分页题目
阿里巴巴相关面试题第 7 页
自动化测试流程和工具底层原理是什么？
自动化测试不是把手工步骤录制成脚本，而是围绕需求风险、用例分层、框架能力、工具协议、稳定性治理和持续集成建立一套可重复验证体系。工具底层通常通过浏览器调试协议、WebDriver 协议、移动端自动化驱动或操作系统辅助能力来发现元素、计算可操作状态、注入事件、采集结果并回传执行状态。
指针函数和函数指针的区别？
指针函数和函数指针的核心区别在于“谁是指针”。指针函数本质仍然是函数，只是返回值类型是指针；函数指针本质是指针变量，只是它保存的是某个函数的入口地址。区分它们时，重点看括号优先级、标识符先和谁结合，以及后续是被调用还是被赋值保存函数地址。
哈希冲突中，伪随机开放地址法如何插入和查找元素？
伪随机开放地址法用同一个哈希表数组解决冲突，通过可复现的探测序列寻找空位或目标元素，关键是插入和查找使用相同序列。
广告排序中 eCPM 如何融合 pCTR、pCVR 和出价，ESMM/MMoE 如何支撑多目标预估？
这道题考察广告排序目标和多目标预估的连接。回答时要先讲清 eCPM 是期望收益排序信号，再说明 pCTR、pCVR、出价分别来自不同任务，ESMM 解决点击后转化的样本选择偏差，MMoE 用共享专家和任务门控支撑多目标学习。
同公司岗位有 2 条面经记录
内容风控中，品牌 logo 风险识别如何兼顾召回、业务管控标准和无关商品过滤？
这道题考察内容风控里的品牌 logo 风险识别如何从“把疑似风险尽量捞出来”走向可上线的业务闭环。回答要覆盖检测识别链路、隐藏真实风险总量下的召回评估、业务管控标准、无关商品过滤、人审和主动学习，以及离线/在线指标和误杀漏放取舍。
Agent 多工具调度模块如何做冲突检测与解决？
这题考 Agent 多工具并发调度的工程治理，回答要说明冲突类型、预检查、执行中仲裁、补偿和审计闭环。
Agent 工具调用超时后如何设计降级方案？
这题考 Agent 工具调用可靠性设计，回答要围绕超时预算、重试、降级答案、异步继续、熔断和用户可见状态展开。
同题还出现在 1 个公司岗位
AIGC 模型持续迭代时如何设计质量回归守护和灰度机制？
这题考 AIGC 模型持续迭代后的质量守护，回答要把离线回归、灰度分流、线上监控、回滚阈值和复盘机制连成闭环。
AIGC 产品中人物一致性、音色一致性和多人物稳定性如何评测？
这题考多模态 AIGC 的一致性评测，重点是把人物、音色和多人物稳定性拆成可标注、可自动检测、可线上验证的指标体系。
视频 AIGC 从 0 到 1 时，如何设计离线评估、线上实验和用户采纳闭环？
这题考视频 AIGC 从 0 到 1 的产品验证闭环，回答要覆盖离线效果评估、线上实验、用户采纳和复盘迭代。
大模型能力超出边界时，AI 产品应如何识别风险并触发兜底流程？
这题考大模型产品的能力边界管理，回答要说明如何识别超能力风险、触发兜底、降低伤害并把失败样本回流。
人工介入提升 AI 准确率时，如何平衡成本和收益？
这题考 AI 产品引入人工介入时的成本收益判断，核心是按风险分层、算边际收益、控制人审成本并持续降低依赖。
一键短视频生成产品如何选择文生视频、首尾帧、多图生视频和音频口型能力的迭代顺序？
这题考一键短视频生成产品的能力组合和迭代顺序，回答要按用户场景、可控性、质量风险、成本、依赖关系和指标验证来排序。
创作 Agent 的效果评估指标如何同时覆盖任务成功率、创作质量和用户信任？
这题考创作 Agent 的效果评估体系，回答要同时覆盖任务成功、创作质量、用户信任、安全合规、效率成本和反馈闭环。
AI 产品需求什么时候应该做 Agent，什么时候应该做确定性工作流？
这题考 AI 产品需求中 Agent 和确定性工作流的边界判断，回答要用不确定性、自治程度、失败成本、可观测性和混合架构来决策。
Agent 项目如何选择底层模型，依据和验证方法是什么？
这题考 Agent 项目的底层模型选型。答案要从任务类型、工具调用、结构化输出、上下文、延迟成本、安全、评测集、灰度和 fallback 路由来讲。
Agent 长期记忆功能如何设计、召回和持续优化？
这题考 Agent 长期记忆的生命周期，不是多用户隔离。答案要覆盖存什么、如何抽取、召回、更新、遗忘、删除、隐私授权和质量评估。
大模型幻觉在 Agent 服务化中会带来哪些问题，如何治理？
这题考大模型幻觉在 Agent 服务化中的生产风险。答案要聚焦错误工具调用、虚假状态、操作控制、权限、审计、dry-run、确认和事故闭环，而不是泛泛说 RAG 和提示词。
Agent 项目选用 OpenAI Agents SDK 时，应如何和自研或开源框架做选型？
