分页题目
字节跳动相关面试题第 3 页
TCP 为什么需要四次挥手？
TCP 需要四次挥手，是因为 TCP 是全双工协议，两个方向的数据流要分别关闭。主动关闭方发送 FIN 只表示自己不再发送数据，对方收到后先 ACK 确认，但对方可能还有未发送完的数据，等它也发送完后再发 FIN，主动关闭方再 ACK，因此通常是四个报文段。
TCP 如何进行拥塞控制？
TCP 拥塞控制通过动态调整拥塞窗口 cwnd 来控制网络中未确认数据量，目标是在尽量提高吞吐的同时避免把网络打爆。经典机制包括慢启动、拥塞避免、快速重传和快速恢复，现代实现还会结合 RTT、丢包、带宽估计和不同拥塞控制算法优化。
直播后如何用点击量、转化率、互动量和用户反馈评估效果？
直播后评估效果不能只看单一指标，而要把点击量、转化率、互动量和用户反馈放进同一条漏斗里分析。点击量衡量触达和兴趣，转化率衡量交易或目标动作效率，互动量衡量内容参与深度，用户反馈解释数据背后的满意度和阻碍点，最终要落到复盘结论和下一场优化动作。
同题还出现在 1 个公司岗位
直播组品时如何根据目标受众、产品卖点与直播节奏来选择商品？
直播组品不是把能卖的商品都放进货盘，而是围绕目标受众、核心卖点和直播节奏做取舍。好的回答要说明先定义人群和成交目标，再按引流、承接、转化、利润、复购等角色配置商品，并用价格带、库存、讲解难度和节奏位置控制整场效率。
如何提高直播中产品的点击量？
提高直播商品点击量，本质是提升用户从观看到点开商品卡的动机和路径效率。答案应覆盖商品曝光、主播引导、利益点表达、商品卡信息、直播节奏、互动机制和数据实验，而不是只说多喊几次链接。
当直播产品点击量远低于浏览量时，可能有哪些原因？
产品点击量远低于浏览量，说明观看用户没有被有效推动到商品详情或购买链路。原因可能来自流量人群不匹配、商品吸引力不足、卖点表达不清、商品卡承接弱、主播引导少、节奏节点错位或技术路径问题，需要按漏斗逐层排查。
TikTok 电商和海外其他电商的区别是什么？
TikTok 电商与海外传统电商的核心差异在于发现方式、交易场景和内容驱动。传统电商更多依赖用户主动搜索和货架比较，TikTok 电商更依赖短视频、直播、达人内容和算法推荐激发即时需求，因此运营重点从单纯优化货架，扩展为内容种草、达人协同、直播转化和履约信任的全链路管理。
Sales 出身的主播直播销量不好可能是什么原因？
Sales 出身的主播销量不好，常见原因不是表达能力差，而是销售场景迁移失败。线下或一对一销售依赖深度沟通和逐个异议处理，直播需要在高流速、强内容、短决策的环境里同时完成吸引、讲解、互动、促单和节奏控制。
一场美妆直播该怎么组品？
美妆直播组品要围绕肤质、妆容场景、价格带和购买决策链路设计，而不是简单堆品牌和爆款。合理货盘应同时包含引流款、主推爆品、功效款、套装组合、色号补充、工具耗材和复购品，并安排试妆演示、信任背书和售后承诺。
一场直播后应该从哪些角度分析数据？
直播后复盘要从流量、互动、商品、交易、用户、内容、履约和成本收益多个角度拆解。成熟回答不能只报 GMV，而要定位漏斗断点、识别有效动作、沉淀可复用方法，并形成下一场可执行的调优清单。
内部业务线要求优先满足紧急需求，而外部客户需要商业化适配功能，你如何协调资源？
内部紧急需求和外部商业化适配不是简单的谁声音大谁优先，而是要把不同诉求放到同一套决策框架里比较：业务影响、客户价值、收入风险、合规风险、交付成本、时间窗口和可复用性。产品负责人需要建立透明的优先级规则，拆出最小可交付版本，保留必要的资源缓冲，并让关键干系人对取舍结果和交付节奏达成明确承诺。
