与「三十槌の氷柱』へ🧊」相关的搜索结果

【#めざまし8】ありがとうございました🌅# 今日の【#得するウォッチング】は、冬の絶景をドローンでお届け❄️# 埼玉県にある『#秩父三代氷柱』を取材🏃💨# はとバスツアーの密着では 天然・人工どちらのつららも楽しむことができる 『#三十槌の氷柱』へ🧊# 自然が織りなす芸術は息をのむ美しさでした✨

吴恩达刚发了今年最狠的一堂Agent课，两小时，从单代理一路讲到完全自动化，硬核到足以把你今年收藏的所有AI Agent教程全淘汰了！ 整门课刚好两个小时，五个时间节点卡得特别清楚，九分钟带你搭出第一个能干活的代理，三十三分钟讲循环工程怎么让代理自己纠错迭代，一小时零两分正式开讲图工程，一个半小时讲能自我重写的代理，最后四十分钟直接放完整的可运行图系统。 很多人学Agent最大的误区，就是把能跑通一个对话循环当成了终点，实际上单代理再聪明，也扛不住长任务里的上下文丢失，状态混乱和失败不可追溯，图工程干的事，就是把决策和控制流从模型的黑盒里拉出来，变成可检查可复用可并行的固定拓扑，模型只负责节点里的判断，路径由人提前设计好。 这也是为什么同样的模型，同样的token，用单代理跑和用完整图系统跑，一周下来的完成度能差出好几倍，前者还在反复重试同一个失败步骤，后者已经把多个分支并行跑完，自动汇总成最终结果了。 想真正搞懂Agent自动化的兄弟，这门课真的值得抽两个小时完整刷一遍，别再停留在单代理的玩具阶段了。

