与「palantir」相关的搜索结果

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。

$MKCAT You ape the cat. The cat buys real $PLTR. Holders get the bag back.Volume → more Palantir → more volume. They watch the charts. We watch you watch the charts. CA: 0xDe63a0596362be3a87fa5841Aea3f8DAa464e1

模型越来越便宜之后，企业真正争夺的可能不再是“用哪家模型”，而是谁控制模型之上的那一层。 Chamath预计，未来36个月，企业会普遍采用8090 Software Factory、Palantir、Hermes这类独立控制层，让不同模型可以随时替换。 因为比价格更重要的，是防止数据与IP泄露，并保留对企业判断和知识的完整主权

This is a really good development. As model costs converge, the next likely step will be the use of independent 3rd party harnesses/control planes (8090 Software Factory, Palantir, Nous’ Hermes etc). A 3rd party harness + the ability to use any model quasi-interchangeably is something all enterprises will ask for within 36 months as they realize the importance of data/IP leakage and keeping complete sovereignty of their encoded judgement.

70%的美国年轻人不信任马斯克。 他们虽然会频繁使用AI，但不相信掌握AI的人，也不相信AI会改善自己的工作和生活。 著名研究机构Generation Lab调查了1000多名18至34岁的美国人。 问卷中列出了9位AI行业领导者，问他们是否相信这些人会负责任地处理AI问题，结果非常惨烈。 其中，不信任率最高的，是美国国防科技公司Palantir的CEO亚历克斯·卡普，达到81%， 紧随其后的就是这家公司的董事长，彼得·蒂尔，79%。 Anthropic的CEO达里奥不信任率是76%， 马斯克，扎克伯格，奥尔特曼和黄仁勋也都在70%左右。 另一项研究调查也显示，年轻人们对AI职业前景也很悲观，45%认为AI会伤害自己的职业，只有10%觉得它会带来帮助。

2012年、ビットコインを買った人――億万長者。 2018年、テスラを買った人――億万長者。 2022年、NVIDIAを買った人――億万長者。 2023年、Palantirを買った人――億万長者。 2025年、SanDiskに乗った人――億万長者。 そして――2026年。👇

Palantir CEO：模型只有结合 FDE 和应用层，才能在企业中真正创造价值 2026 年 8 月 3 日，Palantir CEO Alex Karp 在接受 CNBC 采访时表示，美国应当通过竞争推动本土开放权重模型追上中国模型，而不是依靠限制客户选择来保护本国模型公司。不过，他认为模型来自美国还是中国并不是最关键的问题，因为模型本身并没有外界想象中那么高的企业价值。只有在 FDE（Forward Deployed Engineer）、应用层、现场部署经验以及对企业“部落知识”的保护共同作用下，模型才能进入真实工作流并产生商业成果。该观点表明，Palantir 的核心壁垒并非拥有某个基础模型，而是将不同模型部署到复杂企业系统中的工程与组织能力。 内容不构成任何投资建议，请严格遵循当地法律法规。 《白线 WhiteLine》由吴说团队出品，从 Crypto 走向更广阔的资本市场，关注 AI 时代下的趋势变化与交易机会。

底层看稀缺，顶层看客户！看到 @chamath 分享的这张 AI Stack，感觉这个架构划分和 Rewire Index 5 Layer 相当类似，分享一下我对每一层的理解： 1. 能源与基础设施层（最底层） 与 Rewired Index 的逻辑一致。电力会迎来爆发式增长，尤其是无需接入电网的独立供电商（IPP）；而土地受政策影响太大，弹性有限。在大众的舆论压力之下，太空基建应该会是未来几年的新机会，无需土地，无限电力⚡️ 2. 芯片层 做独立芯片，初创公司基本没有机会：性能要求极高、工艺极其复杂，最关键的是供应链已被完全锁死——这是头部玩家的战场。 真正的机会在融合与生态。从 Google TPU 的发展路径，到 Cerebras 等高速推理芯片的崛起，可以看出芯片会与云厂商、模型公司深度绑定。围绕芯片构建数据中心的整体供应与创新，机会很多；单做独立芯片，机会渺茫。 3. 云服务层 云可以分为 Hyperscaler 和 NeoCloud两类。模型商品化之后，几乎所有的负载都要靠云来承载，这会是非常赚钱的生意。但构建极其复杂，堪称 AI 时代的重资产业务——或者说，智能时代的房地产。 4. 模型层 模型公司面临的核心问题是正在被商品化： - 如果 Scaling Law 已到极限，模型百分之百会被商品化； - 即使 Scaling Law 还有很大空间，大家对「最好智能」的需求也在被分解——大量日常应用不需要最顶级的智能，中等水平模型和开源模型会逐渐接管这些需求，反而加速了商品化； - 最尖端的头部模型公司，更像是「先进制程」的芯片：能从中获取很高的价值，但并非所有任务都需要它。 5. 应用层：Harness vs Application 这张图最有趣的地方，是把应用层拆成了 Harness 和 Application 两层。 我的判断是：按目前模型的进化速度，Application 还没有任何机会，但 Harness 的机会已经大量出现，尤其在企业端。企业内化的知识只能通过 Context 和约束来落地，所以 Harness 就是新的企业应用层；它们会替代旧的 SaaS，或倒逼旧 SaaS 升级。 如果把 AI 扩展到大语言模型之外的更广义范畴，应用层更可能以垂直集成的形态出现，例如：自动驾驶 / RoboTaxi / 任何可端到端自动化工业流程和武器系统；生物研究 / Wet Labs；把执行能力直接部署进企业内部的模式（类似 Palantir 的服务方式）