面向内部业务线的数据平台产品与外部 B 端客户商业化产品，在功能颗粒度上有什么差异？
内部数据平台和外部 B 端商业化产品在功能颗粒度上的核心差异，是内部更偏底层、灵活、可组合，外部更偏场景化、标准化、可自助。内部用户通常具备共同业务背景和较强工具使用能力，可以接受细粒度配置、复杂查询和半成品能力；外部客户需要清晰任务流、稳定边界、低学习成本、权限隔离、服务保障和可计费包装。
面向内部业务线的数据平台产品与面向外部 B 端客户的商业化产品，在需求优先级上有什么差异？
内部数据平台和外部 B 端商业化产品的需求优先级差异，来自目标函数不同。内部平台通常优先服务组织战略、业务效率、数据准确性、风险控制和关键项目；外部商业化产品则更看重收入贡献、客户留存、市场竞争、可规模化复用和交付承诺。产品负责人要把两套目标翻译成统一的价值评估，而不是用同一种排序逻辑处理所有需求。
从你的视角看，产品经理岗位最重要的三个能力特质是什么？
产品经理最重要的三个能力特质可以概括为：问题洞察能力、结构化决策能力和跨团队推动能力。问题洞察决定是否找准真实需求，结构化决策决定是否能在不确定性中做取舍，跨团队推动决定方案能否落地并产生业务结果。三者组合起来，才是从发现机会到交付价值的完整闭环。
将内部验证过的大模型数据标注工具推向外部市场时，需要做哪些适配？
把内部验证过的大模型数据标注工具推向外部市场，不能只是开放登录入口，而要完成从内部工具到商业化产品的系统适配。重点包括客户分层、场景包装、多租户与权限、安全合规、交付部署、计费套餐、使用体验、服务支持、数据隔离、可观测性和客户成功闭环。内部可依赖组织流程补齐的部分，外部都要产品化。
在一个产品从研发洞察到规划设计再到上线的过程中，产品经理最重要的三个职能是什么？
产品从研发洞察到规划设计再到上线，产品经理最重要的三个职能是：定义正确问题、形成可落地方案、推动上线并验证结果。前者确保方向正确，中间确保方案在用户价值、业务目标和技术约束之间可行，后者确保跨团队执行到位并通过数据复盘持续迭代。
同题还出现在 1 个公司岗位
AI 自动生成 SQL 数据分析代码的大概技术实现方案是什么？
AI 自动生成 SQL 数据分析代码的技术实现，通常不是让模型直接自由输出 SQL，而是构建一个受约束的自然语言到查询系统。核心流程包括理解用户问题、识别指标和维度、检索数据表与字段、结合业务口径生成 SQL、做语法和权限校验、试运行与错误修复、返回结果解释，并把用户反馈沉淀为语义层和评测集。
如果你是产品 owner，这款 AI 自动生成 SQL 工具要解决的核心业务问题是什么？
作为产品 owner，这款 AI 自动生成 SQL 工具要解决的核心业务问题，是降低数据分析门槛和提升组织决策效率。它让不熟悉 SQL 的业务人员能自助获取可信数据，也让数据分析师从重复取数中解放出来，把时间投入到更高价值的诊断、建模和策略分析。最终目标不是生成代码本身，而是更快、更准、更低成本地回答业务问题。
如果要实现 AI 自动生成 SQL 数据分析代码，它的核心难点是什么？
AI 自动生成 SQL 的核心难点不只是模型会不会写语法，而是能否在复杂业务语义、分散数据资产、权限安全、执行成本和用户意图不完整的情况下，稳定生成可信查询。最难的是把业务语言准确映射到正确指标、表、字段、过滤条件和关联关系，并通过校验和反馈机制避免看似正确但实际口径错误的结果。