这个开源项目系统整理了 35 家 AI 公司的 AI 工程师面试题，全部来自 “公开报告的面试经历” 来自 @outcome_school 团队 @pallavishekhar_ 开源发布，内容几乎涵盖了 OpenAI、Anthropic、DeepMind、xAI、DeepSeek、Kimi、GLM 等 AI Labs，Cursor、Cognition、ElevenLabs 等 AI Native 团队和 Nvidia、Microsoft、Amazon、Apple 等头部大厂。 覆盖的岗位头衔也非常多：AI Engineer、LLM Engineer、Gen AI Engineer、ML Engineer、Research Engineer、Applied Scientist、FDE、MLOps/LLMOps 工程师等。 开源地址： # 内容架构：一个精心设计的双层结构 第一层：跨公司通用题（Common Questions）。 作者把在多家公司反复出现的题目只列一次，标注"Asked at"哪些公司，按十大主题组织： 1. LLM 内部机制与架构 — attention 缩放因子、KV cache 内存公式推导、MQA/GQA/MLA、FlashAttention、BPE、RoPE/YaRN、Chinchilla scaling laws、MoE、解码采样策略、lost-in-the-middle、RMSNorm、SwiGLU 2. 推理、服务与 GPU 性能 — prefill vs decode、continuous batching、PagedAttention、投机解码、量化（FP16→FP4）、五种并行策略、TTFT/TPOT 指标、H100 上的 roofline 计算、vLLM/SGLang/TensorRT-LLM 选型、“如何把服务成本降 10 倍” 3. RAG 与检索 — 分块策略、BM25 vs 稠密检索、重排序器、HyDE、权限感知检索、ANN 索引、索引新鲜度、答案归因 4. Agent 与工具调用 — ReAct、MCP、工具 schema 设计、多智能体编排、Agent 记忆、循环终止条件、人类审批 5. 微调与对齐 — RLHF/DPO/GRPO/RLVR 全谱系、LoRA/QLoRA 数学、灾难性遗忘、“提示 vs RAG vs 微调”决策框架、蒸馏、reward hacking 6. 评估与可观测性 — LLM-as-judge 及其偏差、幻觉检测、基准污染、Agent 评估、回归门禁 7. 安全与负责任 AI — 提示注入（直接/间接）、OWASP LLM Top 10、护栏、Constitutional AI、红队 8. 多模态与语音 — VLM、语音 Agent 延迟预算、barge-in 打断处理、级联 vs 端到端语音、ASR/TTS 评估 9. AI 系统设计 — 十类高频设计题（千万级文档企业 RAG、代码助手、客服 Agent、Text-to-SQL、LLM 网关、数亿用户聊天服务等） 10. 编码题 — 从零实现 attention、KV cache、BPE、采样；LRU 缓存、令牌桶限流器、异步批处理器、SSE 流解析器、最小 Agent 循环 第二层：35 家公司的专属章节，分为五大梯队： 1. 前沿实验室（12 家）：Anthropic、OpenAI、Google DeepMind、Meta、xAI、Mistral、Cohere、DeepSeek、月之暗面（Kimi）、智谱（GLM）、阿里（Qwen）、Sarvam AI（印度） 2. 大厂 AI 组织：Microsoft、Amazon、Apple、NVIDIA、Tesla，以及一组消费级 ML 公司（Uber/Netflix/LinkedIn/Airbnb/Pinterest/Spotify） 3. AI 基础设施公司：Databricks、Groq、Together AI、Hugging Face、Scale AI、Perplexity 4. AI 原生产品公司：Cursor、Cognition（Devin）、Sierra、Harvey（法律）、Glean、 AI（机器人）、Waymo 5. 前向部署/企业 AI：Palantir # 题目分布透露的行业信号同样值得关注 1. 公司的差异化考察方向，和它的商业模式严丝合缝。 这是最能体现整理功力的地方： · DeepSeek、月之暗面、智谱、Qwen 的题目深度绑定自家论文——MLA、auxiliary-loss-free 负载均衡、Multi-Token Prediction、MuonClip、DualPipe、长上下文扩展、GLM 的 thinking 模式。面试这些公司等于面试它们的论文，还要求 PyTorch 从零实现 MoE 路由。 · Groq 的题全是 SRAM-only 架构下的 roofline 重推演：“没有 HBM，decode 的 roofline 论证哪里变了”、“确定性在 p99 层面到底买到什么”。 · Apple 清一色端侧：3B 模型在手机上跑、PTQ vs QAT、不采集用户内容的前提下用设备信号改进模型、30+ 语言区无法记录用户内容的评估方案。 · CharacterAI 是推理经济学：“我们的服务成本被 KV cache 而非权重主导，降一个数量级，代价是什么”。 · Harvey（法律）和 Abridge（医疗） 考的是领域约束下的工程：200 页信贷协议里第 140 页的条款依赖第 8 页的定义术语怎么检索、生成的病历中出现了患者没提过的药怎么当作安全事故处理、PHI 如何约束整个架构。 · Palantir 的招牌是 "decomposition" 轮：把“一家货运铁路公司每年因机车非计划停机损失数千万”分解成工程计划。 2. 编码轮的形态正在发生实质性变化。 文档里反复出现的一类题，与传统 LeetCode 明显不同： · “实现一个内存 KV 存储：先 SET/GET/DELETE，再加事务 BEGIN/COMMIT/ROLLBACK，包括嵌套事务”（OpenAI、xAI 都问） · “给你一个 LLM 推理引擎的调度器类，其中一个方法是空壳，没有规格没有文档。说说你头三十分钟干什么”（xAI） “重构这 120 行能跑但很乱的代码，不许破坏测试”（OpenAI） · “对 5 万个文档跑 LLM 调用，API 限 100 并发、偶发 429 和超时，把 Python 写出来”（Anthropic） 考察重心从算法记忆转向增量需求下的代码演进能力、并发正确性、真实工程约束下的取舍。 3. “AI 协作轮”作为新题型已经进入正式面试流程。 这是文档里最前沿的信号： · Anthropic 部分机器学习岗有 AI-collaboration 轮：现场给你 Claude，考察的是你如何指挥它和验证它的产出，而不是你自己写。 · Meta 2026 年的流程新增三阶段 AI 辅助编码轮（探索修复 → 实现新功能 → 扩展改进）。 · Cursor 的 onsite 是两天在真实 Cursor 代码库上做一个功能（或 8 小时远程版），明确考核你对 AI 工具的使用效率和自主 scoping 能力。 · Sierra 给你两小时和任意 AI 工具，看你选择做什么。 xAI 有四小时限时产品构建。 4. FDE 成为一级岗位类别。 Anthropic、OpenAI、Databricks、Scale、Together、Sierra、Harvey、ElevenLabs、Palantir 的章节里都有 "Applied and Forward-Deployed Scenarios" 专属题库——典型题目如“企业客户说 Claude 幻觉太多，你是驻场工程师，头 48 小时做什么”。这对应了 AI 公司向企业交付方式的转变：模型能力差距收窄后，落地能力成为差异化。 5. 硬核系统题的普及。 "H100 上 70B 模型 batch size 1 的 roofline 计算"、"估算 70B 模型的 GPU 显存（权重 + KV cache + 激活 + 碎片）"、"p99 延迟在部署后翻倍但模型没变，走一遍诊断”——这类题横跨 NVIDIA、Together、OpenAI、Perplexity 等多家，说明推理性能的量化直觉已成为 AI 工程师的通用素养，而非基础设施工程师的专属。