这题考 Agent 框架选型方法，回答重点是用任务复杂度、编排需求、工具集成、可观测性、评测、锁定风险、生态成熟度和迁移成本做理性比较。
Agent 任务中 Human-in-the-Loop 应如何设计确认、纠错和中断流程？
这题考 Agent 任务中的 Human-in-the-Loop 控制点设计，回答重点是确认、纠错、中断、恢复、审计和人机责任边界。
Agent 系统中 Multi-Agent、One-Agent 和 LLM+Workflow 应如何选型？
这题考 Agent 架构模式选型，回答重点是 Multi-Agent、One-Agent 和 LLM+Workflow 在复杂度、可控性、成本、延迟、可观测性和适用场景上的取舍。
同题还出现在 2 个公司岗位
Agent 系统如何把用户反馈接入 DPO/PPO 训练，并用 ELO 评估版本效果？
这题考 Agent 反馈闭环和版本评估，回答重点是如何把用户反馈转成偏好数据、用于 DPO/PPO 优化，并用 ELO 或对战评估做版本选择。
如何用多模态大模型识别商品图片并生成可靠的商品描述？
这题考用多模态大模型从商品图片生成可靠商品描述的完整链路，回答重点是视觉理解、属性抽取、文本生成约束、事实校验和评估闭环。
多模态大模型遇到未见过的商品或对象时，如何识别不确定性并兜底？
这题考多模态大模型遇到未见过商品或对象时的风险控制，回答重点是不确定性识别、OOD 检测、检索或人工兜底，以及避免把猜测说成事实。
BGE/GTE 这类 Embedding 模型如何训练，为什么不能直接用 BERT-base 余弦召回？
这题考检索向量模型的训练目标差异，重点是 BGE/GTE 这类 embedding 模型面向语义召回训练，而原始 BERT-base 不天然适合直接做余弦检索。
多模态大模型预训练通常分哪些阶段，ViT 视觉编码器如何参与训练？
这题考多模态大模型预训练的阶段拆解，以及 ViT 视觉编码器如何把图片变成可与语言模型对齐的视觉 token。
同公司岗位有 2 条面经记录
LLM 推理中 Continuous Batching 和 Prefix Caching 如何影响请求切分、batch 维度和吞吐/延迟取舍？
这题考 LLM 推理调度中的 Continuous Batching 和 Prefix Caching，回答重点是请求在 prefill/decode 阶段如何切分、按什么维度组 batch，以及吞吐和延迟如何取舍。
LLM 训练或推理中 FP8 和 BF16 如何按吞吐、显存和稳定性取舍？
这题考 LLM 训练或推理中 FP8 和 BF16 的精度格式取舍，回答重点是显存、带宽、吞吐、数值稳定性和工程校准，不应断言所有 DeepSeek 或 Qwen 版本的内部实现。
LLM 推理算子优化中，Memory Coalescing 和 Bank Conflict 分别是什么，如何影响显存访问效率？
这题考 CUDA 访存优化在 LLM 推理算子里的基本功。回答要把 GMEM 的连续合并访问、SMEM 的 bank 并行访问、warp 级访问模式和 profiling 现象连起来，而不是只背两个定义。
LLM 推理算子中，Tensor Core、WMMA 和 MMA 分别是什么，工程上如何选择使用层级？
这题考候选人是否理解 NVIDIA GPU 矩阵乘加的硬件、CUDA C++ 抽象和更底层指令接口。回答要能说明 Tensor Core 是硬件单元，WMMA 是较高层 CUDA API，MMA 是更贴近指令和 PTX 的矩阵乘加操作。
LLM 推理算子变慢时，如何判断瓶颈是 Memory Bound 还是 Compute Bound？
这题考算子性能诊断方法。回答要从理论 roofline、算术强度、实际 profiler 指标、stall reason 和优化方向闭环判断，而不是只说“看 GPU 利用率”。
单机多卡 LLM 推理中的分布式 GEMM 如何切分矩阵，并完成跨 GPU 通信？
这题考 tensor parallel 下 GEMM 切分和 collective communication 的基本工程理解。回答要能把矩阵维度切分、局部计算、AllReduce/AllGather/ReduceScatter、通信计算重叠和推理场景约束讲清楚。
LLM 推理服务如何做流量调度，兼顾模型副本、队列长度、KV 资源和延迟 SLO？
这题考 LLM 推理服务的请求路由和服务治理。回答要围绕模型副本选择、prefill/decode 队列、KV cache 资源、batching、优先级、SLO 和故障降级展开，避免泛泛而谈负载均衡。