AI 生成 SQL 工具的核心优势是什么？主要用户会是谁？
AI 生成 SQL 工具的核心优势是把业务问题到数据答案的链路缩短：降低 SQL 和数据仓库理解门槛，提升临时分析效率，统一指标口径，减少数据团队重复取数，并让数据探索更自然。主要用户包括业务运营、产品经理、增长人员、销售运营、数据分析师、管理者和具备数据需求但不熟悉表结构的 B 端客户。
设计 AI 搜索功能时，灵感来源和用户痛点如何说明？
AI 搜索功能的灵感可以来自用户在生活决策中的真实行为：他们并不是想看更多结果，而是想把碎片信息快速变成可行动选择。它解决的痛点包括搜索结果过载、视频信息分散、结论难比较、真实感与效率难兼得、用户需要在多个平台之间反复跳转，以及个性化约束无法被传统关键词搜索充分理解。
大量用户反馈 AI 的回答正确但没有抖音味儿、很无聊，你如何分析并优化？
用户说 AI 回答正确但没有抖音味儿，说明问题不在事实准确性，而在内容表达、场景理解、情绪价值和生态连接上。优化方向不是牺牲正确性去追求花哨，而是在可信答案之上加入更鲜活的本地语感、短视频内容证据、达人视角、用户评论洞察、强选择理由和可互动的探索路径。
你会建立怎样的 AI 搜索效果评测体系？
AI 搜索效果评测体系要同时覆盖事实正确、意图满足、内容生态融合、答案可用性、用户满意和业务增长。它不能只看模型离线分数，也不能只看点击率，而要把离线评测、人工评审、在线实验、用户反馈和长期生态指标组合起来，形成从 Query 到答案、从答案到行动、从行动到生态反哺的闭环。
如何科学衡量一个 AI 搜索结果的用户满意度？
科学衡量 AI 搜索结果满意度，要把“用户喜欢”拆成任务是否完成、答案是否可信、交互是否省力、内容是否有吸引力以及后续是否产生正向行动。单一点击率或停留时长都不可靠，必须结合显性反馈、隐性行为、复搜信号、分意图指标、离线标注和延迟后反馈，建立可解释的满意度模型。
同题还出现在 1 个公司岗位
抖音搜索与百度搜索期望获得的结果形态有什么根本不同？
抖音搜索与百度搜索的根本不同在于结果形态和用户期待：百度更偏网页和知识索引，用户常期待权威、完整、可跳转的信息答案；抖音更偏内容生态和体验消费，用户常期待真实、生动、可感知、可种草、可互动的结果。前者强调查到，后者更强调看到、感受到、被激发并行动。
如何理解 AI 大模型和抖音内容生态结合会给抖音搜索带来新增长动力？
AI 大模型与抖音内容生态结合，会给搜索带来新的增长动力，因为它把海量碎片视频转化为可理解、可组合、可决策的答案，提升用户在复杂场景中的搜索成功率。同时，AI 搜索能创造新的内容消费入口、激活长尾内容、提高搜索留存和转化，并通过用户反馈反哺内容生产与排序。
你认为该搜索体验问题的根本原因是什么？
该搜索体验问题的根本原因，是系统仍把搜索当作“内容相关性排序”而不是“用户任务完成”。当用户带着开放式、场景化、个性化的需求进入搜索时，传统链路只能返回相关视频，无法理解隐含约束、整合碎片信息、给出可执行结论，也无法用满意度和生态反馈持续优化。
用户在抖音里搜索和在百度上搜索，两者最核心的用户意图有什么根本不同？
用户在抖音里搜索和在百度上搜索，最核心的用户意图差异是：百度更常承接明确问题下的信息获取和入口查找，抖音更常承接内容消费驱动的体验探索、真实验证和种草决策。用户在百度想更快查到，在抖音往往想更真实地感受到、比较并被激发行动。
XSS 和 CSRF 的区别、原理和防御方式是什么？
