Подготовка к интервью
199 вопросов с собеседований в 2ГИС
Что проверяют на интервью
Подборка объединяет вопросы, отмеченные на этапах интервью в 2ГИС. Здесь можно понять структуру технической проверки и заранее повторить связанные темы. В подборке чаще встречаются темы: api, backend, microservices.
Каталог
Dense-модель использует плотные слои для каждого токена; MoE направляет токен в часть экспертов. У Qwen3-30B-A3B около 30 млрд параметров всего и 3 млрд активных на токен.
Читать ответСначала разделите задержку на очередь, retrieval, инструменты и генерацию, а память — на веса, KV-cache и рабочие буферы. Оптимизация зависит от измеренного узкого места.
Читать ответРост контекста увеличивает стоимость обработки входа, память KV-cache и обычно задержку ответа. Время до первого токена и скорость дальнейшей генерации нужно измерять отдельно.
Читать ответВ LangGraph state хранит данные между узлами, но передавать весь state в LLM не обязательно. Prompt каждого вызова формируется из нужных полей и ограниченного набора сообщений.
Читать ответНазовите, кто отвечал за настройку моделей и какие части выполняли вы. Отдельно разделите подбор гиперпараметров, обучение, оценку и эксплуатацию.
Читать ответОпишите оркестратор как управление состоянием, выбором следующего шага и завершением задачи. Название фреймворка не определяет, будет ли работа одношаговой или циклической.
Читать ответЧётко разделите самостоятельную реализацию FastAPI-сервиса, deployment и последующую поддержку. Назовите проект и артефакты, за которые отвечали лично.
Читать ответОпишите путь от события pull request до опубликованного результата: webhook, очередь, обработчик, интеграция с репозиторием и deployment. Отдельно обозначьте, какие компоненты реализовали лично.
Читать ответЭто зависит от контракта оркестрации: оркестратору можно передавать только итог субагента либо структурированную трассу выбранных действий. Автоматической обязательной видимости всех tool results нет.
Читать ответНазовите реально проверенные модели антифрода, исходный baseline и критерий выбора. Важно объяснить стоимость пропущенного мошенничества и ложных блокировок, а не просто перечислить алгоритмы.
Читать ответEmbedding-модель для RAG выбирают по качеству поиска на своём корпусе, языкам, длине документов и ограничениям deployment. Универсально лучшей модели для всех задач нет.
Читать ответСоберите набор реальных запросов с релевантными документами и измеряйте retrieval отдельно от генерации. Recall@k показывает покрытие, MRR и NDCG — качество порядка выдачи.
Читать ответ