电商广告视频 AIGC 上线前应如何定义内容、品牌、合规和用户体验红线？
这题考 AI 创作产品经理能否把“红线”从一句安全口号拆成可执行的上线准入标准。高质量回答应覆盖内容安全、商品与品牌真实性、广告合规、知识产权与隐私、用户体验护栏，以及审核、监控、申诉和回滚闭环。
AI 创作产品如何把模型 API 参数、上下文和链路配置转成产品可控的效果杠杆？
这题考产品经理是否能把模型能力翻译成可控产品体验。优秀答案要说明：不要把底层参数裸露给用户，而要按任务场景封装成模式、预设、质量档位、创作约束、成本/时延策略和安全策略，并通过离线评测、A/B 实验、监控和版本治理形成闭环。
电商广告文生视频或图生视频强调多镜头叙事与 15s 成片时，如何定义上线可用的效果目标？
这题考 AI 创作产品经理能否把“15 秒多镜头广告视频可用”定义成可评估目标。好的答案要同时看商业目标、叙事结构、商品和品牌一致性、镜头连续性、平台规格、用户体验、合规红线和线上效果闭环。
代码 Agent 的 RAG 检索索引如何同时设计语义、关键词、结构化和权限索引？
这题考代码 Agent 的 RAG 索引架构，不是泛泛讲向量库。回答要覆盖语义索引、关键词索引、结构化代码索引和权限索引如何协同检索、过滤、排序和增量更新。
LLM 长上下文推理中，KV Cache 压缩如何降低显存占用，和 Prefix Cache 的作用有什么区别？
这题考长上下文 LLM 推理中的显存管理。回答要把 Prefix Cache 的跨请求前缀复用和 KV Cache 压缩的单次/多次请求显存降载区分开，再说明压缩策略、精度损失、服务集成和评估指标。
训练 Qwen 这类大语言模型时，训练数据集如何设计才能兼顾质量、多样性和覆盖度？
这题考大语言模型训练数据体系设计，核心是把数据质量、多样性、覆盖度和评测闭环放在同一套可度量的配比与治理流程里，而不是简单说多收集数据或多做清洗。
同公司岗位有 2 条面经记录
Qwen 这类图文多模态大模型接入图像理解时，视觉编码、图文对齐和 token 成本有哪些技术难点？
这题考图文多模态大模型接入图像理解的关键工程和算法难点，重点是视觉特征如何进入语言模型、图文语义如何对齐，以及视觉 token 成本如何在效果和延迟之间取舍。
Qwen 这类大模型如何做压缩和蒸馏，评估时应关注哪些效果损失？
这题考大模型压缩与蒸馏的端到端方法论，关键是同时说明模型怎么变小、能力怎么迁移、成本怎么下降，以及哪些能力和安全边界最容易损失。
训练 Qwen 这类大模型时，分布式训练的通信瓶颈如何优化？
这题考大模型训练中的通信瓶颈定位与优化，重点是理解数据并行、张量并行、流水线并行和 ZeRO/FSDP 等策略如何产生不同通信模式，并用 profiling 指标做取舍。
评估 Qwen 这类大模型的泛化能力和鲁棒性时，评测集与切片指标应如何设计？
这题考大模型评测体系设计，核心是把泛化和鲁棒性定义成可切片、可统计、可回归的问题，避免只用一个公开 benchmark 总分判断模型好坏。
非对称量化相比对称量化，在计算和反量化时会带来哪些额外开销与精度影响？
这题考 zero point 带来的计算差异。好答案要从量化公式展开到矩阵乘额外修正项、预计算可能性、性能代价，以及非零中心分布下的精度收益。
手写 CUDA Softmax2D 时，如何在 K 维做数值稳定的 softmax，避免指数溢出和精度爆炸？
这题考 row-wise softmax kernel 的正确性和性能：按 K 维减最大值、FP32 累加、block/warp reduction、不同 K 大小的线程映射，以及极端输入验证。
高风险在线环境中的 Agent 异常管控体系应如何设计，覆盖权限分级、执行隔离、熔断止损和审计追踪？
这题考的是高风险在线 Agent 的工程治理能力，重点不是说模型更聪明或加人工确认，而是把权限、工具、执行环境、熔断止损、可观测性和审计恢复设计成一套闭环。
视频 AIGC 要成为可规模化使用的生产力工具时，如何定义效果而不是只看生成质量或炫技？
这题考 AI 产品经理是否能把视频 AIGC 的“效果”从单条生成质量扩展到生产力工具指标：采纳、稳定可用、编辑负担、边际成本、规模化运营、复盘闭环和业务 ROI。
AIGC 图像生成中 GAN 和 Diffusion Model 的训练目标、生成过程和优劣势有什么区别？
这题考的是能否从训练目标、推理路径、质量多样性、稳定性、可控性和成本把 GAN 与 Diffusion Model 讲成两类生成范式，而不是只背“GAN 快、Diffusion 好”。