已解析题目
百度相关面试题
urlschema、universal links 的区别以及使用场景
这题考察移动端深链方案选型，要区分自定义 Scheme、Universal Links 的触发方式、安全边界、未安装降级和归因链路。
小程序生命周期，生命周期内都做什么？
这题考察是否能按 App、Page、Component 三层说明生命周期职责，并把初始化、显示刷新、渲染完成和资源清理放在正确阶段。
为什么不用节流，说说防抖和节流的区别
这题考察防抖和节流的触发模型、场景选择和首尾触发配置，重点不是背定义，而是能解释为什么某个业务不用节流。
手写题：数组去重，用多种方式实现
这题考察数组去重的多种实现、相等判断和复杂度边界。高质量回答要覆盖基本类型、NaN、对象引用和对象数组按业务 key 去重。
手写：用 Vue 写一个登录组件，考验组件封装能力
这道题不是让你画一个账号密码框，而是考察登录表单组件的封装边界。高质量回答要说清 LoginForm 负责 UI、输入状态、校验、错误展示和提交契约，业务页面负责登录接口、token/session、路由跳转、风控和埋点。
设计一个组件需要考虑什么？
这题考察组件设计的工程判断：先定职责边界，再设计输入输出、状态归属、扩展点、可访问性、异常状态和维护成本。
普通模型的query fine tuning和SFT有什么区别？
如果这里的 query fine tuning 指普通模型围绕查询输入做下游任务微调，它和大模型 SFT 的主要区别在于数据形态、优化目标和输出形式。前者通常学习 query 到标签、分数、向量或候选排序的任务映射；SFT 则训练自回归大模型在给定指令后生成期望回答。
Self attention的公式是什么，为什么要除以sqrt(dk)？
Self-attention 的常见公式是 Attention(Q,K,V)=softmax(QK^T/sqrt(dk))V。除以 sqrt(dk) 是为了控制点积分数的方差，避免维度较大时 logits 过大导致 softmax 饱和、梯度变小、训练不稳定。
二分类任务中，AUC是什么意思？
二分类 AUC 通常指 ROC 曲线下面积，衡量模型把正样本排在负样本前面的整体排序能力。AUC 越大，说明模型区分正负样本的能力越强；随机排序约为 0.5，完美排序为 1。
深度点击率预估模型如何选型？
深度点击率预估模型选型要看特征规模、样本量、实时性、可解释性和业务阶段。回答时可以从 LR/GBDT 到 Wide&Deep、DeepFM、DIN、DCN、MMoE 等模型演进讲起，再说明如何用离线指标和线上 A/B 验证。
多模态特征怎么融合？
多模态特征融合要解决不同模态的表示、对齐、尺度、缺失和交互问题。面试回答可按早期融合、中期融合、晚期融合和注意力/跨模态交互展开，再补充训练目标、缺失模态和线上成本。
GBDT 的实现流程是什么？
GBDT 的实现流程是不断训练回归树去拟合当前模型的负梯度或残差，并把新树按学习率累加到集成模型中。回答时要讲清初始化、计算伪残差、建树、叶子权重、模型更新和停止条件。
离散、连续特征如何拼接？
离散和连续特征拼接的关键是先把两类特征变成尺度合适、语义明确的向量。离散特征常用 one-hot、hash 或 embedding，连续特征要归一化、分桶或变换，再在模型输入层拼接。
在样本不平衡问题中，除了修正数据集，还能有哪些方法？
样本不平衡除了修正数据集，还可以从损失函数、样本权重、阈值移动、指标选择、模型集成、概率校准和业务决策成本入手。回答要说明不同方法解决的是训练偏差、预测阈值还是评估偏差。
同题还出现在 1 个公司岗位
你了解推荐线上比较核心的环节吗？
推荐线上核心环节通常包括请求接入、特征获取、多路召回、粗排、精排、重排混排、策略约束、日志回流和监控实验。回答要讲清每一层的目标、输入输出和效率取舍。