乌克兰最近把一架相对完好迫降的俄军最新型“天竺葵-4”（Geran-4）无人机，当场大卸八块。 拆完之后，桌上摆着的零件，呈现出一个既荒谬又无比现实的真相： 整架号称打得乌克兰防空防不胜防的喷气大杀器，除了最外面的机壳和总装螺丝是俄罗斯自己拧的， 里面所有的关键器官，几乎全是从外面运进来的。 先看动力。 过去老款天竺葵-2用的是活塞螺旋桨，飞起来像拖拉机一样嗡嗡响，时速不到两百公里，乌克兰机动防空队开着皮卡架挺机枪就能拦截。 但这次拆开天竺葵-4，机腹里塞的是一台微型涡喷发动机。 飞行高度直接从四千米拔到了八千米，是老款的两倍； 巡航时速干到了四百五十到五百公里，甚至还能更快。 这玩意儿已经能从克里米亚起飞，一口气狂奔七百多公里，直接扎进乌克兰西北部的卢茨克。 谁造的？ 拆开一看，中国产的微型涡喷。有些虽然标着俄罗斯组装，核心组件也全是中国货。 再看眼睛。 头部装了一套光电转塔，白昼、夜视、红外三合一。 十倍光学变焦，加三十二倍数码变焦。 八千米的高空往下看，地面车辆的轮廓一清二楚。 它根本不需要前线侦察兵冒死指引。操纵员哪怕坐在几百公里外的布良斯克、奥廖尔或者克里米亚的后方工位上，只要链路连着，就能像玩模拟器一样实时遥控它扑向目标。 那实时信号怎么传？ 专家从机身里抠出了两个普通的 GSM 模块，上面插着民用电话卡。 更离奇的是，现场技术人员在这些残骸里，不仅翻出了俄罗斯和白俄罗斯的 SIM 卡，甚至还找到了乌克兰本土运营商、以及欧盟国家的流量卡。 无人机只要一过境，直接蹭乌克兰本地民用基站的网络，把自己的实时位置往回传。 万一飞进没有手机信号的荒郊野岭呢？ 它还有备手。 拆解人员从里面掏出了一块来自中国的自组网 Mesh 调制解调器，通信半径三百公里。 几架天竺葵在空中编队飞，彼此之间能自动互相当中继，你传给我、我传给后方，直接在天上搭出一套无中心的移动局域网，几百公里外的视频画面照样掐不断。 最后拆到最值钱的机载电脑飞控板。 刮开主板上的涂层，芯片上的丝印虽然被磨去了一半，但剩下的英文字母依然清晰可辨： Texas Instruments——美国德州仪器。 现场专家给了一句很冷酷的总结： “这架飞机上真正属于俄罗斯制造的，就只有复合材料的机身外壳，以及最后的总装车间。” 这些零件最后运到鞑靼斯坦的阿拉布加（Alabuga）特区，工人们把壳子一合、螺丝一拧，就成了前线每天夜里呼啸而过的精确打击武器。 而根据乌克兰军情局的评估，像阿拉布加这样的工厂，现在每个月能量产大概三千架天竺葵-4和天竺葵-5。 打了四年多，制裁令签了一叠又一叠，结果最前沿的致命武器内部，流淌的依然是全球供应链的血液： 动力与通信来自成熟民用货架，核心控制芯片来自美国转道走私，连定位回传都在蹭对手基站的 SIM 卡。 这才是现代战争里最棘手的现实： 威权体制根本不需要在温室里从头研发一套自给自足的军工帝国。 只要民用消费级工业品在全球随处可买，只要洗钱通道和转口贸易依然处处漏风， 他们就能用极低的成本，把全世界的民用技术拼装成工业级的杀人工厂。 如果外部世界的制裁只盯着军品清单打补丁，却堵不住庞大的双用途灰色管涌， 这种廉价而致命的涡喷蜂群，在流水线上就很难真正停下来。

BC保守党和OneBC都是不列颠哥伦比亚省的右翼党，不是联邦保守党。 2024年省选，保守党拿下44席，成了官方反对党。 后来党内裂了：有人嫌不够右，2025年另立OneBC。 相同的地方很清楚：都反NDP，都要减税、放开资源、骂监管和医疗排队。 反建制这层，两边重叠。 区别在打法。保守党要赢全省，得装进中间选民，所以文化议题会收一收，做成能执政的大帐篷。 OneBC觉得帐篷已经不保守了，把移民、原住民“和解产业”、学校性别课程、禁止教师罢工推到最前面，自称才是当初那套真保守。 体量也完全不是一级：保守党三十多席，OneBC现在两席，民调通常只有几个点。 所以别把它们当成同一个党的两个名字。一个想取而代之，一个想纯化路线。右翼票一拆，渔翁往往是NDP。

