分页题目
阿里巴巴相关面试题第 9 页
钉钉 AI Agent 如何与 RPA、低代码等效率工具联动，为企业提供自动化工作流？
这题考企业 AI Agent 如何从聊天入口落到可执行工作流。高质量回答要讲清 Agent、低代码和 RPA 的分工，说明如何接入企业系统、沉淀流程资产，并用权限、审计、确认、异常兜底和 ROI 指标保证真实落地。
如何将已有 MHA 大模型改造成 GQA？KV Head 权重合并初始化和继续训练分别解决什么问题？
这题考察的不是“GQA 是什么”这一层概念，而是如何把一个已经训练好的 MHA checkpoint 工程化迁移成 GQA，并解释初始化和继续训练各自承担的职责。核心答案应先说明结构变化：MHA 中每个 Query Head 通常有独立的 K/V Head，而 GQA 把多个 Query Head 分成一组，共享同一组 K/V 投影，从而减少 KV Cache、显存带宽和解码阶段访存。迁移时不能随机初始化 K/V，否则模型等于突然丢失大量注意力记忆能力；因此通常用 KV Head 合并做 warm start，例如按组平均、加权平均、选择代表头或用聚类合并 K/V 权重。这个初始化解决“结构对齐和功能尽量连续”的问题；继续训练或 uptraining 解决“合并带来的表达能力损失、注意力分布偏移和层间统计不匹配”的问题。高质量回答还要补充训练数据配比、学习率、冻结策略、评估指标和推理收益验证。
多模态/RAG 项目上线前如何设计评价指标，如何拆分整体效果与 RAG 子模块指标？
这题考察的不是“能不能背几个指标名”，而是能否把多模态/RAG 项目上线前的评价体系拆成可决策、可归因、可监控的指标框架。来源只支持“项目上线前评价指标”和“RAG 子模块评价指标”这两个面试追问，因此回答应聚焦通用方法论，不编造任何阿里内部指标。高质量答案要先定义上线目标和风险边界，再把评价拆成三层：端到端业务效果、模型回答质量、RAG 链路子模块效果。最终要能回答三个问题：整体效果好不好、如果不好是哪一段坏了、达到什么阈值才能灰度上线。
微调 Qwen 这类大模型时，learning rate scheduler 应如何设计？如何确定 step 口径、warmup、cosine/linear decay、最小学习率和峰值学习率？
这题考察的不是背诵某个 scheduler，而是能否把 Qwen 微调中的学习率设计拆成训练稳定性、收敛效率、泛化效果和版本选择四件事。好的回答要明确 step 口径、warmup 比例、衰减曲线、最小学习率和峰值学习率。
面向海外 C 端生成式 AI 应用，如何选择获客渠道，并用 CAC、激活率、留存和付费转化验证渠道质量？
这题考察海外 C 端生成式 AI 应用的增长判断力。重点不是列举渠道，而是能否用 CAC、激活率、留存、付费转化和 LTV 形成渠道质量闭环，并按国家、创意、平台和用户意图做 cohort 分析。
Agent 或 LLM 应用的评估数据集规模如何确定，bad case 应按任务类型、工具链路、检索、生成、成本和风险哪些维度分析？
这题考察 Agent 或 LLM 应用评估体系。数据集规模不应拍脑袋，而要按任务复杂度、风险等级、链路覆盖、指标置信度和迭代阶段确定；bad case 分析要覆盖任务类型、工具调用、检索、生成、成本和风险。
AI 创作产品中，产品经理如何把模型能力演进拆成可执行的效果策略路线图，并按用户价值、质量提升、成本和风险确定迭代优先级？
这题考 AI 创作产品经理能否把“模型变强了”翻译成可交付、可评估、可排序的产品路线图。高质量回答要从用户场景、效果杠杆、评测体系、成本约束、风险门禁和迭代优先级展开，而不是只说跟着模型升级做功能。
视频 AIGC 的多镜头与智能分镜调度能力，如何划分模型侧与产品侧交付边界，并设计可控参数、质量指标和异常兜底？
这题考视频 AIGC 产品经理能否划清模型能力、产品编排和用户控制之间的边界。好答案要讲清模型侧负责生成质量和多镜头一致性，产品侧负责工作流、参数控制、质量门禁和异常兜底，并用结构化分镜协议把两边衔接起来。
已有数字人视频生成模型如何定向训练为只生成指定人物，并设计身份一致性数据、参考图注入、训练约束和评估指标？
这题考数字人视频生成的定向个性化训练方案。重点要覆盖指定人物数据集、参考图像注入、微调策略、身份约束、时序一致性、安全合规和评估指标。好的回答会说明如何让模型只生成目标人物，同时避免过拟合、身份漂移、动作僵硬和未经授权的人脸生成风险。
主流 Agent 框架如何选型，如何按 RAG 检索、有状态工作流、多 Agent 协作、工具/记忆/检索能力和自主性与可控性边界做取舍？
这题考 Agent 框架选型边界，而不是背框架名。好的回答应按业务需要拆分：RAG 检索优先看数据索引和检索评估，有状态工作流优先看可控状态机，多 Agent 协作优先看角色协议和收敛性，工具、记忆、检索抽象要看边界清晰度，最终在 Agent 自主性和工程可控性之间取舍。
多模态或大模型微调数据做质量过滤时，如何选择过滤模型和质量标准？
这题考数据质量治理，而不是问某家公司内部过滤器。回答要从规则、专用模型、跨模态一致性模型、LLM judge/reward model 和人工抽检的组合讲起。
同题还出现在 1 个公司岗位
Agent 中多个工具语义相近且副作用不同，如何设计工具命名、description 和 JSON Schema，避免误选、漏参和高风险误触发？
这题考 Function Calling/Agent 工具契约设计。回答要讲工具命名做候选粗筛，description 划清使用/禁用边界，JSON Schema 约束参数和缺失处理，再配合权限、示例和评测降低误调用。
Agent 推理链路中多个工具串行调用导致响应变慢时，如何优化延迟并保证结果可靠？
这题考 Agent 多工具链路性能优化。回答要覆盖依赖分析、并行化、缓存、批处理、模型调用压缩、流式反馈、降级和可靠性校验。
高并发场景下如何设计 Agent 服务的弹性伸缩、核心监控指标和告警策略？
这题考生产级 Agent 服务治理。回答要把弹性伸缩、监控指标、告警策略和容量保护结合起来，而不是只讲加机器。
电商客服 Agent 覆盖商品咨询、售后咨询和投诉安抚时，如何设计离线评测集、线上指标、用户满意度和提效口径来判断效果好坏？
这题考电商客服 Agent 的评测体系。回答要覆盖离线样本、线上指标、满意度、提效口径、风险指标和数据闭环。