大模型产出的向量或相似度可用于推荐链路的哪些环节？
大模型产出的向量或相似度可以用于推荐链路的召回、粗排、精排特征、重排和解释环节，但不能把整条链路都交给大模型直接排序。
如何实现给用户推荐音乐的功能，需要哪些特征和算法？
音乐推荐设计要从用户、音乐、上下文和反馈特征出发，构建召回、排序、重排和反馈闭环，而不是只列协同过滤或深度模型。
目前主流的视频推荐和音乐推荐算法有哪些？
视频和音乐推荐常用算法可以按召回、排序和重排来回答：协同过滤、内容理解、向量召回、深度排序、多目标排序和多样性控制共同组成链路。
推荐系统如何解决马太效应？
推荐系统的马太效应是热门内容获得更多曝光后继续变热，长尾内容越来越难被发现，需要从召回、排序、重排、探索和评估偏差一起治理。
常见的文本特征提取器有哪些？
文本特征提取器可以从传统稀疏特征、统计特征、词向量、上下文 embedding 和任务特征几类回答，关键是说明适用场景和优缺点。
计算机视觉模型与 ChatGPT 这类大模型的网络有什么区别？
计算机视觉模型和 ChatGPT 类大模型的差异主要在输入形态、主干结构、训练目标、上下文建模方式和推理生成范式。
SMOTE 数据扩增算法的原理是什么？
SMOTE 是处理类别不平衡的过采样方法，它在少数类样本和近邻之间插值生成新样本，而不是简单复制少数类样本。
常见的加解密算法有哪些？
常见加解密算法要按对称加密、非对称加密、哈希摘要、消息认证和签名分类回答，并说明它们解决的问题不同。
如何实现 str2num，将字符串转换为整数或浮点数？
str2num 的重点是把符号、前导零、整数部分、小数部分、非法字符和溢出规则定义清楚，再用状态机或分段扫描实现。
YOLOv3 的结构、多尺度预测和损失函数是什么，YOLOv4 相比 YOLOv3 有哪些改进？
这题考 YOLO 系列检测器的完整理解：YOLOv3 的 backbone、neck、head、多尺度 anchor 预测、损失组成，以及 YOLOv4 的训练和结构增强。
个激光雷达的车如何设计点云分割算法？
这题考多激光雷达点云感知方案，重点是标定同步、多雷达融合、点云表示、分割网络、时序和实时性。
如何从数据和搜索两个角度设计一个电影垂直搜索系统？
电影垂直搜索要从数据侧建立结构化电影实体、别名、演员导演、类型、地区、上映时间和资源状态，从搜索侧完成 query 理解、多路召回、相关性排序和结果展示。回答重点是把数据质量、实体归一、检索链路和效果评估连成闭环。
DQN 有哪些常见优化版本，DDQN、Dueling DQN、PER 与 PPO 在调参和训练速度上有什么差异？
DQN 是基于值函数的 off-policy 强化学习方法，DDQN、Dueling DQN 和 PER 分别缓解 Q 值过估计、状态价值与动作优势混合、经验采样效率低等问题。PPO 是 on-policy 策略优化方法，调参重点、样本复用和训练速度与 DQN 系列明显不同。
多用户并发 Agent 中，记忆模块如何做隔离并保证线程安全？
这题考察多用户并发 Agent 的状态边界设计：记忆必须按 tenant、user、session 或 conversation 隔离，外部化存储并避免进程内共享可变状态，同时用原子写入、锁、版本号和异步上下文传递保证并发安全。
LLM 服务用 vLLM 和 Streaming 输出时，如何在首 token、总延迟和吞吐之间折中？
这题考 LLM 推理服务的性能取舍，回答要把 vLLM/KV-cache、Streaming、TTFT、总延迟、吞吐和 batching 之间的矛盾讲清楚。
原始视频内容如何通过多模态模型生成推荐系统可用的向量表示？
这题考原始视频到推荐向量的多模态表示链路，回答要覆盖采样、编码、融合、训练目标、上线使用和评估。
Agent 系统 Prompt 如何设计迭代，并处理用户请求不完整的意图补全？