我终于明白为什么LeCun顶着全网群嘲也要死磕世界模型了， 现在很多人误以为大模型快要通向AGI了，纯粹是因为被那种博导般的答题体感给骗了， @ylecun 说单靠把大语言模型做大，哪怕到了地狱也搞不出人类水平智能， 甚至直接开喷数据中心养出天才军团纯属扯淡，很多人觉得他迂腐、天天唱衰， 但我仔细翻完他在ECCV上的最新拆解才彻底明白，他反对的从来不是语言模型有用，他自己做了一辈子模型太清楚了，大模型说白了就是把全人类写过的几千亿字当成了超级开卷题库， 你问什么它都能对号入座吐出来，这种博导体感是工程的巨大成功，但也让很多人误以为它真的学会了独立思考 
有意思的是LeCun搬出了皮亚杰那句老话，智能从来不看你知道什么、看的是你不知道的时候该怎么做，拿学开车来说， 人类小孩四岁光靠眼睛看世界就吸进几十万亿字节，二十小时练习就能上路，而我们的大模型相当于读了人类四十万年的书， 在物理世界里连个洗碗叠衣服的家务机器人都撑不起来，换个没见过的环境分分钟崩溃， 说白了自回归只是在一个词一个词往下猜，现在的所谓推理其实大量是在词语空间里做多轮抽样搜索，遇到代码和数学这种有编译器自动给奖励的封闭沙盒还能刷分，一旦扔进没有自动打分器的真实世界，错误就会指数级放大 
说实话这就是为什么他宁可离开Meta、跑到巴黎去给AMI Labs融三十五亿美元估值，也要死磕JEPA和世界模型，他要的是让机器学会预测我做这件事世界会发生什么， 在抽象空间里做动作规划，不用在文字表面拼漂亮句子，连现在的缩放派其实都在偷偷向他妥协，单独拉视觉编码器、在隐空间里做搜索、用物理引擎搞模拟， 外壳虽然还叫LLM，内核其实都在往世界模型的方向打补丁，大家争论到最后已经不是要不要算力，而是我们要把算力花在背诵更多文字上，还是花在让机器看懂物理因果上 
我自己平时也天天靠AI写代码查资料，缩放派确实把已知世界的说明书背到了极致，但真正的智能是要去写说明书从来没写过的那一页， 以后别再看各家发布会画什么天才之国的饼，就盯紧三件事，新任务要多少样本能学会，换个环境会不会整段崩溃， 以及汽车和机器人能不能像人一样在物理世界里安全跑起来，谁对谁错不用在网上打嘴仗，现实世界自会交卷。

一个思考：AI 模型的分水岭已经出现！大家要的不是最强的智能，而是最适合自己场景的智能 👀 过去一年，代码生成帮模型公司完成了能力跃迁。接下来，智能体应用正在分化出五个方向：个人便利、个人生产力、企业协作、娱乐生成、科研前沿。娱乐拼的是规模，它争夺所有人的时间；企业拼的是利润，它替代的是人类劳动。 Meta 的 Muse 给大众做了一次便利性的市场教育；Claude Code 证明了代码就是生产力，今年它和 ChatGPT 在企业市场已经打到白热化；字节的 Seedance 和红果短剧，让娱乐生成露出了端倪，这才刚刚开始。 不同玩家，会走不同的路。有终端渠道的公司主攻个人便利，因为用户不会为日常智能多付钱，谁便宜好用就用谁，赚钱靠平台，赢靠心智和流量。企业和专业生产力永远是利润最高的战场，全球知识劳动者一年的薪酬是三十多万亿美元，没有哪家前沿实验室会放手。 最值得关注的是科研前沿：模型公司不会卖科研模型，而是直接交付结果！ Isomorphic Labs 不卖 AlphaFold，直接给礼来和诺华设计分子，拿预付款、里程碑和销售分成；Lila Sciences 建“AI 科学工厂”，成果交给合作伙伴和孵化公司落地；Periodic Labs 更彻底，由 ChatGPT 的共同创造者和谷歌材料发现团队的负责人联手创办，用 AI 加自动化实验室直接去找新材料、新超导体，种子轮就拿了 3 亿美元，现在估值 75 亿美元，资本押注的就是“发现本身”的价值。不过 OpenAI 也坐不住了，CFO 在达沃斯直言：别人用它的技术研发出新药，它要分一份利润，从“卖工具”转向“分利润”。 但这里有个关键区别：愿意亲自下场、共担风险、交付成果的公司，产业会接受；只卖工具、却想事后分成的，药企和大机构很难买单。第一批 AI 设计的药物能否走完临床，会决定“模型公司即研发公司”这条第二增长曲线能不能跑通 🤔

