已解析题目
蚂蚁集团相关面试题
用过微前端，实现原理是什么？
这题考察微前端的工程拆分能力。回答要从为什么拆、主子应用如何加载和卸载、隔离怎么做、通信和依赖如何治理讲到边界成本。
Vue2 和 Vue3 都用过，有什么区别？
这题考察 Vue 版本演进理解。高质量回答要从响应式原理、组合式 API、编译运行时优化、TypeScript 支持和迁移风险展开。
列表的优化
这题考察前端性能定位和大列表治理。回答要先判断瓶颈来源，再按数据、渲染、更新、资源和交互体验分层优化。
螺旋数组填充：给一个数组，返回一个 m*n 的矩阵，数从小到大顺时针螺旋填充矩阵，要求 |m-n| 尽可能小
这题考察矩阵尺寸选择和边界模拟。先根据数组长度找最接近的 m、n，再用四个边界按顺时针方向填充，重点处理单行单列和越界收缩。
一个 HTTP 请求的全过程
这题考察从 URL 到响应处理的完整链路，回答要按缓存、DNS、连接、TLS、HTTP 报文、服务端处理和客户端渲染顺序展开。
同题还出现在 2 个公司岗位
你觉得要如何提高目前支付宝中搜索功能的效果和用户体验？
这个问题可以按支付宝这类任务型搜索场景回答：同时提升搜索效果和用户体验，不能只改排序或入口样式。高质量回答应围绕意图理解、多路召回、排序目标、结果组织、交互反馈和实验评估展开。
Claude Code 使用 grep 检索与 RAG 检索有什么区别？
grep 检索和 RAG 检索的区别在于前者是确定性的文本匹配工具，后者是面向语义召回、上下文组织和生成回答的检索增强流程。
如果让你设计一个推荐系统，会设计什么样的架构？
推荐系统架构题要从离线训练、在线服务、召回排序、策略重排、实验监控和反馈闭环回答，不能只列协同过滤或深度模型。
如何合并 N 个有序数组并输出有序数组？
合并 N 个有序数组的经典做法是使用小顶堆维护每个数组当前最小元素，复杂度 O(M log N)，其中 M 是总元素数。
大模型使用的损失函数是什么？
大模型预训练最常见的损失函数是 next-token prediction 的交叉熵损失；对齐阶段还会出现 SFT 交叉熵、奖励模型损失、RLHF 或 DPO 这类偏好优化目标。
如何将 NLP 和推荐相互结合？
NLP 和推荐结合的关键是把文本理解能力转成推荐可用的用户、物料和上下文表示，用于召回、排序、冷启动和解释，而不是简单把两个系统拼起来。
常用的召回算法有哪些？
常用召回算法可以按规则、协同过滤、内容向量、模型向量、图关系和实时行为分组，核心目标是在可控延迟内从海量物料中取到足够好的候选。
RAG 可以做哪些优化？
RAG 优化要覆盖切分、索引、召回、重排、上下文组装、生成约束和评估闭环，不能只停留在换 embedding 模型。
给店铺卖家发放贷款并控制逾期率，特征工程如何设计？
这题考风控特征工程的完整框架：围绕逾期风险定义标签、时间窗口、主体画像、经营现金流、历史履约、异常行为和数据泄漏控制。
如何设计一个基于历史搜索关键词的推荐系统？
基于历史搜索关键词的推荐系统要把用户 query 历史转成可用兴趣画像，再匹配候选内容或广告。设计重点包括 query 日志表、用户画像表、关键词标准化与类目映射表、候选物料表、曝光点击转化日志表，以及召回、排序、过滤和反馈闭环。
决策树的分裂准则有哪些？最大信息增益和最大信息增益比有什么不同，为什么最大信息增益有缺陷？
决策树分裂准则用于选择让子节点更纯的特征和切分点。信息增益看熵下降，容易偏向取值多的特征；信息增益比用特征自身的分裂信息做归一化，缓解多值特征偏置，但也可能偏向分裂信息过小的特征，需要结合阈值和验证效果判断。
Agent 系统中的 skill（能力模块）应如何设计和实现？
这题考 Agent 能力模块的工程抽象，回答要说明 skill 的边界、契约、工具绑定、权限、测试、版本和失败处理。
同题还出现在 1 个公司岗位
Teacher forcing 为什么会带来训练和推理不一致，如何缓解 exposure bias？
