RateYourDJ|Agent 算法岗 Why 面试问答
用途:用于项目第一轮、第二轮面试,优先回答「为什么这样设计,而不是另一种方案」。答案尽量贴近自然口语,每题可以在 30~60 秒内回答。
证据范围:以本次提供的 RateYourDJ 简历截图及之前对话中你明确描述的项目机制为基础。没有给出实验结果的替代方案只说明设计取舍,不声称做过消融。简历中已有的数值原样保留;“为什么”属于合理的工程解释,不等于实验已经证明了因果关系。
目录
- 一、业务与整体架构(1—6)
- 二、ReAct、意图路由与证据约束(7—14)
- 三、曲库、RAG 与多路召回(15—23)
- 四、排序、长尾与离线评估(24—31)
- 五、SFT、LoRA 与数据构造(32—38)
- 六、GRPO、奖励与最终取舍(39—47)
- 七、项目开场介绍和高风险追问
一、业务与整体架构
1. 为什么做对话式音乐推荐 Agent,而不是传统推荐系统?
面试回答: 传统推荐系统更擅长利用历史行为做稳定的个性化推荐,但我的场景还需要理解用户这一轮的自然语言意图,比如“推荐冷门一点、风格和这首歌接近的音乐”,并在用户追问时解释依据。所以我采用对话式 Agent 接收和拆解请求,但底层仍然使用检索、排序等传统推荐能力,并不是用大模型替代整个推荐系统。
追问准备: 没有历史行为的冷启动用户,和有完整画像的老用户,系统分别依赖什么信号?
2. 为什么目标是兼顾口味与长尾发现,而不是只追求相关性?
面试回答: 只优化相关性,系统很容易持续推荐最熟悉、最热门的歌曲;只追求冷门度,则可能给用户很多不喜欢的歌。项目想解决的是两者的平衡:以相关性作为底线,再在候选和排序阶段给优质长尾歌曲更多机会,因此需要同时考虑相关性、冷门度、新颖度和多样性。
追问准备: 相关性下降多少可接受?是谁定义这个产品权衡的?
3. 为什么要明确要求“拒绝大模型编造歌曲”?
面试回答: 音乐推荐需要输出真实存在、能够找到的曲目。大模型直接生成歌名容易出现不存在的歌曲、错误的歌手归属或版本混淆。因此我把曲库和工具返回结果作为事实依据,Agent 只能在有来源的候选中选择,并给出可追溯理由,把语言生成和事实校验分开。
追问准备: “存在于曲库”和“平台目前可播放”是两回事,如何区分?
4. 为什么整个系统不是单纯的 Prompt + LLM?
面试回答: Prompt 可以规范输出风格,但它不能保证歌曲存在,也无法稳定控制长尾曝光。我的系统把候选召回、热度分档、多目标排序、程序校验和对话决策拆开:事实由检索和工具提供,目标权衡由排序完成,模型负责理解意图和解释,这比单纯让模型生成十首歌更可控。
追问准备: 纯 LLM 推荐作为 baseline,实际测过多少首不存在的歌?若没测过,不要报数。
5. 为什么采用“意图路由 + 选歌 Agent”的分工,而不是一个 Agent 包办?
面试回答: 这两类任务的约束不同:对话层要判断当前用户是在要新推荐、追问理由还是查询曲库;选歌层要在已经检索到的候选集合中完成选择,并受到程序校验。分开后,对话层可以灵活决定下一步动作,选歌层的候选范围和输出更受控,避免把对话规划和事实选歌混成一个不可验证的生成过程。
追问准备: 分层会增加多少调用开销?发生意图误路由怎么办?
6. 为什么不是一个固定的端到端 Workflow?
面试回答: 一次固定的“召回—排序—输出”适合单轮推荐,但真实对话里用户可能追问某首歌、要求换一批,或只是查询曲库,并不总需要重跑推荐。对话层使用 Agent 动态选择动作更合适;在动作内部,召回、排序和校验依然可以使用固定程序流程。换句话说,我保留了交互层灵活性和推荐核心链路的确定性。
追问准备: 哪些状态必须跨轮保存?哪些必须每轮重新检索?
二、ReAct、意图路由与证据约束
7. 为什么对话层使用 ReAct?
