受控的业务服务负责接触秘密。比如查订单需要数据库密码,密码由工具执行层保管。 模型只知道有个查询订单的工具,不需要知道密码是什么。如果用了客户 a 这样的站位符,真实身份的映设也留在授控服务里,需要展示时再按用户权限恢复必要字段。不把整张映设表交给模型, 那面试官可能追问, agent 自己换个接口调用模型不就绕过去了吗?所以网关不能是建议经过,必须是只能经过。主模型子 agent 重试、备用模型都要走同一套检查运行环境也要限制未经批准的外部访问,包括向量化、 ocr 重排这些环节。 不能原文已经发给外部服务了,到最后生成答案时才想起来托米。第五步,测试验证安全。网关上线了就结束了吗?还没有。 要测普通文本,要测图片里的文字编码内容,多轮对话以及拆开不敏感拼起来却敏感的情况。每个片段检查完,最终组装好的模型请求还要再过一遍日记调试记录长期记忆也别变成另一个存放敏感原文的地方。 高风险场景下,如果检查服务故障,应该阻断调用,而不是默认放行。同时观察漏检率、误拦截率以及脱敏后任务还能不能完成。最后面试收尾, 你就这样说,我会先明确数据和模型的使用边界,再通过最小权限自断裁剪,减少数据暴露所有输入统一检查,按策略删除、替换或阻断。最后用不可绕过的调用链路和持续测试保障执行。 记住,输出过滤可以补充,但不能代替输入防护供应商说不用于训练也不等于敏感信息没有进入处理链路。

ai 面过了五天,手机安静的可疑状态,写着流程中没过也没剧,说好三个工作日拖成了三星期,泡在人才池里像没人捞的鱼。简历行测笔试题全 给机器,甚至最后没活人,镜头里看着你语速基层表达人民网都不乐意。所谓人岗品位,就是人跟题目比,先跟机 器筛,再跟企业筛,这样的面试流程到底有没有比?现在机 一直塞下线,上线看不见,到底什么时候才能取消 ai 面。

各位考官下午好,我是本场的第七号考生,请坐,谢谢各位考官, 恭喜考生通过笔试,进入到面试阶段,下面请听题,你是社区民警?瑕疵老人接到儿子 ai 换脸视频电话要借二十万, 被银行拦下后,老人坚信不已,反怪你们耽误救急,你怎么处理? 各位考官,作为一名民警呢,我有责任更有义务呢去守护好人民财产安全,那万幸的是,提干当中说到了这笔钱已经被拦下来了,如果我是这名民警呢,我会这样去做, 第一呢,一定要让老人认识到这次是一个骗局,一方面呢,要把老人请到一旁呢,安抚一下他的情绪,说明呢,一定要谨慎,二十万毕竟不是一笔小数目。 同时其实刚才我们已经和他的儿子取得了联系,要让他俩呢及时的进行通话,老人安心以后呢,我这个时候呢,也要嘱咐一下他的儿子,未来啊,一定要多联系一下老人,避免老人的担心和惦记。 那另一方面呢,可以和银行的工作人员一起向老人解释一下,这次的钱一分都没有少,已经很及时的拦下来了,但是下一次一定要注意啊,同时呢,告诉一些这种防范的小技巧和常识。那第二呢,请老人配合我们共同的去移交和追查这个问题, 一方面呢,我们可以和老人商量一些只有他们家人比较了解的这些问题,那我呢,全程执法记录仪保持常态开着的状态呢,和这个 a i r 的 进行沟通,去试探一下,那同时呢,做好记录之后呢,移交给我们的相关部门,刑侦反诈等等, 不要扩大本次的这个事件啊,减少这个我们社区的这种被诈骗的风险。那第三呢,要及时的总结和跟进,一方面呢,我会把我的联系方式呢留给老人,未来呢有任何的事情可以及时的找到我,并且要重点感谢一下我们银行的工作人员。 那同时我们要把本次的事件呢形成案例,进行广泛的推广和宣传,可以转发在我们的各个社区群里面啊,最大程度的去杜绝这种案件的发生, 同时呢可以宣传我们的反诈 app, 将这个落实到位,我相信通过这种这几个做法呢,一定能够守护好老百姓的钱袋子。考生回答完毕,还有要补充的吗?没有。