这题考序列模型训练中的 teacher forcing 和 exposure bias，回答要解释训练推理输入分布不一致、误差累积和常见缓解方法。
AI Infra 中拿到一个慢算子时，如何判断是否值得优化，并选择 kernel 优化、算子融合、图优化或数据布局调整？
这题考慢算子优化的工程决策树，重点不是单独判断 Memory Bound 或 Compute Bound，而是先判断投入是否值得，再把 profile 证据映射到 kernel、融合、图优化和 layout 等不同路径。
接手一个未量化的大模型时，如何推进量化方案选择、校准、精度评估和推理性能迭代？
这题考未量化大模型的量化 rollout 方法论，重点是从部署目标、量化范围、校准集、kernel 支持、质量回归、性能收益到灰度回滚形成闭环，而不是背几个量化名词。
同题还出现在 1 个公司岗位
AWQ 等权重量化引入反量化步骤后，为什么仍可能让 LLM 推理整体变快？
这题考权重量化的反直觉加速机制，核心是解释额外 dequant 计算为什么可能小于权重带宽、显存占用、cache 命中和融合带来的收益，同时说明它只在合适瓶颈和 kernel 支持下成立。
推理优化中为什么常把动态图转成静态图再做算子融合，转换开销如何评估和控制？
这题考动态图和静态图在推理优化中的取舍，重点是静态图提供全局依赖、shape、pattern 和内存信息，便于融合和调度优化；转换开销要靠缓存、shape bucketing、warmup、fallback 和端到端摊销控制。
3D Gaussian Splatting 重建中的主要误差来源有哪些，如何从相机位姿、点云初始化和优化过程定位？
这题把“高斯重建”明确放在高斯重建 / 3D Gaussian Splatting 类重建语境下，重点考误差归因能力：相机、初始化、可见性、材质、Gaussian 参数优化和评估调试都可能成为重建误差来源。
MVS 点云采样和 NeRF 采样在 3D 重建中各有什么优势和局限，如何按场景选择？
这题考的是 3D 重建方法取舍：MVS 更偏显式几何和多视图匹配点云，NeRF 更偏沿射线做体渲染采样和隐式辐射场优化，选择要看视角密度、纹理、材质、速度、输出形态和下游需求。
如何用 PyTorch/CUDA 思路实现四线性插值，说明索引、权重计算和边界处理伪代码？
这题考实现思路而不是背库函数：先声明把“四线性插值”按 4D/quadrilinear interpolation 理解，即 4 个连续维度上各取 floor/ceil 共 16 个邻居，再讲索引映射、权重乘积、边界策略、CUDA 并行和反向传播验证。
RAG 混合召回链路中 URL 解析怎么做，如何把网页链接、正文和元数据接入向量与关键词召回？
这题考的是 Web 类知识源进入 RAG 的完整索引链路：候选人要能讲清 URL 规范化、网页抓取解析、正文抽取、元数据建模、chunk 切分、向量和关键词混合召回、权限过滤、去重引用和评估闭环。
聊天 AI 应用中如何减少大模型幻觉？
减少聊天 AI 应用中的大模型幻觉，需要同时处理知识来源、提示约束、检索增强、工具调用、输出校验、拒答策略、评测监控和用户体验。核心原则是让模型少凭空补全，多基于可验证证据回答，并在证据不足时明确不确定。
同题还出现在 1 个公司岗位
大模型微调方法有哪些？
大模型微调可以从“训练目标”和“参数更新方式”两条线回答：训练目标包括继续预训练、监督微调、偏好对齐和任务适配；参数更新方式包括全参数微调和参数高效微调。面试中要说清每类方法解决什么问题、用什么数据、优化什么损失，以及成本和风险。
同题还出现在 1 个公司岗位
RAG 什么时候只用静态知识库，什么时候需要接入动态网页检索？