这题考 Agent system prompt 的工程化设计，以及用户请求不完整时如何识别缺口、澄清、假设和补全。
Agent 场景下 Prompt 自动优化应如何工程化设计？
这题考 Agent Prompt 自动优化的工程化闭环，回答要聚焦候选生成、离线评测、安全门禁、灰度实验和回滚。
生成式 AI 搜索中如何设计自然融入体验的商业广告形态？
这题考生成式 AI 搜索里的广告产品设计，关键是让商业信息围绕用户意图自然出现，同时保护答案信任和转化效率。
AI 功能上线后如何收集用户反馈并设计数据指标？
这题考 AI 功能上线后的反馈闭环，回答要把显性反馈、隐性行为、模型质量、产品体验和迭代分层讲清。
同公司岗位有 2 条面经记录
AI 产品项目核心目标如何对齐成交率等业务指标？
这题考 AI 产品经理如何把 AI 项目目标和成交率等业务指标对齐，重点是建立从功能效果到用户行为再到业务结果的因果链路。
AI 多轮对话如何在轮数、任务完成率和用户体验之间取舍？
这题考多轮对话产品的轮数取舍，回答要围绕任务完成率、信息收集成本、用户耐心和主动澄清策略展开。
Agent Skill 不一定可靠时，如何用 Workflow 和 System Prompt 固定主流程？
这题考 Skill 不可靠时如何用 Workflow 和 System Prompt 固定主流程。答案要覆盖能力探测、节点契约、流程骨架、受控执行、重试降级、前端确认和提示词护栏。
前端 AI 输出流式返回时，SSE 和 WebSocket 如何取舍？
这题考前端 AI 流式输出的传输取舍。答案要说明 SSE 适合单向 token 流，WebSocket 适合强双向实时控制，并覆盖重连、代理、鉴权、取消、背压和兼容性。
AI 助手的“智能感”和“拟人感”如何拆成可衡量的用户研究指标？
这题考把 AI 助手的主观体验感知转成可研究、可对比、可迭代的指标，回答重点是先定义构念，再用行为、问卷、任务观察和验证方法建立指标体系。
如何用定性和定量混合方法研究用户对 AI 助手的信任建立过程？
这题考用混合研究方法解释 AI 助手信任如何形成，答案要覆盖定性探索、定量验证、行为日志、时间序列和三角互证，而不是只给满意度看板。
AI 产品复杂交互界面的认知负荷如何用行为和生理指标评估？
这题考 AI 产品复杂交互界面的认知负荷评估，回答要把任务行为、主观量表和可选生理指标结合起来，并说明实验控制与隐私边界。
如何设计实验验证 AI 助手表达不确定性是否提升长期信任？
这题考产品实验设计，重点是验证 AI 助手表达不确定性对长期信任的影响，同时控制答案正确性、任务类型、用户阶段和护栏指标。
AI 语音助手的误响应率是什么，应该如何评估？
这题考语音助手误响应率的定义和评估边界，答案要先明确分子分母，再拆分误唤醒、误识别、意图误触发和错误生成等失败类型。
GRPO 中序列级 reward / loss 如何分配到 token，为什么这是信用分配问题？
这题考 GRPO 里序列级奖励如何影响 token 级更新，重点是序列 reward、token log-prob、组内相对优势、信用分配歧义和训练稳定性。
银行数字人虚拟员工如何规划功能和实现路径？
这题考银行数字人虚拟员工的功能规划和实现路径，回答要兼顾银行业务场景、分阶段上线、合规风控、人工接管和效果指标。
LLM 对传统关键词竞价广告商业模式会带来什么根本性冲击？
这题考 LLM 对关键词竞价广告的商业模式冲击，回答重点是搜索入口、点击分发、广告形态、计费逻辑和平台收入结构会怎样重构。
AI 摘要导致商家 SEO 和广告点击下降时，商业产品经理应如何分析和应对？
这题考商业 PM 如何处理 AI 摘要导致商家 SEO 和广告点击下降的投诉，重点是先验证归因，再设计流量、引用、广告和客户沟通方案。