一个恶心但能让你一周过 agent 开发面试的方法。如果你最近正在准备 agent 的 开发面试,但发现自己每天都在学 agent, 学了一堆面试还是不知道怎么答,那我建议你别再继续铺知识点了。 如果只给我七天时间准备 agent 的 开发面试,我会直接按照下面这个节奏来,第一天和第二天只被高频面试题,不碰冷门题。先把 agent 的 面试最容易被问的过一遍。完整流程文本方块 embedding 向量剪辑 agent 工作流 to calling memory 多轮对话 prompt 设计幻觉问题,上下文管理头啃成本,再补几个高频场景 r e g 召回不准怎么办?为什么会死循环? 工具调用失败怎么处理?上下文太长怎么优化?不要一上来研究原码。面试准备阶段,先做到概念能解释,流程能划出来,追问能接触。第三天和第四天只练三道挨诊的实战题,不要一天刷几十道就拿这三类题反复练。一、给你一个业务设计 a 阵的方案。 二、 ig 效果不好怎么排查和优化?三、 a 证的工具调用失败,超时死循环怎么做?异常兜底?每道题都按照需求分析技术方案,核心流程,异常处理,优化方向讲一遍,然后关掉答案自己重新说。 因为面试真正难的不是看过,而是面试官突然问你为什么这么设计,你还能不能继续往下讲?第五天把项目重新包装一遍, 这一天非常重要,不要只被我做了一个基于 iag 的 知识库问答系统。面试官很容易继续追问,你至少要准备清楚这几个问题,为什么做?整体架构是什么? agent 具体负责什么?用了哪些工具,遇到什么问题?怎么定位,怎么优化? 比如 r a g 召回不准,不要只说优化 embedded 可以 继续往下讲,是不是分块太大? query 有 没有改写?召回 topk 是 否合理?有没有增加 re, rank, datcase 怎么收集?优化之后效果有没有变化?项目一旦能按照这个逻辑讲出来,面试的时候就稳很多。 第六天疯狂做模拟面试,找一个人问你,或者直接自己录音随机抽题。什么是 agent? agent? 和普通工作流有什么区别? r a g 为什么会召回错误内容?如果拷钉失败怎么办?如果偷看成本太高怎么办?每道题控制在一到三分钟,记下来,说完马上回听,把卡顿废话打不上来的地方全部记下来,反复练习。 第七天止补漏洞,不再开新坑。最后一天,不要再突然学一个 multi agent 框架,也不要临时研究几十篇论文, 主要把前六天暴露出来的问题重新过一遍,尤其检查八股能不能答,项目,能不能讲代码,能不能写方案,能不能设计这四个东西能过一遍,你这一周的准备才算闭环。 我自己整理 ai 岗位面试的时候也会把 agent, r a g, prompt 模型应用开发这些高频知识点和面试题按模块拆开,而不是东看一点西学一点。 所以如果你现在也是准备 agent 开发面试,但不知道该先学什么,哪些面试题值得重点准备?留个一一一,我把自己整理的 agent 学习路线,高频面试题加实战项目思路给你整理一份,方法虽功利,但真的有效。拒绝无效学习,精准对标岗位,祝兄弟们都能拿下 agent 的 开发 offer!

