Himanshu Agarwal
PulseAugur coverage of Himanshu Agarwal — every cluster mentioning Himanshu Agarwal across labs, papers, and developer communities, ranked by signal.
-
AI 面试准备：300 个关于 LLM、RAG 和 MCP 的问答，面向资深工程师
本指南为资深 AI/ML 工程师提供 300 个面试问题及答案，重点关注大型语言模型 (LLM)、检索增强生成 (RAG) 和模型上下文协议 (MCP)。内容涵盖 Transformer 架构、自注意力机制和 KV 缓存等基础概念，以及专家混合 (MoE) 和位置编码等高级主题。该材料旨在帮助候选人准备需要 5-15 年应用 AI 工程经验的职位。
-
Claude AI 与 MCP 集成，实现高级自动化软件测试
一份新的指南和电子书探讨了模型上下文协议 (MCP) 与 Anthropic 的 Claude AI 在自动化软件测试中的集成。这些资源详细介绍了 Claude 如何理解用户意图来生成测试、识别边缘情况，甚至自我修复损坏的测试脚本。这种方法旨在通过超越脆弱的、基于语法的脚本，转向一个能够根据规范生成测试并区分测试失败与产品缺陷的自适应系统，从而彻底改变软件测试。
-
大语言模型面试问题侧重生产经验
本文概述了企业人工智能工程职位的常见面试问题，侧重于实际经验而非理论知识。内容涵盖大语言模型基础、Transformer架构和提示工程等主题，强调真实生产场景和调试。问题旨在评估候选人处理性能下降、扩展限制和提示注入等问题的能力，反映了OpenAI、Anthropic和Google DeepMind等公司的要求。
-
Promptfoo 框架为生产环境 QA 工程师简化 LLM 测试
Promptfoo 是一个开源框架，旨在解决在生产环境中测试大型语言模型 (LLM) 所面临的独特挑战。与传统的软件测试不同，由于 LLM 的概率性本质，LLM 测试需要重新定义“正确性”。Promptfoo 使工程师能够将提示及其配置视为可版本控制的代码，确保在模型更新和温度变化时的稳定性。该框架支持对格式错误输出或成本超支等常见问题的确定性断言，并允许通过 JavaScript 或 Python 进行自定义检查以应对更复杂的场景。
-
企业 LLM 工程指南侧重于系统可靠性和安全性
本指南侧重于企业 LLM 工程，强调围绕大型语言模型创建可靠、可观察和安全的系统，而不仅仅是提示工程。它详细介绍了 LLM 系统的核心组件、架构和生产生命周期，重点介绍了从提示工程到 RAG、AI 代理和 MCP 的演变，以实现更好的基础、操作和集成。该资源旨在为工程师提供在设计和操作生产就绪的 LLM 应用方面所需的高需求技能。
-
经验丰富的工程师的大型语言模型面试指南侧重于生产系统
本文为准备专注于大型语言模型（LLM）面试的经验丰富的工程师提供了一份指南。文章强调，现代LLM面试更侧重于实际生产经验而非理论知识，涵盖检索增强生成（RAG）、评估、成本控制以及处理LLM幻觉等方面。该指南提供了对十个常见面试问题的专家解答，解释了其背后的原因以及需要避免的常见陷阱。
-
AI通过MCP与企业系统集成，构建智能桥梁
MCP（多云平台）的概念正超越简单的生成，成为AI应用程序与企业系统之间的智能桥梁。这种集成使AI助手能够执行报告生成和数据分析等复杂任务，超越了基本对话功能。2026年的蓝图为软件开发测试工程师（SDET）指明了成为生产AI测试架构师的道路，重点关注企业环境中的生产AI。