我把一本二十多万字的新书免费开源在 Github 了——《前置部署工程师：人工智能时代的客户价值交付秘籍》。 全本在线读，一分钱不收，地址在文末。 为什么要写这本书？从两组数字说起。 一组来自麻省理工学院：全球企业在生成式 AI 上烧了三四百亿美元，95% 的项目没能产生可衡量的回报。演示很惊艳，落地全阵亡。 另一组来自招聘市场：一个叫「前置部署工程师」（FDE）的岗位，发布量九个月涨了 800%。OpenAI 在招，Anthropic 在招，YC 一百多家创业公司在招。a16z 直接管它叫「科技行业最热门的岗位」。 两组数字放在一起，结论不难猜：模型已经不稀缺了，能把模型塞进客户真实业务里的人，才稀缺。 FDE 就是被创造出来填这道鸿沟的角色——驻扎在客户现场、把「产品能做的」和「客户需要的」接起来的工程师。Palantir 二十年前在情报机构的保密室里发明了它，如今 OpenAI 为它专门成立了一家估值百亿美元的「部署公司」。 在我看，它就是 AI 时代的前置位的「增长黑客」：一个新物种，一套方法论，一片还没人系统写过的空白。 这本书讲清楚三件事：这个角色从哪来、是什么；从找对问题到规模化复制的完整打法；以及一百多个真实案例，所有数据和案例都在附录里注明了出处，欢迎核查。 也坦白说：这本书是我派 AI 做的深度调研和撰写，框架仿照我十年前写《增长黑客》的那套结构——依然觉得它适合研究和布道各种新岗位。 我原本把它当成自己的学习入门手册，期间驱使 AI 也迭代了好几版。写完觉得，锁在硬盘里有点可惜，于是索性开源免费分享。 如果你正在考虑工程师的转型方向，或者在琢磨 AI 到底怎么在企业里落地，它应该能帮你省下几十个小时的检索时间。 📖 仓库在这，全本免费，欢迎 Star： 会持续迭代，有想补充的案例或想挑错的，Issue 和分支都开着。 —— 顺手说一句：十年前那本《增长黑客》的全文开源版，也在我 GitHub 上（zengzhangheike-the-book）。一本是过去，一本是未来，感兴趣的可以一起拿走。

市场杠杆创历史新高，美国散户最喜欢的股票却下跌 13% 高盛追踪的美国散户偏好的一揽子股票中，本月截至目前已经下跌约 13%。如果月底仍然维持这个跌幅，将创下 2022 年以来最差的单月表现。 但就在前两个月，这些股票还分别上涨约 17% 和 16%，两个月累计涨幅接近 36%。短短一个月，美国散户最喜欢的一批股票就从市场最强的方向之一变成了跌幅最大的组合。 这类股票主要集中在人工智能、半导体、存储芯片、网络安全和其他高波动科技股。公开报道中提到的代表标的包括 AMD、Micron 和 CrowdStrike，更广泛的散户热门股还包括 Nvidia、Tesla、Palantir 和 IonQ 等。 这些股票的共同特征很明显，都是前期涨幅高、估值高、波动高，所以带动了散户的 FOMO 情绪。 再上一篇我有提到，美国融资融券债务已经达到创纪录的 1.53 万亿美元，券商账户净信用余额降至负 1.061 万亿美元。这说明散户热门股票开始下跌的时候，市场里的融资仓位和杠杆并没有同步下降，反而仍然处于历史高位。 上涨期间，股价越涨，账户净值越高，投资者可以借到的钱也越多，新增融资又会继续买入前期表现最好的股票。但行情转弱以后，这套逻辑会反过来，股票下跌压低账户净值，保证金压力上升，投资者只能补充现金或者减仓。 说人话，前两个月散户加杠杆追什么，什么就涨得更快。现在市场开始回调，散户持仓最集中、前期涨幅最大的一批股票，也成为了最先出现两位数下跌的方向。 前期涨得越快、仓位越拥挤、融资比例越高，下跌以后需要卖出的股票仓位也会越多。 @Gate Crypto、美股、港股、韩股、黄金、CFD、预测市场一站交易