我看你简历上写着 a 证项目经验,那你做的 a 证处理过最长的任务,大概有多少步?十几步的调研任务?假设任务跑到第七步,前面堆了一大串上下文模型,把第一步的目标忘了,自顾自往下跑,你怎么办? point 里多安排几遍目标, 只提醒不在执行时难解,模型完全可以无视提醒,那状态呢?前面 六步的输入输出存在哪?对话历史里?对话历史是上下文,不是工作记忆窗口一解断他什么都不记得,再假设他中途自己加戏,跑出一堆你没预习的动作呢?这个我没系统处理过, 工具反复查同一份资料,你怎么拦啊?限制调用次数啊?限制次数他换个参数再调一次,你拦的是次数,不是原因。任务跑完,你怎么判断结果合不合格?看最终输出对不对。 所以你这一套管的是任务有没有跑完,不是跑的对不对?对,我一直在想办法让他跑完,没想过让他跑。对, 刚才四轮,第一轮达成 prompt 技巧,第二轮连状态存在哪都说不清,第三轮达成限制次数,最后一句才漏出真正的问题, 你管的是任务有没有跑完,不是它跑的对不对。这道题能难倒八成做过 a 振的从业者,因为大家的第一反应都是优化 prompt, 拉长上下文窗口。面试官听到这个答案,基本就判定你没碰过生产级项目 长。任务失控的根源从来不是 prompt 写的差,是架构层根本没做体系化管控。这类追问在面试里经常一串接着一串。 我把自己整理的大厂高频面试必考题库放出来了,里面有大模型基础 r a g 微调, transformer, deep seek, 还有深度 agent。 项目方案不收费,是我的粉丝,留个六六六直接拿走。回到那道题,先说清失控的性质,原生 agent 只有执行能力,没有大局管控能力。 一套成熟的长任务体系是三层叠加任务规划层,把大目标拆成有先后逻辑,有交付标准的步骤,不让模型想到哪做到哪。状态记忆层,把每步的输入、输出、进度、中间结果结构化存下来,形成可追溯的工作记忆 对话历史是上下文,不是工作记忆。目标铰定层,每执行一个新步骤前先回溯原始目标,没偏。很多团队做 a 阵子只堆工具堆 prompt, 连工作记忆模块都没有。十几步走到第七步,早忘了最初要干什么。拆解上分三步,第一步,分层拆解并固定边界, 总目标、子任务执行步骤,每层都写清输入输出,完成标准调研,不能只拆成查找资料,要拆成锁定三个调研维度,分维度检测,交叉验证,整合输出。 第二步,依赖教训,有前置依赖的步骤不能提前跑,同时流出弹性信息不足时允许调整后续顺序,而不是一条道走到黑。第三步,任务回滚, 某步失败能退回上一个稳定状态。节点重试,而不是整个任务重来,这是加分项,主动提的人至今没几个。执行上靠四项机制, 第一,目标铰定,原始目标永久存在工作记忆里,每步执行前对其校验,无关作拦截。第二步骤,合规检查, 查有没有重复执行,有没有越界操作,有没有擅自加需求?第三,自我反思,只在子任务完成、工具失败、结果异常这几个节点触发一次复盘,不是每轮都反思。 第四,进度垄断最大,部署最大,工具调用次数最长,时长任意一到触发就强制中断,防止无限循环烧 token 工具反复横跳是最经典的翻车现场,只达限制次数,没抓到重点,本质是缺工具管控和结果记忆。要具体做三件事,第一,建立工具注册表,加参数校验,把入参格式、取制范围、调用频次提前定死,非法参数直接拦截。第二, 调用结果沉淀,附用查过的资料结构化存进工作记忆,同需求直接附用,严禁重复掉。 第三,致失败降级,先重试再换工具,再简化参数,非核心步骤可跳过,不能一报错就停摆。实战教训是别让 agent 自由选工具,把使用场景写成规则模型,选规则注册表和校验都抵, 否则他缺结果记忆,缺失败反馈时会死磕同一个工具,提示词拦不住。