面试回答: 因为用户需求会随对话变化,模型需要根据当前问题决定是否调用推荐、查询或追问相关工具,再根据工具返回的观察结果决定如何回应。ReAct 的优势是把“判断—行动—观察”结合起来,适合这种短步、多工具的交互,不必为每种用户说法写死一条路径。
追问准备: ReAct 中 Thought、Action、Observation 在项目里分别承载什么?
8. 为什么不用 Plan-and-Execute?
面试回答: 这个场景通常不是一条很长、能事先规划完整步骤的任务,而是每一轮根据用户表达选择有限的几个动作。很多下一步信息要等曲库查询或候选结果返回后才知道,所以边执行边观察比先生成一整套长计划更自然。但遇到跨多轮的复杂推荐任务,提前规划也可能有价值。
追问准备: 什么场景下你会改用计划式 Agent?
9. 为什么不用 Reflection 作为主要范式?
面试回答: 自我反思可以帮助检查推荐理由是否通顺,但不能代替真实检索:如果一首歌不存在,模型反思几遍也不能可靠证明它存在。我的主要问题是动态调用工具并用结果 grounding,因此 ReAct 更直接;必要时再做程序校验或有限的重新选择。
追问准备: Reflection 能用于哪一层?与程序校验相比各有什么局限?
10. 为什么要做意图路由,而不是每一轮都重新推荐?
面试回答: 因为用户说“为什么推荐这首”是在要求解释已有结果,说“换一批更冷门的”才需要新一轮推荐;还有可能只是查一首歌曲的信息。如果每轮都跑推荐,既浪费计算,也容易丢掉对话上下文。意图路由可以让系统针对当前目的选择动作。
追问准备: 一句话同时包含“换一批”和“解释上一首”,怎么处理多意图?
11. 为什么回答必须依赖工具返回的理由和证据?
面试回答: 音乐推荐的“理由”不能只靠模型联想,例如风格、曲目身份、相似性信号必须有来源支撑。我限制回答依赖工具返回的候选和证据,目的是减少幻觉,让用户可以追溯这首歌为什么进入候选。需要承认:证据可追溯不等于推荐一定符合用户口味,后者还要靠评估。
追问准备: 当证据不足以支持某个形容词时,是删去描述还是拒答?
12. 为什么选歌层只能从候选集中选歌?
面试回答: 这是对事实边界的硬约束。模型可以基于用户偏好选择哪些候选更合适,但不能超出检索范围随意补歌,否则候选来源、排名和曲目真实性都无法保证。选歌层出错时,程序会返回明确的修改要求,而不是直接把未经校验的输出给用户。
追问准备: 候选不足十首时,为什么不让模型“补齐”?
13. 为什么程序校验比只靠模型遵守 Prompt 更重要?
面试回答: Prompt 是软约束,模型即使知道规则也可能输出候选集外的歌、错误数量或错误标识。程序校验能确定地检查可验证的规则,并把具体失败原因返回给模型重试。简历中的一次通过校验率从 92% 提升到 100%,反映的是格式和约束遵循改善,不能直接等同于用户喜欢程度提高。
追问准备: 哪些检查是确定性规则,哪些需要模型判定?
14. 为什么选歌失败时退回确定性排序?
面试回答: 推荐系统必须有稳定的最低可用输出。若 Agent 多次生成都不符合候选约束,继续采样可能增加延迟还不保证成功。使用已验证的确定性排序作为兜底,至少能输出真实候选并满足规则;代价是失去一部分语言模型的灵活决策能力。
追问准备: 兜底结果如何告知对话层,避免对失败状态编造解释?
三、曲库、RAG 与多路召回
15. 为什么自建 1.4 万首曲库?
面试回答: Agent 要想可靠推荐,首先要有一个可检索、可验证的候选集合。自建曲库可以统一曲目身份、元信息、热度和检索索引,也便于离线评估与实验复现。1.4 万首是项目使用的数据规模,不代表覆盖了全网音乐,因此系统的推荐范围也受曲库覆盖率限制。
追问准备: 1.4 万首的采样机制会不会让热门与长尾分布失真?
16. 为什么使用 MusicBrainz / ListenBrainz,而不是直接让 LLM 提名歌曲?
面试回答: 这类数据源可以提供更明确的曲目身份和收听相关信号,让检索有事实基础。LLM 对冷门歌名的记忆不可靠,直接生成也难以做去重和热度分档。因此由数据源建立候选池、模型只在候选池中做理解和选择,更适合可验证的推荐。
追问准备: 两种数据源的字段覆盖和偏差是什么?
