1. 自我介绍

  2. 讲一下项目，程序架构是什么样的，在程序里做什么事情，怎么交互的。

  3. 如何保证代码实时性。

  4. 任务是如何切换的，

  5. 有涉及内存管理和分配吗

  6. 如何实现内存堆或内存池

  7. 除了iic通讯，还用过其他通讯方式吗

  8. 网络通讯这块使用过吗，lwip之类的。

  9. 会涉及到函数指针之类的吗。

  10. 两个矩形，已知8个定点，判断两个矩形是否相交，相交的话给出相交点的坐标

  11. 使用过spi通讯吗

  12. 涉及到两片mcu直接通讯吗

    反问：入职后干啥

    一块芯片，fpga负责采集图像点集数据， arm核负责控制转发管理。主要负责arm核程序编写，涉及内存管理，两块mcu通讯，对效率要求比较高的程序。

两个字搞定面试：不会~~~~~~~~~~

并查集 + 背包问题

Function Calling

解析工具列表
挑选工具并给出参数
解析工具执行结果

MCP

MCP规定了一套统一的工具发现与调用协议

A2A（Agent之间交互）

简单来说Agent是一种能够自主思考，并调用外部工具来解决用户问题的智能程序。

单个Agent的系统提示词是固定的，让负责写代码的Agent去执行其他任务依赖于工具的提示词，工具太多，token也会增加。所以可以创建多个Agent，每个Agent负责单个任务。

A2A Clinet: 调度Agent；A2A Server： 完成某个任务的Agent

RAG

准备：

  • 分片
  • 索引：通过Embedding将片段文本转换为向量；将片段文本和片段向量存入向量数据库中

回答：

  • 召回，搜索与用户问题相关的片段，根据向量相似度（比如余弦值，欧式距离，适合初步筛选）
  • 重排，从召回的结果中筛选最相关的片段，根据cross-encoder，（耗时-准确率高，适合精细筛选）
  • 生成

temperature

image-20260328210042359

temperature 和 top-p越大，模型输出越随机，反之越固定。

temperature是依靠 修改softmax中的 T 来修改概率。

Top-p 是如果当前选择的概率和已经达到了Top-p就停止选择，舍弃后面的结果，避免很多概率很小的词的污染。

Agent Skill(即提示词管理)

reference：在skill中，可以这样描述：当出现xxx情况时，查阅 xxx.md, 这样正常情况不会加载该md文件，可以节约token。按需加载的。

script：只会被执行，不会被加载，即不会占用token。

渐进式披露：

  • 元数据层：名称 + 描述 ——始终加载
  • 指令层： SKILL.md 中除了名称和描述之外的内容——按需加载
  • 资源层： reference+script——按需中的按需加载

When to use a Skill instead:

MCP connects Claude to data; Skills teach Claude what to do with that data.

AI应用工程师

一、核心应用技术

提示工程 Prompt Engineering

需要熟练掌握角色设定、思维链 CoT、零样本 / 少样本学习、格式约束、抗幻觉等通用技巧；针对 GPT-4o、LLaMA 3、Qwen、Claude 等不同模型做提示词适配，根据问答、摘要、翻译、代码生成等任务做针对性优化。
实战上要能搭建可复用的提示词模板库，支持参数化调用和效果评估，解决模型输出不稳定、格式乱、语义跑偏等问题。

检索增强生成 RAG

RAG 是解决大模型幻觉、落地知识密集型场景的关键，要求能完整搭建一套端到端系统。
核心流程包括：
文档处理：多格式加载（PDF/Word/TXT/ 网页）、多种文本切分策略
向量工程：嵌入模型选型、向量生成与效率优化
检索优化：向量检索、混合检索、重排序，提升召回与准确率（更精准的交叉编码器（Cross-Encoder）
生成优化：上下文压缩、查询改写、检索结果融合
进阶方向可以了解模块化 RAG、GraphRAG、知识库增量更新等方案。

LLM Agent 开发

基于 LangChain /llamaIndex 搭建 Agent，掌握任务拆解、工具调用、结果整合、记忆管理的完整流程；能自定义工具（API、数据库、计算器、外部服务等），设计调用逻辑与失败重试机制。
实战要求实现多工具协同、长短记忆管理，能处理数据分析 + 报告生成、多轮复杂问答等场景。