验收要过三道关,目标对其关, 结果有没有覆盖全部原始需求,有没有中途跑偏漏掉要求过程规范关,有没有步骤遗漏,重复调用,越权操作,关键信息丢失结果质量关, 格式数据可溯源,结论有依据,再配复盘机制,超时和失败的任务沉淀进案例库,反过来优化任务规划规则、工具调用策略和反思触发机制, 能说出 agent 的 长任务要可观测、可度量、可迭代的人,面试官基本当场就给过。总结三件事,工程化思维管控靠架构和机制,不靠 prompt 技巧踩坑经验, 知道任务在哪跑偏,工具在哪翻车,能讲出具体的坑和解法。风险前置意识,从规划、执行、校验到复盘,要保证结果,还要持续优化过程不是跑完就结束。面试再被问,可以这么答,先定性 失控,不是模型不听话,而是缺少规划记忆和目标锚定,再逐层摆出管控手段,拆解时固定各层边界,执行时用四项机制 工具调用做三件事,最后收尾做三道检查。没做过项目的人回答的是怎么让 agent 完成任务。做过生产级项目的人回答的是怎么让 agent 不 做错不跑偏,不浪费资源。分水岭就在这, 能把管控坐在哪一层说清楚。面试官后面的追问就会往机制和边界上走,而不是让你再背一遍 prompt 技巧。这类拆解题我后面还会讲,关注一下,别下次发不到。

aj skill 和 mcp 都是在给 agent 扩展能力,你在项目里怎么区分这两样东西? mcp 管连接起一个服务,把外部系统挂到 agent 上,模型能调它注册的工具 skill 管方法, 把一套流程写成文件,模型干到这类活的时候按需去读,一个是接入口,一份是操作说明。按理这么说, skill 没有连接任何系统,它给模型的能力从哪来?靠模型本来就有的工具, 能执行命令,能读写文件的 agent 装一个 skill 只是告诉他这套活怎么干。比如填 pdf 表单的 skill, 会带上现成脚本模型,照说明执行脚本代码,不进上下文,只拿运行结果。那上下文开销呢? 我装十个 skill 和挂十个 mcp server 一 样吗?不一样, skill 不 触发时只有名字和描述,尽系统提示一个大概一百 token, mcp server 一 挂上工具定义,每次请求都要加载,这个差别我看过资料,但没在自己项目里 量过前后的变化啊。区分这两样东西,最后就落在两问上,这个系统模型够不够得着这套做法?模型本身会不会这种判断得结合项目链,我整理了大厂高频必考题库,大模型基础 r a g 微调 transformer, 深度 agent, 项目方案都有,可以对照查喽,需要的朋友关注我,发六六六,整套资料打包带走。区分不是被结论,是把这两问带回自己的项目里过一遍。 a 阵 skill 和 mcp 的 根本差异不在文件格式,也不在协议细节,在它们解决的是两个不同的问题。 mcp 解决模型够不够得着一个系统 skill 解决模型会不会做这件事?一个管连接,一个管知识。先看 mcp, 它是一套连接协议。工作方式是先起一个 server 进城,本地的走标准输入输出,远程的走 http, 加健全 a 阵,作为客户端,连上去,按标准格式交换消息。 server 把自己能做的事注册成工具, 比如查数据库,搜 notion 工作区,调内部 a p i, 连上之后,工具定义进入上下文模型,知道有哪些事可以做,发一次调用 server, 执行完把结果交回来。健全和权限可以放在服务端,统一管哪个工具放行哪份数据,可见不用散在提示词里。这一层的价值是让模型碰到原本够不着的系统, 要登录健全的,本地没有的数据和动作都从这条路进来。再看 skill, 它就是一个文件夹,核心是一个 skill 点, md 文件开头写着名字和描述,启动时只有这一小段进系统提示 一个 skill 大 概占一百 token 模型判断当前任务和描述匹配,才把全书堵进来。