17. 为什么要从约 4,000 万条收听记录估计热度?
面试回答: 如果要控制长尾曝光,就需要一个可操作的热度定义,而不能只凭模型觉得某首歌“冷门”。听歌记录能提供行为统计信号,用来做热门、中等、长尾分档。但我会把它表述为基于采样记录的热度估计,而不是完整、无偏的全网真实热度。
追问准备: 冷门歌没有足够收听数据,零记录和真正冷门如何区分?
18. 为什么把歌曲分成热门、中等、长尾三档,而不是只用连续热度分?
面试回答: 连续热度有利于细粒度排序,但三档更容易把产品目标转化为可解释的配额和曝光约束,尤其适合“给用户多推荐一些长尾歌”的需求。分档是一个工程上的可控抽象,不意味着三档天然优于其他划分;分档阈值需要结合数据分布判断。
追问准备: 热度阈值是什么?跨平台热度能否直接比较?
19. 为什么使用 RAG,而不是只做关键词搜索?
面试回答: 用户的请求往往不是精确歌名,而是风格、氛围、相似艺人或模糊描述。关键词检索适合精确匹配,但对语义表达变化比较敏感。因此我把向量检索和标签、规则等召回方式结合,既处理明确的歌曲实体,也处理自然语言偏好。
追问准备: 纯关键词、纯向量和混合检索是否做过统一比较?没有就不报结果。
20. 为什么采用长尾、探索、语义、规则四路召回?
面试回答: 因为单一路径很容易只覆盖某一种候选:语义召回擅长匹配口味,但容易集中在已有的相似音乐;长尾和探索路径给非热门候选进入排序的机会;规则路径处理明确约束。四路召回不是为了堆复杂度,而是让“相关性”和“发现新歌”能在候选阶段共同得到支持。
追问准备: 四路结果如何合并、去重、控制配额?各路新增有效候选是多少?
21. 为什么使用 bge-m3 做向量召回?
面试回答: 需要将歌曲的元信息与用户的自然语言偏好映射到可比较的表示空间,支持语义候选检索。bge-m3 是一个多语言文本表示模型,适合在文本和标签层面做语义相似检索。但向量相关性只是候选召回信号,不能单独代表音乐声学相似性或最终偏好。
追问准备: 你实际输入 embedding 的文本字段是什么?歌曲有无音频特征?
22. 为什么使用“向量 + 标签”的混合检索?
面试回答: 向量相似度可以覆盖自然语言中的同义描述,但有时会忽略精确标签和硬约束;标签匹配更可解释,但容易错过语义相近的描述。两者结合,能够把模糊偏好和明确属性同时用于候选召回。不过权重需要避免重复计分同一信号。
追问准备: 向量分数和标签分数如何归一化?
23. 为什么要设置召回名额,而不是将所有候选交给模型?
面试回答: 候选过多不仅增加排序和 LLM 处理成本,也会让热门结果吞掉所有位置,长尾音乐在候选阶段就失去机会。设定每路名额可以控制候选组成、延迟和探索强度。但名额过死会损伤相关性,所以它必须配合后续排序和离线指标检验。
追问准备: 名额如何随用户请求的“更冷门/更熟悉”动态调整?
四、排序、长尾与离线评估
24. 为什么召回之后还需要排序?
面试回答: 召回解决的是“有哪些可能适合的歌”,不是“最终该先推荐哪首”。不同来源的候选在相关性、热度、新颖度和重复性上可能相差很大,因此还需要统一排序阶段权衡这些目标。否则四路候选只是简单拼接,用户看到的结果质量难以控制。
追问准备: 候选集合与最终展示列表各有多少首?
25. 为什么采用多目标排序,而不是只按语义相似度排序?
面试回答: 只按相似度排序可能反复推荐高度相似、热门的歌曲,与长尾发现目标冲突。我将相关性作为主要约束,同时考虑冷门度、新颖度和多样性,让最终列表既符合口味又有探索价值。多目标排序的关键不是指标越多越好,而是明确各项之间的取舍。
追问准备: 四项目标分别怎么算?是否存在高度相关的重复指标?
26. 为什么需要 MMR 多样性?