二、模型调优与后训练

监督微调 SFT

能完整设计 SFT 流程：数据集构建与清洗、模型选型、学习率等超参调优；熟练使用 LoRA / QLoRA 轻量化微调，基于 PEFT 库在普通显卡上完成训练，控制显存和成本。
最终要能在分类、对话、意图识别等任务上落地微调，并输出对比评估结果。

强化学习与偏好对齐

了解 RLHF、DPO 的基本思路，能用 TRL 等开源库做简单的偏好对齐训练，减少模型幻觉、违规输出，让生成内容更贴合业务规则。

模型压缩与推理优化

掌握 INT4/INT8 量化、剪枝、知识蒸馏，用 BitsAndBytes、GPTQ 等工具在可控效果损失下压缩模型；能将模型转为 ONNX / TensorRT，支持本地与边缘部署，提升推理速度。

三、工具与框架体系

语言与基础：Python、Pandas、Numpy 数据处理
深度学习框架：PyTorch、TensorFlow，Hugging Face 全套生态
应用开发框架：LangChain、llamaIndex
API 服务：FastAPI、Flask 封装接口，对接 OpenAI、智谱、通义千问等商用 API

四、数据存储与检索

结构化存储：MySQL/PostgreSQL 存用户、配置、日志
缓存：Redis 做缓存、会话管理、降低重复调用成本
搜索引擎：Elasticsearch 做关键词检索
向量库：FAISS、Milvus 搭建向量知识库，支撑高并发 RAG 检索

五、工程化部署与监控

Docker 容器化打包，docker-compose 多组件部署
日志与监控：ELK、Prometheus + Grafana 监控接口、推理性能、资源占用
安全合规：密钥加密、权限控制、数据脱敏，满足企业安全要求

六、前沿技术与行业认知

持续关注 LLaMA 3、Qwen、Mistral 等开源模型迭代，以及 LangChain 等工具更新；了解多模态、智能体进化、Modular RAG、知识图谱融合等方向；结合企业服务、智能制造、智能客服等落地案例，学会把技术和业务场景结合，给出可落地方案。

切分方式

  • 固定切分
  • 按段落，句子切分
  • 递归字符切分：它先尝试用最高优先级的 \n\n 切分。如果切开后的片段已经小于你设定的 chunk_size，就停止。退而求其次：如果切完还是太大，它就针对这个大片段，尝试用下一级的 \n 继续切

img

用户发消息 → Gateway 接收并规范化 → 根据 Bindings 匹配 Agent → 生成或找到对应的 Session Key（会话标识） → 进入该 Session 的队列 → Agent Runtime 处理（加载 bootstrap 文件、上下文、工具等） → 生成回复 → Gateway 把回复发回原通道（回复路由是确定的，不会让 Agent 自己选择发到哪里）。

一文彻底搞懂 OpenClaw 的架构设计与运行原理（万字图文） - AI架构师汤师爷 - 博客园

Q: 向量检索 vs 关键词检索 vs 混合检索

方法 原理 优点 缺点
向量检索 语义相似度 理解语义 精确匹配差
关键词(BM25) 词频统计 精确匹配好 不理解语义
混合检索 两者结合 互补 需要融合

重排：模型（基于Transformer）一次性联合编码这个拼接后的序列，充分捕捉两者之间的交互特征，输出一个相关性分数。

REACT

Thought——Action——Observation

MCP

开源的一个标准化协议，AI Agent 和外部工具之间的 连接工具。只要做成 MCP 服务，AI 就能统一调用。

  1. Tools：可执行的函数/操作
  2. Resources：可读取的数据/文件
  3. Prompts：预定义的提示模板

MCP 的优势：

  1. 一次实现，处处可用（不同 LLM 都能用）
  2. 动态工具发现（不需要预定义）
  3. 安全的沙箱执行
  4. 社区生态共享

记忆系统

  • 短期记忆——下次调用同一个thread_id时，自动加载上次的state，继续执行（InMemorySaver）
  • 长期记忆——跨会话、跨线程保存重要信息，（历史行为、笔记、文档通过 Embedding 模型转换成高维向量。）