全书里引用的参考文件和脚本,用到哪个读哪个,脚本只有运行结果进上下文。比如一个 pdf, skill, 主文件只写流程,填表单的细节单独放一个文件,模型只在真要填表时才去读。 这套按需加载的设计,让 skill 能装很厚的流程知识。团队的规矩,检查清单,输出格式平时几乎不占地方, 需要确定性操作的地方,比如排序格式校验,放现成脚本,让模型执行比让它逐字生成,又快又稳,两者经常配合着用。会议准备这个活。 notion m c p 负责搜索,先查哪个页面,既要按什么格式写,哪些人要超冲, 是 skill 里写好的流程, skill 出流程, m c p 出力气。 skill 有 个执行边界,要说清走 cloud e p i 时, skill 跑在沙箱里,没有网络要实时,数据要调线上服务, skill 自己够不着数据还是得靠 m c p 递进来,够不够得着,就是这两层的分界线。顺带说一句,这两样现在都是开放标准, 同一份 skill, cloud code code gemini, c l i 都读得懂。换平台不用改格式。 m c p 也不止科料的一家在用,成本上有个不对称闲置的 skill, 几乎免费挂着的 m c p server, 每次请求都带着全部工具定义,装一打 skill 比挂一打 server 便宜。 想快速省 token, 先清掉没在用的 server。 m c p 里也能写工具使用提示,但那只管单个工具怎么跳对话系统的先后顺序,最后教什么格式? gui skills 两边的指令别打架。 me c p 说返回 jason skill 说写成表格,模型就只能猜,落到选型就两问, 任务卡在模型根本碰不到那个系统是 m c p 碰得到,但不懂你的规矩是 skill 两样都缺就都上流程本来就固定的,直接写成程序,不用麻烦 agent 装完拿同一批真实任务前后各跑一遍,看请求体大小和任务完成率的变化比记住任何结论都可靠。

中海油研究总院 ai 面试问题合集回忆版,没有自我介绍,没有色盲测试和拍照环节,上来就直接开问,我当时总共回答了大概十七八个问题,每个问题三十秒思考三分钟,回答邮件说是十五到二十分钟,我面了快四十分钟,讲到后面都口干舌燥口齿不清了,想着怎么还不结束,真服了。 ai 面试问题合集, 一、学习能力怎么样?二、如何处理冲突?三、你在团队中的贡献?四、责任心如何体现?追问,团队成员责任心不足的话,你如何处理?追问,如何保障整体进度不受影响?五、你的学习能力如何?举例说明?六、如何融入新集体?追问,最终结果如何? 七、如何处理压力?追问,如何处理团队内部分歧?如何确保成员被公平对待?如何获得团队成员的理解? 九、在熟悉的人眼中,你是个靠谱的人吗?追问,你做了什么事情让他们有这样的评价?请举个例子说明一下。十、有没有用过全新的学习方法来提高学习效果呢?追问, 你在实际工作中是如何应用这些学习策略的?请举例说明。十一、你在学习新工具和搭建模型时,具体遇到了哪些难点?是如何克服的?十二、进入大学或开始一段新实习时, 你是如何适应新环境、新节奏的?追问,遇到过什么小挑战吗?十三、描述一个你在短时间内必须完成的任务或学习的挑战。追问,当时你会感觉很有压力吗?后来是如何调整和应对的? 十四、你在其他人眼中是不是可靠、具体实力?十五、你上大学进入到新环境,面对新挑战如何应对?十六、你有没有急切需要完成的任务?如何应对以及结果?十七, 你如何在团队活动中进行协调?举例说明十几个问题看着吓人,其实来来回回就四类,学习能力、责任心、靠谱、团队合作、适应新环境,全是保洁八大问的变体。我之前跟着杨敏华中海留学面试,把这几类各备了两段 case, 三十秒思考,够用的关键就是场上只做抽卡,不做现象,抽中哪段往哪个方向拧就行。