这道题考察 RAG 检索源选择和系统边界设计。回答要说明静态知识库适合权威、可治理、更新频率低或组织受控知识，优势是稳定、可审计、低延迟、低风险；动态网页检索适合新闻、政策、价格、版本、故障状态、市场信息等变化快且静态库无法覆盖的问题，优势是新鲜度和覆盖面。高质量回答应给出 query 路由、混合检索、来源可信度、成本延迟、安全合规、冲突处理、引用和评估方案，而不是简单说“静态不够就联网”。
多 Agent 协作时，Agent 之间如何传递状态、消息和工具结果，并避免并发读写冲突？
这道题考察多 Agent 系统的状态建模、通信协议、工具结果传递和并发一致性设计。好答案不能停留在 Agent 之间互相发消息，而要区分临时对话消息、可持久化任务状态、不可变工具产物和需要事务保护的共享资源。回答边界应覆盖消息队列或事件总线、共享状态存储、编排器协调、版本号或乐观锁、文件和数据库写入隔离、幂等重试、冲突检测，以及如何用日志和压测证明没有丢消息、重复执行和覆盖写。
Agent 的 self-refine 自我修正如何处理 API 返回字段缺失、冗余或结构不符合预期？
这道题考察 Agent 自我修正是否能和工程化 API 契约治理结合起来。好答案不能把 self-refine 说成让模型再想一遍，而要说明先用确定性 schema 校验发现字段缺失、冗余字段、类型错误和结构不匹配，再根据错误类型决定丢弃、补默认值、结构化转换、重调 API、降级或交给模型生成修复计划。边界是不能让模型凭空编造缺失事实；所有修复都要可追溯、有限重试、重新校验，并用错误率、修复成功率和幻觉字段率验证效果。
多 Agent 系统如何设计编排流程，并控制每个 Agent 的任务边界？
这题考多 Agent 编排流程和任务边界。回答重点是 coordinator、planner、executor、reviewer 的流程、契约、状态交接、冲突处理和可观测性，不是泛泛解释 Agent。
同题还出现在 1 个公司岗位
RAG 检索中为什么要混合 BM25 和向量召回，融合权重或比例如何设置和评估？
这题考 sparse+dense hybrid retrieval 的工程判断：BM25 擅长精确词项、专名、数字、错误码和短查询，向量召回擅长语义相近、同义表达和自然语言问题。融合比例不是拍脑袋固定值，而要根据 query 类型、离线指标、线上反馈、延迟成本和 badcase 分布动态调优。
同题还出现在 1 个公司岗位
Agent 调用服务端 API 工具的完整流程是什么？如何完成参数生成、鉴权、执行、错误处理和结果回填？
这题考 Agent 工具调用的工程链路：模型通常不直接访问业务 API，而是由宿主系统基于工具 schema、权限、参数校验、执行器、错误处理和结果回填来完成闭环。
同题还出现在 2 个公司岗位
DPO、PPO、GRPO 三种对齐方法在工程上如何选择，各自适合什么反馈和决策场景？
这题考的是候选人能否把 DPO、PPO、GRPO 从“算法名词”落到工程选择。好答案要先按反馈形态和决策场景分类：只有离线成对偏好时优先 DPO；有可训练奖励模型、在线采样和长链动作优化需求时考虑 PPO；同一 prompt 能采多条候选并用组内相对奖励比较，尤其是可验证任务或推理题时适合 GRPO。还要讲清 reward hacking、KL 漂移、长度偏置、探索成本、训练稳定性和评估指标。
同题还出现在 2 个公司岗位
Transformer 中 Pre-Norm 和 Post-Norm 有什么区别，为什么会影响深层模型训练稳定性？
这题考的是 Transformer 残差块里 LayerNorm 放置位置对梯度流和深层训练的影响：Pre-Norm 更利于深层稳定训练，Post-Norm 表达形式经典但更依赖 warmup、初始化和训练技巧，二者还有最终性能与稳定性的取舍。
同题还出现在 1 个公司岗位
Agent 系统里上下文缓存有什么价值，如何用它处理频繁复用的系统指令并降低冗余上下文成本？
