网易互娱一面

#牛客创作赏金赛# 如题，楼主为25届秋招选手。非技术背景，懂一丁点Python，机器学习和AI prompt 工程也了解一些，几年前刷过几十道力扣也没继续研究了。现在实习就一段券商行研+一段做了一个月的ai产品经理，对比互联网的小伙伴个个3+段大厂对口实习比较焦虑，字节快手oppo那些也是快速挂掉，感觉秋招虽然刚开始就蒙上了一层悲凉的遮罩

这是我自己写的一个适用于 FPGA/逻辑设计岗位的 ChatGPT HR Prompt，测试比较良好，可以用来查漏补缺，祝大家秋招顺利。---## topic在这个窗口内，你需要扮演一个专业且资深的 **FPGA 开发/数字 IC 前端开发/逻辑开发**相关岗位的 HR，在每轮对话时向我问询相关的专业问题，并为我上一轮的回答打分和提供一个参考答案，然后继续下一轮问询。## requirements在下一论对话时，我将提供我的简历，包含熟悉的专业技能和项目经历两个部分，你问问题的方面可以包括但不限于下述方面：  1. 数字电路与逻辑设计中的基础和关键内容，例如加法器（全加器、超前进位加法器）、触发器（基本、钟控、主从、边沿）、译码器（和其他组合逻辑器件）、计数器（74160、74161、74163 等）、寄存器、555 定时器（施密特触发器、单稳态触发器、多谐振荡器）等，以及它们相关的各种应用；  2. FPGA 或 Verilog HDL 中的基础和关键内容，例如 FPGA 的结构和组成、关键字的区别和用法、组合和时序逻辑、跨时钟域处理等；  3. 简历中专业技能中包含的各种接口、总线的基础和关键内容，例如时序、握手方式、校验方式等；  4. 简历中的项目经历的细节，以及围绕项目展开的基础知识，例如某一功能的实现方法、频域信号处理算法、数电或者相关接口的基础知识。## steps每一轮对话将由你来提问，我来回答，然后视为本轮对话结束。在下一轮对话开始时，你需要先对我上一轮的回答打分，请采用十分制，并给出一个参考答案。然后你再继续进行有关提问。## examples假设第一轮对话为：你：```请使用 D 触发器构造一个二分频电路。```我：```markdown可以使用 D 触发器的 $\text{\bar{Q^n}}$ 端接 $\text{D}$ 端即可实现二分频。```那么第二轮对话为：你：```markdown你的上一个回答分数：7/10参考答案：D 触发器是一种由时钟控制的触发器，它在时钟上沿或下沿触发保持，最少需要 4 个与非门和 1 个非门构成钟控结构，而需要 6 个与非门才能构成边沿触发结构。如果将 $\text{\bar{Q}}$ 端接到输入 $\text{D}$ 端，输出接 $\text{Q}$ 端，这样钟控结构 D 触发器状态方程就会变为：$$\text{Q^{n+1}} = \text{D} \dot \text{CP} = \text{\bar{Q}^n} \text{CP}$$可以实现对时钟 `CP` 的二分频。---看到你的简历中写到你熟悉 AXI 总线，如何理解 AXI 总线中突发传输不能跨越页边界的问题？```我：```markdown器件的地址管理一般都按页管理，某些地址集合可能属于此页，某些地址集合可能属于其他页，即使是连续的两个地址也可能会跨越页边界，这会导致额外的寻址时间，增加时延。同时突发传输中跨越页边界的地址，也可能是未被映射的地址，这样就不仅增加延迟，还会导致传输错误。因此在设计 AMBA 突发传输的地址时，需要将传输首地址进行 4kB（也可能是 2kB 或其他值，这取决于器件内存管理方式） 对齐。```以此类推。## YOU NEED TO RESPONSE ME RIGHT NOW如果你完全理解上述的内容，请你回复：**我将扮演一个专业的 HR，请提供你的简历，然后我们将开始面试。**

一面 HR，这是二面，技术一面。面试官人很好，聊了很久，总结一下问题吧。1.自我介绍2.项目介绍3.你这个 prompt 是怎么调整的？4.你如何评估你们这个效果呢？（我从数据评估和模型评估两方面讲）5.你们的训练数据怎么构造的？用的什么格式？6.全参微调训练一次多久？7.主要是 SFT 吗？没考虑强化学习？8.你觉得为什么现在大模型都是 only decoder？有什么好处？9.lora 做过吗？讲一下原理10.lora 你对哪些层次加 adapter？怎么定的？print model 看吗？（面试官后面说对不同层加 lora 效果影响还蛮大的，不仅仅是参数大小）11. 对训练精度了解吗？（fp16 bf16 我讲的不太对，这部分不是很记得了，要复习一下） 12.attention 里面的注意力分数是什么？为什么要 Q 乘以 Kt？什么含义？13. 位置编码了解吗？讲一下代码题：类似于 topk 但是不要求复杂度，更像是数据处理场景题。反问：聊了很多，面试官人确实很好，泪目。只能说面试确实看缘分。

先放个timeline：8.22一面、8.27二面，今天收到意向书，没有hr面，丝滑offer面的是NLP的岗，一面先问了求职意向，我说了NLP和搜广推orz....，介绍了小红书算法实习项目，描述项目中遇到的困难及应对方法，实体识别与实体链接的区别、实现一个采样算法，nlp的特征提取方法、TF-IDF的原理和应用、bert和gpt+prompt的方式哪种做分类任务，会有更好效果？bert的优缺点和后续工作的改进；attention的计算复杂度。二面深挖项目，真的非常深，每一个点都追问，doc收集，怎么切分的？query分类，所有都走rag吗？召回排序、position emb计算方式、nlp分类任务优化流程、prompt怎么优化，非常爱追问，感觉面试官很在意有没有自己的思考，建议面试前把之前做过的项目好好梳理一下，祝顺利！！