面试回答: 如果只给每首歌单独打分,榜单前几名可能都是同一个艺人或非常相似的歌曲。MMR 在挑选下一首时同时考虑它与用户需求的相关性、以及它与已选歌曲的重复程度,减少榜单内部的同质化。它优化的是列表层面的多样性,而不是单曲相关性。
追问准备: MMR 的平衡系数如何选,过高会造成什么问题?
27. 为什么长尾名额随探索强度调整?
面试回答: 不同用户、不同轮次对探索的接受度不一样。“推荐熟悉点的”与“来点没人听过的”不应该使用同样的长尾比例。根据探索意图动态分配名额,可以把用户语言映射成推荐策略,同时通过相关性约束避免长尾配额把结果质量拉低。
追问准备: 探索强度如何从用户输入中估计?极端请求如何裁剪?
28. 为什么需要固定长尾混排作为对照?
面试回答: 固定混排是一个简单、稳定、可复现的 baseline,能够帮助判断复杂 Agent 选歌或训练策略是否真正带来额外收益。简历中固定长尾混排在维持 98.7% 相关性的同时,让长尾曝光提升 103%;这说明规则策略本身就很有竞争力,不能因为用了模型就默认更优。
追问准备: 98.7% 是相对哪个基线?“长尾曝光 +103%”的分母与口径是什么?
29. 为什么不能只看 Recall?
面试回答: Recall 衡量目标歌曲是否进入候选,但不反映榜单是否全是热门歌、是否重复、是否存在幻觉。项目关注的目标至少包括相关性和长尾发现,所以需要同时看召回、长尾曝光、多样性和幻觉率。单独提高 Recall,可能掩盖其他体验指标下降。
追问准备: Recall 的 ground truth 怎么定义?按歌曲、艺人还是相关集合计算?
30. 为什么要单独统计长尾曝光?
面试回答: 因为长尾发现是产品目标,单靠总体相关性看不到流量是否仍被热门歌曲占据。长尾曝光直接反映最终展示列表中长尾歌曲得到多少位置,能评估探索策略有没有实际改变推荐组成。不过曝光高不等于用户喜欢,还要结合相关性或真实反馈判断。
追问准备: 长尾曝光如何消除曲库热门/长尾基数比例的影响?
31. 为什么离线评估还要看幻觉率和多样性?
面试回答: 幻觉率检查推荐内容是否真实可验证,是系统可靠性的底线;多样性检查推荐列表是否过于同质化,是发现新歌体验的重要组成部分。这两项不能被相关性替代。特别是曲目真实性应优先通过程序和数据源确认,而不是只依靠 LLM 主观评审。
追问准备: 候选集外推荐率为 0 与“幻觉率为 0”是否完全等价?不是。
五、SFT、LoRA 与数据构造
32. 为什么要对对话式 Agent 做 SFT,而不是只依赖 Prompt?
面试回答: Prompt 能告诉模型规则,但在多轮工具调用和结构化输出中,模型可能反复违反同类约束。SFT 让模型通过大量合格轨迹学习何时调用工具、如何遵守候选范围、如何按要求输出,从而减少提示词反复纠错。它主要优化任务行为的一致性,而不是凭空提高底层曲库质量。
追问准备: 有哪些错误是 SFT 前反复发生、SFT 后减少的?
33. 为什么使用约 8,000 条 Agent 轨迹作为训练数据?
面试回答: 因为训练目标是 Agent 在真实交互中的动作和输出,不只是单条问答,所以带有工具选择、观察结果和改错过程的轨迹更贴合任务。8,000 条是简历记录的训练数据规模;是否足够,需要看覆盖了多少意图、错误类型和困难场景,而不是认为数量本身可以保证效果。
追问准备: 轨迹的采样、去重、训练验证划分如何避免泄漏?
34. 为什么训练数据要包含“改错示范”?
面试回答: 实际运行中模型第一次输出不一定合法,如果训练集只有一次成功的完美结果,模型难以学习收到程序错误反馈后怎样修改。加入改错轨迹,可以让它学习错误消息与正确修正动作之间的对应关系,从而提高一次通过率或减少反复重试。
追问准备: 模型是否会学到故意先犯错再改?怎样平衡正例和纠错例?
35. 为什么使用 Qwen3-4B,而不是直接调用更强 API?
面试回答: 项目希望在小模型上验证工具遵循和结构化行为能否通过任务数据改善。4B 成本更低,也适合做 LoRA 训练;强 API 可作为教师或效果参考,但如果完全由 API 执行,就很难观察这类小模型定向训练的收益。不能把这一选型说成 4B 对所有任务都最好。
追问准备: 4B 的质量—延迟—成本和更大模型实际对比过吗?