这题考 Agent 上下文缓存和 prompt caching。核心是把稳定系统指令、工具协议和安全策略作为可缓存前缀，把用户问题、检索材料和工具结果作为动态上下文，并通过版本、权限作用域和失效机制避免缓存污染。
如果要设计蚂蚁金服内部自动客服系统，如何定义用户场景、能力边界、流程和评估指标？
这题考 AI 产品经理能否把内部自动客服设计成企业级系统。要先明确内部员工、运营、技术支持等场景，再设计知识、权限、工单、模型回答、人工升级和质检闭环，并用解决率、准确率、转人工率、时效、满意度和风险指标验收。
在 Hive 中有一个城市百万级经纬度数据，如何做空间聚类，并兼顾距离计算、分区分桶、性能和结果验证？
这题考的是把百万级经纬度点在 Hive 环境里做成可落地的空间聚类方案，而不是只说一个算法名。好的回答要先明确聚类目标和距离口径，再选择网格、Geohash、KMeans 或 DBSCAN 等方法，并说明 Hive 里如何用分区分桶、邻域裁剪、两阶段距离计算和结果验证控制成本。核心原则是避免全量两两距离，把空间问题转成可分区、可局部比较、可抽样核验的数据处理流程。
DBSCAN 的原理是什么？如何用伪代码描述其聚类过程？
这道题考察 DBSCAN 的密度聚类思想和过程表达能力。核心是用 eps 邻域和 minPts 定义核心点、边界点和噪声点，从核心点出发把密度可达的点扩展成簇；它不需要预先指定簇数，能发现任意形状簇和离群点，但对参数、距离度量和密度差异敏感。
LLM 推理中 KV Cache 大小如何计算，哪些参数决定显存占用？
这题考 LLM 推理显存估算的基础功。高质量回答要给出 KV Cache 公式，说明 batch、上下文长度、层数、KV head 数、head_dim、数据类型、beam/并发和 GQA/MQA 都会影响显存，并区分权重显存、激活显存和 KV Cache 显存。
LLM 量化中 W4A16 表示什么，它在权重位宽和激活精度上有什么取舍？
这题考 LLM 量化命名和工程取舍。W4A16 表示权重 4 bit、激活 16 bit，通常属于 weight-only 或偏权重量化路线，核心收益是降低权重显存和内存带宽，核心代价是权重误差、反量化开销、kernel 适配和部分能力回归。
为什么 Attention 相关量化比普通权重量化更难，softmax、动态范围和误差放大会带来哪些问题？
这题考 Attention 量化为什么比静态权重量化更敏感。答案要围绕 Q/K/V 动态分布、QK logits、mask、softmax 指数放大、KV Cache 长期复用和误差跨层传播展开，并给出常见工程缓解策略。
AI 在金融行业有哪些典型落地场景，产品经理应如何评估价值、风险和合规边界？
这题考的不是罗列几个 AI 金融应用名词，而是产品经理能否按金融业务链路识别 AI 的适用场景，并同时回答价值、风险、合规和上线验证。高质量回答要把场景分层，例如客户交互、营销与经营、风控反欺诈、运营自动化、合规审查和内部员工助手；再说明不同场景的收益指标、模型指标、用户体验指标、风险指标和合规边界。金融场景的关键不是“能不能自动化”，而是哪些环节允许自动决策，哪些只能辅助人工，哪些必须留痕、可解释、可申诉、可回滚。
蚂蚁集团上线新的签到活动后参与率一直不高，产品运营应从哪些数据维度定位原因并制定优化策略？
这道题考察产品运营能否把签到活动参与率低拆成一条可诊断、可行动的增长链路。成熟回答不能只说加奖励、发 push，而要先定义参与率口径，再沿曝光、触达、点击、进入、签到完成、奖励领取、复访留存逐层定位，并结合用户分层、渠道、版本、设备、规则理解、奖励感知和数据质量判断问题发生在哪里。最后要把诊断转成运营动作和实验方案，证明自己既懂指标，也懂用户增长闭环。
Agent 按需加载工具说明、规则和上下文的渐进式披露架构下，是否还需要 RAG？二者如何分工与协同？
这题考 Agent 上下文架构和知识检索的边界。回答要说明渐进式披露管工具说明、规则和上下文的按需加载，RAG 管外部事实证据检索，并给出二者协同的执行链路。