1. 场景题：订单评论情感分析的系统全流程2. Langchain是否了解？工作机制3. 大模型中如何更高效，更快速的工作？4. 大模型的性能优化？5. Agent的快速响应？识别准确率？用户的上下文管理？准确率可以用思维链（CoT），响应速度需要和准确率去做trade-off提升响应速度：推理阶段：模型剪枝：权重剪枝、结构剪枝量化：将模型从高精度（如Float32）降低到低精度（int8），降低计算和内存要求训练阶段：知识蒸馏：使用大模型训练一个小模型，提升计算速度混合精度训练：在训练和推理阶段使用不同的精度部署阶段：分布式并行：在多台机器上并行处理。缓存：对常用的请求结果进行缓存6. 个人发展7. 业务场景IT、电商团队、联想的全球供应链、端到端的设计更新：二面完泡池子到12月，应该是无了

当你发现问题的时候，在汇报之前一定要赶紧去整理相关工作分工，整理相关的痕迹，讲的时候只要有理有据，不信他还能翻了天，然后还有一件事，就是在心里默默讨厌他

1. 为什么报这个岗位？2. 数字人常用的技术了解哪些？3. 音视频算法了解吗？4. 常见的网络通信协议，比如http，gRPC，Websocket了解吗？5. 流传输协议，比如RTSP，RTP，HLS？

算法工程师工作重心在于优化，而几乎所有的窘境都和优化有关。1. 别人觉得你啥也没干，算法人员很多时候不开发新产品，而是优化现有产品的性能。遇到人员优化的时候就倒霉了。2. 工作量、工时预期不准确，训练模型是个玄学，优化系统也没有一定可行的套路。算法人员的日常工作有点像走迷宫，难预测要走多少弯路。3. 同事不理解，项目经理不理解为啥要那么久、测试不理解为啥那么多bug（其实是同一个，由于大模型的输出不稳）4. 最可怕的就是工作不出成果，因为不可控因素多，经常要加班去补上由于做实验、看资料消耗的时间（实验的价值老板看不见，他们都是结果导向）