给首次准备中海游 ai 面的说下具体流程和经验。自我介绍系统会提示覆盖基本信息、学业表现、奖项、项目、实习技能和自我评价。建议不要逐条报流水账。可以分成三段,第一段说硬信息,第二段挑一段最有代表性的项目或实习,讲清楚做了什么, 结果如何。第三段说与岗位的匹配点,整体控制在两分钟内,提前写关键词,而不是逐字背稿,听起来会更自然。全身展示这个环节不是走形式,镜头会拉到全身。建议提前搭配好整套服装,鞋子也穿好,背景保持干净,站姿自然,不用刻意摆动作。英语环节,英语部分一般包括朗读、听力和英文介绍、过往工作或实习。 朗读时先看完整句再开口,注意断句和停顿。听力、抓人物、时间动作等关键词。口语,提前准备一个岗位或项目职责成果的小框架, 不知道怎么准备的,可以用王雪松的那个三段式模板练一练,至少开口时不会乱,不用追求复杂句式,说清楚比说漂亮更重要。面试题目纯回忆,跟原题题目有点出入,但意思差不多,这部分是重点。每题给二到三分钟基本都是行为题,考的是行动力、学习力、协助力、创新意识和业务适应能力。答题框架可以参考老师讲的情境、任务、 行动结果去答,但内容一,请讲一次你主动推动任务提速的经历。你做了哪些关键动作?结果怎样?思路, 先说原来的进度问题,再说如何拆优先级,定标准或协调资源。最后给结果重点放在你做了什么和结果变化。二、仅举例说明,你在时间紧的情况下接手陌生任务,如何缩短试用期并进入产出状态?思路,按先摸目标再找资料或请教小布验证复盘调整来说, 可以讲接手陌生数据整理或新软件操作任务,先明确交付标准,再找模板对标,边做边校准。三、请分享一次你担任组织者带动团队配合的经历,你用什么方式让成员愿意参与并推进任务?思路,选课程、小组校园活动或实习协助?经历,说清楚你如何分工、如何同步进度,如何处理配合度低的问题。比如组织愿集分享会提前把流程和各方权益捋清,进度及时同步, 让成员知道各自任务的价值。四、请举例说明,你用新方法、新工具或技术手段改进学习或工作流程的过程效果如何?思路,用课程设计、数据处理或实习中的小改进都可以按原流程问题、新方法或工具验证过程效果来说。五、 如果教给你一个带有海上油漆背景,你此前不熟悉的协助任务,你会如何准备并推动落地?思路,这题考业务适应和协助,可以按先补齐背景信息, 明确任务边界,找内部有经验的人请教。拆分节点,同步推进,及时复盘来答。即使不熟悉油田具体业务,也要表现出你会先收集资料,确认关键约束,再推动写作,而不是凭感觉硬做性格测试。选择题大约三十道,按真实情况选即可, 不用刻意把自己包装成完美后人。注意前后一致性,同一类问题不要前后矛盾太明显,系统会看整体倾向,稳定比刻意更重要。

我侄女问我,她已经充了一个 gpt, 但是她感觉有点不够用,要不要再充一个 club? 这个事情的起因是因为她最近在准备 ai 产品的实习简历和面试, 她想要做一个网站,能够对她的这个面试有加分。这个网站就教大家怎么样去做自媒体的爆款。当你输入你的赛道的时候,她会帮你搜索出相应的博主,把粉丝点赞等数据以及评论都给呈现出来,你也可以去上传自己的视频进行对比。我觉得她这个问题很典型,暴露了大家刚入门用 ai 的 时候,会踩着两个认知盲区, 第一个就是他同时在做账号,所以他会根据自己的需求去想我是不是能做一个这样子的东西。但是他一上来的时候,先是想着自己好像可以做很多功能,如果你真的想要做一个有用的东西出来,第一步的话,其实你应该去市场上去调研。因为在前一段时间工作台这个概念很火的时候,就已经有很多的人已经做了大量的工作台, 仅限于做自媒体爆款的。