FlameTree Technical: Agents, NLP, LLM и Python backend

Технический собеседование с вопросами по LLM inference, agents, LoRA/quantization, Python backend, Git/Linux, pytest fixtures и Docker multistage build.

Пройти собеседование

Аудио и материалы

Аудио собеседования

0:00 / 56:45

Выводы и как готовиться

По LLM нужно уметь объяснять базовые компоненты: tokenizer, generation loop, KV cache и evaluation.
Замена модели в production требует offline eval, performance tests и canary/A-B, а не только leaderboard.
Backend-вопросы часто проверяют production hygiene: tests, Docker, dependency boundaries.

FlameTree Technical: Agents, NLP, LLM и Python backend

Аудио и материалы

Аудио собеседования

Расскажите про последние ML/NLP проекты

LLM использовалась для внешних клиентов или внутренних процессов

Как LLM работает на инференсе

Как устроена autoregressive generation и зачем KV cache

Как работает токенизатор и зачем его обучать

Как проверить, стоит ли менять LLM на новую open-source модель

Что такое LLM agent и из каких компонентов он состоит

Какие техники prompt engineering использовать в production

Когда нужен fine-tuning, а когда хватает prompt engineering

Как работает LoRA и зачем нужны low-rank adapters

Что такое quantization LLM и какие trade-off она дает

Как объяснить SOLID на backend-собеседовании

В каком порядке применяются и вызываются Python decorators

Зачем нужен asyncio event loop в Python

Для чего нужны asyncio Lock, Event и Semaphore

Чем отличаются threading и multiprocessing в Python

Для чего нужны pytest fixtures и какие бывают scopes

Чем отличается git merge от rebase

Для чего нужен Docker multistage build

Какие Linux-команды нужны для диагностики сервера

Вопросы к интервьюеру про команду, задачи и roadmap

Выводы и как готовиться