第三，真实，妄想用 AI 去糊弄高端客户，就会永久失去这个客户。专业少了真实的流露，同样留不住人 逐字稿： 他说他早期干过一件现在很多人还在干的事情，把自己关在酒店，呃，一口气写了三十条逐字稿。写完之后干嘛？就坐在镜头前一条一条的念，后来他才慢慢的开始换成什么聊天，比如吃饭的时候可以聊，办公室的时候可以聊啊，别人问他问题他来回答，就变成一种在业务场景直接讲。 换了之后你会发现他的画面好像哎没有原来那么精致了，每句话好像也没有以前讲的那么有水平了，但是你会发现人设越来越真实。 所以我觉得这一点对于老板IP来说尤其重要。 稿子的作用是什么？ 叫做整理你的观点，而不是替你产生观点，尤其是现在有了AI之后特别容易产生一个问题，稿子变得越来越漂亮了，但是老板越来越不像自己了。 所以真正做到后面，老板IP竞争的绝对不是说谁的文案漂亮，而是谁真的有东西可以讲。

谈一谈我这个美国人为什么反对王吉舟竞选列治文市议员 我反对的是：一个准备代表全体华裔走进市政厅的人，自己这几条都过不了关。 第一，列治文不是他的常住地。 他自己说过：加拿大公民、在当地住满30天就够资格，“我临时搬到列治文，30天你们也说不出啥来，再说我那还有房子。” 市议员不是油管主播跨城打卡。你要管别人的物业税、学校、治安、分区，自己却是为了参选才凑居住天数。房子在、人不在，这叫有资产，不叫扎根。 第二，英文口语过不了关。 市政厅辩论、质询职员、跟主流媒体和各族裔议员开会，不是中文直播间。他自己讲过“英语能力高度退化”，“全程讲中文”。列治文华裔多，不等于市议会是中文同乡会。一个当选后主要靠翻译和助理才能工作的人，进了议会就是给对手送弹药：看，华人推上来的代表连工作语言都不行。 第三，跟中共处得太顺。 微信、小红书照常更新，有知情人说他回国没有障碍。整天骂中共人，这两头通常一头死。他两头都活。再叠上广东省政协常委出身的刘伟宏给他站台——打过记者、法院文件写明中国公民、自称非加拿大税务居民、Hudson’s Bay接盘当众翻车的那种人。你要代表海外华人进议会，第一件事不该是跟这种人合影。 第四，个人修养极差。若他代表华裔，等于给排华递刀。 直播间脏话是他的人设，不是口误。市政厅不是油管。白人、南亚、主流媒体不会看“这人真性情”，只会截最脏的三十秒循环播：这就是华人议员。你自己口无遮拦可以，你代表几十万华裔纳税家庭不行，你的形象更是直接影响了北美的华裔。 第五，回国通道和墙内平台，本身就是答案。 被中共认真对付的人，微信小红书不会这么顺。他在墙内照样经营，在墙外骂街反共。这叫两头吃流量，不叫立场。解释清楚也可以，他选择装没听见。 第六，没融入加拿大政治文化，黑社会口吻写在X上。 视频里放话要崩环保局送罚单的人；X上写“选完了，我会报复他们。” 加拿大地方选举输了就回家，赢了按规则开会。公职候选人把反对者当成仇人、把执法当成要报复的对象，这不是草根，这是帮派话事人。市政厅要的是能坐下来谈预算的人，不是选完了来算账的人。 他的基础盘连着骂我好几天，口气和他本人一个模子。最近他在X上突然不脏了，但互联网有记忆。一个人被质疑了才临时收嘴，不是洗心革面，是竞选化妆。 我算不上什么大V，中文区流量还过得去。他要是聪明人，该高兴：把居住地、英语、回国是否无障碍、跟刘伟宏什么关系、那句“选完报复”当面对镜头说清楚，反而能借力打力。他从来没有正面答过我任何一条。 不回答，就是回答。 一个连质问都不敢接的人，不要说代表华人，连代表自己都勉强。