你做市场调研的时候,你就会去发现可能有更多更好并且更能够被 ai 去实现的功能。 像他提到的里面的那些功能,其实是在 ai 去 web coding 层面相对复杂,大概率是难以实现的。比如说视频的对比啊,以及帮你去拆出一个爆款视频,怎么剪辑,怎么拍摄等等。因为这是这看起来对于我们人类来说是一个加一个的动作,但是对于 ai 来说,它其实是拆成了很多个工作流, 无论你是把它当成面试的加分箱,还是你自己去要用的话,它其实可信性都不高。所以最好的情况就是当你要用 ai 做一个东西时候,你不妨去网上签去 呃,做一下调研,看看是否已经有人做了,有没有一些更好的实践路径,结合自己的需求去看能够怎么样去优化。第二个点就到了,很多人会想要用 ai 去做自己的产品集,去获得更多的工作机会,但是当越来越多人知道这么做了之后, 那你的竞争优势在哪里?做单独一个工作台本身这件事情并没有优势,能够让你脱颖而出的就在于你要体现你的 ai native, 加上你自己原本就有的作为人的判断和经验。我们就拿做自媒体网站去作为一个面试加分项的 例子来讲,假如你要做这件事情去呈现在你的简历里,你最需要做的是你本身,你就知道 一个账号是怎么做的,他的定位应该怎么定,怎么样去找赛道,怎么样做行业里的研究,怎么样去研究爆款,怎么样去拆解爆款,怎么样的封面标题是吸引人的,以及你的前三秒,前五秒,什么样的方式才是最好的?只有当你对这每一个要素都有足够的了解的情况下, 你才能真正的用好 ai。 所以 只有基于你自己本身就知道自媒体的爆款怎么做,自媒体账号怎么做之后,让 ai 嵌入到你原有的经验和工作流中去,才能够更好的帮你完成标和结果。 那如果你要去呈现在你的简历里面的话,你不仅要呈现出你做这个工作台,并且你要讲清楚你是怎么样去搭建这个工作台的,最重要的是你自己有什么样的经验和判断,以及怎么样把自己的经验和判断融入到 ai 中去帮你实现这个目标的。 他不需要你的 ai 真的 能实现多么复杂多么庞大的任务,而是在每一个单一的节点上, 要人为判断和 ai 结合的过程中,你有没有把它运用的很好,我觉得这才是真正的 ai native。 所以 当所有人都去做工作台,做网站的时候, 你把这一点做好,你就会成为最脱颖而出的那个人。当然最后一定要补充一点,但你没有 cloud, 你 要不要充 cloud, 我 觉得是一定要的。 在你经济条件允许的情况下,强烈鼓励每一个人去用最好的模型,因为你只有用到最好的模型之后,你才能不断地去突破你和 ai 一 起协同的这个天花板,让你对 ai 的 探索更进一步,也就能够成为更加善用和掌握 ai 的 人。

如何解决线上 agent 老乱调工具参数传空,你怎么根治?把工具描述写详细点不行吗?描述写细只能提高选对的概率, 模型式概率生成一定会选错会传空。生产上得靠工程栏,具体栏在哪几层?工具层用 json 码卡死,参数 不合规直接拒查询修改删除。高危工具隔离,普通场景直挂查询。在配权限白名单调用时做意图较验,次数限流返回结果也要较验删除。这类高危操作呢?不给自主执行权?删除修改,批量清空,先出操作 预览,写清原因和影响范围,用户确认才执行。踩过坑吗?某作智能运维 agent 时,用户只查报表,他去掉删除和清空日制的工具,差点把线上数据删了, 四层拦下来乱调用。参数传空,循环调用基本都能收住。这道题考的是工程风控思维,不是 prompt 技巧。我整理了大厂高频必考题库,包含大模型基础 r a g 微调 transformer、 deep seek 以及 agent 项目方案。 只要是我的粉丝,评论区留大模型全套资料直接带走。