36. 为什么使用 LoRA,而不是全参数微调?
面试回答: 训练重点是使模型遵守音乐推荐 Agent 的工具调用和输出约束,不需要全面重塑模型的基础语言能力。LoRA 只训练少量低秩增量参数,显著降低训练显存和优化器开销,更适合这样的任务适配;代价是可调能力受配置限制。
追问准备: LoRA rank、alpha、target modules、量化方式是什么?需要据代码回答。
37. 为什么把“一次通过校验率”作为 SFT 的指标?
面试回答: 因为选歌 Agent 的直接失败模式是违反程序约束,如输出候选外歌曲或结构不合法。一次通过率能反映模型是否学会遵守规则,也与重试次数、推理成本有关。简历中这个指标从 92% 升到 100%,推理步数减半;但它不能代替相关性、长尾曝光等推荐质量指标。
追问准备: 100% 基于多少条测试输入?是否和训练模板重合?
38. 为什么 SFT 成功后还要尝试 GRPO?
面试回答: SFT 主要让模型模仿高质量示范,改善格式和动作遵循;但在多个合法候选之间如何更好地选择歌曲,仍有进一步优化空间。所以我尝试用 GRPO 根据程序化奖励引导选歌偏好。不过实验表明奖励增长不必然对应真实指标增长,因此最后没有直接用 GRPO 策略上线。
追问准备: SFT 和 GRPO 分别优化的是哪些行为?GRPO 的可验证奖励有哪些?
六、GRPO、奖励与最终取舍
39. 为什么尝试 GRPO,而不是继续增加 SFT 数据?
面试回答: SFT 学的是示范行为,而多目标推荐可能没有唯一正确的歌曲列表。GRPO 可以对同一请求采样不同推荐结果,并用可计算奖励比较它们,在已有合法输出基础上优化选择倾向。前提是奖励与真实业务指标一致;这个前提在项目里恰恰暴露出了问题。
追问准备: 如果奖励定义有偏,多采样是否只会更快优化错误目标?
40. 为什么用 GRPO 而不是 PPO?
面试回答: PPO 通常需要额外的价值估计来计算优势;GRPO 使用同一输入下候选结果的组内相对奖励构造优势,通常可以省去单独训练 Critic,适合能为多个候选列表打分的场景。不过它会增加组内采样成本,也不是天然更稳定、更省资源。
追问准备: 组内奖励相同、优势接近零时会怎样?
41. 为什么使用程序化奖励?
面试回答: 曲目是否在候选集、数量和规则是否满足、某些排序指标等内容是可计算的,用程序打分比完全依赖一个主观奖励模型更可重复、成本也更清楚。但程序奖励只能代表写进规则的目标,不能自动覆盖真实音乐品味和用户满意度。
追问准备: 哪些奖励维度能被精确计算,哪些只是代理指标?
42. 为什么不能只优化代理奖励?
面试回答: 模型会学习最大化训练奖励,但奖励函数可能遗漏推荐体验中的重要因素。例如它可能找到某种满足程序分数的方法,却让用户真正关心的相关性或长尾体验下降。因此奖励只是优化信号,必须用与训练奖励无关的指标做独立验证。
追问准备: 你的独立评估为什么必须与奖励函数解耦?
43. 为什么要用与奖励无关的共听数据做独立评估?
面试回答: 如果评估分数和训练奖励来自同一规则,模型即使只学会利用规则漏洞,也会被误判为改善。因此我用独立共听数据观察推荐是否符合外部关联信号,检查模型有没有只把代理奖励做高。它仍是离线代理评估,不等于真实线上用户满意度。
追问准备: 共听数据怎样构造正负样本?如何避免热门度偏置?
44. 为什么会出现 GRPO 奖励持续上涨,但真实指标回落?
面试回答: 这属于典型的奖励与真实目标不完全一致的问题,也可能体现奖励投机。模型不断适应程序化评分规则,所以训练奖励上涨,但独立指标并没有同步改善。简历中的观察是第 100 步后真实指标回落,因此不能只看训练曲线认定模型变好,需要保留独立评估和早停标准。
追问准备: 有没有证据明确说明是哪一项奖励导致了回落?如果没有,只能说“可能”,不能强行归因。
45. 为什么最终选 SFT + 规则混排,而不是 GRPO 最后一个 checkpoint?
