推荐算法实习面经

请做一下基本信息自我介绍。

你 6 月份开始在快手实习，现在这个实习还在做吗？结束实习是因为要回学校，还是因为需求已经阶段性交付了？

你介绍研究方向是推荐算法和强化学习，但论文和实习里 AI/大模型相关较多；你目前是研二吗？学校不在北京，日常实习如何保证能长期不在实验室过来实习？实验室工作可以通过线上完成吗？

可以简单讲一讲你下一篇关于大模型多智能体协作（Multi-Agent Collaboration）的研究工作想法吗？

把任务分流给具体的 Agent 是一个常见场景（如 Codex、豆包等工具），目前常见的分流方式是怎样的？你的创新点相比于它们有什么优化点？

在你的多智能体协作 idea 实验设计中，对不同模型能力的评估需要给先验输入还是有客观评价标准？启发你的那篇论文把市面上模型的能力维度拆成了几种？

快手快聘项目中开发了一个对话助手，简历里写了很多技术名词和内部评估标准，请先介绍一下具体的业务应用场景是什么？是用户主动触发还是推荐推出来的？简历里写的几点哪些是针对 toC 做的，哪些是针对 toB（商家）做的？

在语音（ASR）清洗部分，20 万条样本里有“保留、删除、替换”操作，请以一条样本为例，具体讲一下它的标签是怎样设计的？20 万条样本是有人工标注的种子样本，还是完全调大模型洗出来的？

ASR 清洗的 Student 模型用的是 BiGRU，BiGRU 只输出“保留、删除、替换”吗？如果触发“替换”，替换成什么词是由哪个模型完成的？请举个具体例子。

为什么标签里只有“保留、删除、替换”，而没有“插入（Insert）”操作？如果语音识别漏掉了一些关键内容怎么办？

既然 ASR 清洗是轻量化操作且服务于下游 AC 自动机，如何评估清洗这部分操作单独带来的增量收益？

多标签意图识别中用到了 FastText、TextCNN 和 TinyBERT 三个模型，你是怎么处理这三个模型之间的关系的？

为什么 TinyBERT 在某 3 个标签类别上表现比较好，而在另外 2 个类别上不如前两个模型？这跟它本身的什么结构特征有关？

简历里写了很多耗时指标（如推理耗时 <10ms、综合延迟 <100ms、处理延迟降到 40~50ms），请整体梳理一下这条业务链路串联了哪些阶段？每个阶段的耗时分别是多少？AC 自动机和三个小模型的 8:2 流量分流是怎么做的？

既然已经有实时链路了，为什么异步链路还要用大模型工作流去打标构建用户画像？大模型提取这块具体是你负责的吗？是调闭源模型 API 还是开源模型 SFT？

简历中提到“协同 Java 侧使用 ONNX 降低推理延迟”，这指的是实时链路的哪一条路？是你做的吗？你对 Python 改 Java + ONNX 提升推理效率有什么理解？

在快手实习的两三个月里，哪一部分工作是占你精力最多的？

推荐系统进入深度学习阶段后，大家普遍用怎样的方式去做用户历史长序列（Long Sequence）的提取？随着序列越来越长（比如上千条甚至 2~5 年的历史行为），业界是怎么处理 Attention 时间复杂度过高的问题，快速从海量历史交互行为里提取到与当前 Target Item 相关的行为的？

**【算法题 1】力扣 221. 最大正方形（Maximal Square）**：在一个由 `'0'` 和 `'1'` 组成的二维矩阵内，找到只包含 `'1'` 的最大正方形，并返回其面积（ACM 模式，需自行处理输入输出）。

**【算法题 2】力扣原题和为k的子数组**：在给定序列/字符串上使用滑动窗口把 $O(n^2)$ 暴力解法优化至 $O(n)$。

你 6 月份开始在快手实习，现在这个实习还在做吗？结束实习是因为要回学校，还是因为需求已经阶段性交付了？

你介绍研究方向是推荐算法和强化学习，但论文和实习里 AI/大模型相关较多；你目前是研二吗？学校不在北京，日常实习如何保证能长期不在实验室过来实习？实验室工作可以通过线上完成吗？