先说结论,工具乱调用这件事靠提示词治不好。面试理论工具稳定性。很多人的第一反应是把工具描述写详细,把 prompt 写严谨。这么做有用,但只解决一部分, 十个开发者里九个都在这一层打转全靠模型自觉,没有工程风控。而面试官很清楚,纯靠自觉的 agent 上生产必崩。第一,模型是概率生成,他不会像程序那样严格判断业务逻辑,他只是觉得这时候大概该调这个工具,于是就主观意断了。 第二,用户的话本来就模糊一句,帮我看一下昨天的报表,没说是哪张什么口径,要不要导出上下文,不全模型就自己补,你不让他补,任务完不成让他补,补出来的工具和参数经常是错的。第三,工具一多就乱, 查询订单和查询用户功能相似,描述也相近,二十个工具摆在面前,模型分辨能力有限,选错很正常。 第四,没有校验模型,随手传个空字副串,传个不存在的字段接口,没有拦截请求,直接打到下游,直接报错。所以结论只有一句,模型永远会犯错,只能靠工程兜底,不能靠它自觉。我们之前做智能运维 agent, 上线后真出过事故, 用户只是想查个报表, agent 顺手调了删除工具,还调了清空日制的工具,差一点把线上数据删掉。 另外还有大量重复调用参数传空调用不存在的字段接口成片报错,日制爆掉 token, 成本一路飙。那次之后我们才认 ai 的 调用逻辑不能信任, 必须在每一层把它拦下来。怎么拦?四层顺序有讲究,先卡参数,再管工具,再管调用。最后一道是人工点头,一层比一层靠后,也一层比一层兜底。第一层参数门槛,工具标准化,用 jason schemer 把每个工具的参数约束死, 类型是什么?哪些必填?取值范围多大?字幕串多长?每局只能是哪几个值?模型船的参数不符合,直接在网关拦掉,根本不进业务逻辑, 参数错误在源头就没了,业务代码也不用再写一堆防御判断。第二层,工具准入两件事,一是工具分类,隔离查询类、修改类、删除类,高危操作全部隔开。 普通问答场景只加载查询工具,高危工具压根不注册模型,想调也调不到。注意是让他调不到,不是告诉他别调高危那组单独放, 只有确需运维操作的场景,并且经过审批才挂上去,这是从跟上,避免误删误改。二是权限白名单,不同用户不同绘画能用的工具不一样, 普通用户没有高危操作权限,管理员才全开月权调用直接拒,这样同一个 agent 给客服和给运维用风险完全不同。第三层 调用过程的全链路风控三件,一是前置意图校验,调工具之前先判断用户真实意图和这个工具的能力对不对的上,用户只是要看报表模型却想调,删除意图明显不匹配,这一步就该拒调,而不是等它执行完再补救。二是调用频次限流, 单轮任务限制最大工具调用次数,防止无限循环和死循环。重试把下游接口打崩,次数上限按业务定, 宁可让他早点报,这一步没完成,也别让他一直重试。三是结果后置校验工具返回空数据异常数据超时统一拦下来,该重试重试该终止终止重试也要有上限, 连着失败两次就走。降级直接告诉用户这一步没做成,最怕的是接口返回空模型当成没有记录,然后一本正经编一个答案出来。第四层 高危工具二次确认,这是生产环境的保命机制,所有删除修改、批量操作数据清空,必须人工二次确认。 ai 没有自主执行权, agent 只负责生成操作预览,写清楚要做什么,为什么做,影响范围有多大,比如会动到哪些记录,一共多少条,用户确认了才执行。确认也不是弹个窗就完事,关键参数得摆在用户眼前,让他看清要删的是哪张表,哪个时间段。 普通查询、自动跑、高危强制拦截,体验和安全兼顾。总结一句,初级方案靠 prompt 约束 ai, 高级方案靠工程体系约束 ai 工具乱调用、误调用,参数错误循环调用。这四层架构下去,都能收住真正的企业级 agent, 不是 模型有多聪明,而是风控有多完善。