面试回答: 因为上线选型应该由真实目标和独立评估决定,而不是由训练奖励高低决定。SFT 已改善了候选约束遵循;固定规则混排又能稳定控制相关性和长尾比例。GRPO 在第 100 步后出现独立指标回落,所以项目最终选择更可控的 SFT + 规则混排,而不是盲目采用奖励最高的 checkpoint。
追问准备: 为什么不是直接选第 100 步前的最佳 checkpoint?请说明是否比较过以及结果。
46. 为什么不直接放弃所有强化学习尝试?
面试回答: 这次 GRPO 结果说明当前奖励设计与业务目标的对齐还不足,并不代表强化学习在推荐任务里一定无效。它的价值在于发现可验证奖励与真实目标之间的差距。如果后续能改进奖励、训练数据和独立评估,仍有继续实验的空间;但在现有证据下,选择稳定的 SFT + 规则更合理。
追问准备: 如果再做一轮实验,你会优先改奖励、采样还是训练策略?为什么?
47. 这个项目最大的技术取舍和经验是什么?
面试回答: 最大的收获是把“模型能做什么”和“系统必须保证什么”分开:自然语言理解和交互适合 Agent,歌曲身份和规则合法性必须由检索与程序校验保证;长尾发现需要在候选和排序阶段明确建模;训练时还必须使用独立指标防止奖励投机。因此我最终选择了更可控、被当前实验支持的方案,而不是单纯追求更复杂的模型训练链路。
追问准备: 如果现在重做项目,你最先简化哪个模块?
七、项目开场介绍(约 60 秒)
我做的是一个面向长尾音乐发现的对话式推荐 Agent,目标是既符合用户的音乐口味,又能让冷门但相关的歌曲得到更多曝光,同时避免大模型编造不存在的歌曲。
首先,因为用户的请求会在推荐、查询和追问之间切换,所以我用了对话式 ReAct Agent 做意图路由,但把实际选歌限制在可验证的候选集合内。其次,因为只靠语义相似度容易推荐热门和同质化歌曲,我基于曲库做多路召回,再结合相关性、冷门度、新颖度和 MMR 多样性进行排序。最后,因为模型容易违反工具和候选约束,我用包含纠错示范的轨迹对 Qwen3-4B 做了 LoRA SFT。随后尝试用 GRPO 优化选歌,但发现训练奖励继续上涨时独立指标反而回落,因此最终选用了更稳健的 SFT + 规则混排。
整个项目的重点是把自然语言交互、可验证检索和多目标推荐结合起来,并用独立评估约束模型训练方向。
八、必须核对的项目事实(面试前)
以下是简历已有表述,不是本文额外推测的实验:
| 位置 | 简历所述指标或机制 |
|---|---|
| 曲库与热度 | MusicBrainz / ListenBrainz,1.4 万首曲库,约 4,000 万条收听记录抽样估计热度 |
| RAG | bge-m3 + 标签混合检索;长尾、探索、语义、规则四路召回;相关长尾候选提升 2.5 倍 |
| 排序 | 相关性、冷门度、新颖度和 MMR;固定长尾混排在保持 98.7% 相关性时,长尾曝光提升 103% |
| 选歌约束 | 候选集内选歌、程序校验、失败退回确定性排序;候选集外推荐率 0 |
| SFT | 约 8,000 条 Agent 轨迹(含改错示范),Qwen3-4B LoRA SFT,一次校验通过率 92%→100%,推理步数减半 |
| GRPO | 程序化奖励;使用独立共听数据评估;训练奖励持续上升而独立指标第 100 步后回落;最终选用 SFT + 规则混排 |
不要临时编造的内容:各路召回的精确名额与权重、MMR 参数、热度分档阈值、GRPO 每项奖励公式与权重、GRPO 最佳 checkpoint 的具体独立指标、LoRA 的 rank/alpha、测试集大小、线上 A/B 结果。这些必须以实际代码或实验日志为准。
九、建议的复习顺序
第一轮先背 1、3、5、6、7、10、12、13、19、20、24、25、26、28、32、34、38、42、44、45,这些最直接解释简历中的关键设计。第二轮再过剩余题,最后围绕第 44~45 题准备数据、训练曲线与反例,防止 GRPO 相关的深挖。