XSS 和 CSRF 都属于 Web 安全问题，但攻击面不同。XSS 是让恶意脚本在可信页面里执行，CSRF 是诱导已登录浏览器向可信站点发起非预期请求。防御要分别围绕脚本执行边界和请求意图校验来设计。
Java 程序从编译到运行经历了哪些过程？
Java 程序从编译到运行通常经历源码编译、字节码生成、类加载、链接、初始化和执行几个阶段。执行阶段由 JVM 解释执行和 JIT 编译共同完成，并由运行时系统负责内存管理、线程调度和异常处理。
Java 为什么可以跨平台？
Java 能跨平台的核心原因是源码先编译成平台无关的字节码，再由不同操作系统和 CPU 上的 JVM 负责解释、编译和调用本地能力。跨平台成立的前提是运行环境、依赖和本地资源使用也保持兼容。
TCP 如何保证可靠传输？
TCP 可靠传输依赖一组机制共同保证：序列号和确认号负责定位数据，重传机制处理丢包，滑动窗口控制发送节奏，校验和发现损坏，按序交付与去重处理乱序和重复，拥塞控制保护网络稳定。
同题还出现在 1 个公司岗位
DNS 解析过程是什么？
DNS 解析是把域名转换为 IP 地址的过程。通常会先查浏览器、系统、hosts 和本地递归解析器缓存；未命中时，递归解析器依次查询根域、顶级域和权威域名服务器，拿到 A 或 AAAA 等记录后按 TTL 缓存并返回。
如何设计微信语音发送功能的测试用例？
微信语音发送功能的测试用例要覆盖录音、取消、时长边界、权限、编码上传、发送状态、接收播放、弱网、后台切换、兼容性和隐私安全。核心是把用户手势、媒体采集、网络传输和消息状态作为一条端到端链路验证。
如何设计微信发红包功能的测试用例？
微信发红包测试用例要覆盖创建、支付、扣款、发送、领取、并发、过期退款、通知、多端同步、账务对账、安全风控和异常恢复。重点是金额状态机、资金一致性和高并发领取的正确性。
mask attention是如何实现的？
Mask attention 的核心是在计算 attention 权重前，对不允许关注的位置加上一个极小值，使这些位置经过 softmax 后权重接近 0。它常用于因果语言建模、padding 屏蔽、局部注意力和结构化可见性约束。
同题还出现在 1 个公司岗位
推荐系统工程上是怎么实现的？
推荐系统工程实现通常是召回、粗排、精排、重排、策略和反馈闭环的多阶段链路。面试中要讲清离线训练、实时特征、在线服务、实验平台和监控回流，而不是只列几个推荐算法名字。
Attention如何计算？
Attention 的核心是用 query 和 key 计算相关性权重，再用这些权重对 value 做加权求和。Transformer 中常见的是 scaled dot-product attention：softmax(QK^T / sqrt(dk))V，多头注意力则并行学习多组关系。
如何判断模型是否过拟合？
判断过拟合要看训练集表现和验证/测试集表现是否明显分离。典型现象是训练 loss 持续下降、训练指标很好，但验证指标停滞或变差。还要结合学习曲线、分桶表现、交叉验证和线上泛化来排除数据泄漏或分布漂移。
神经网络初始参数能不能全设成 0，为什么？
神经网络参数不能全部初始化为 0，因为同一层神经元会得到完全相同的梯度更新，无法打破对称性，多个神经元会学成同一个函数。偏置可以为 0，但权重需要随机或按 Xavier/He 等方法初始化。
L1 和 L2 正则化的区别是什么？
L1 和 L2 正则化都是限制模型复杂度、缓解过拟合的方法。L1 加的是参数绝对值和，容易产生稀疏权重；L2 加的是参数平方和，会平滑地压小权重，也常被称为权重衰减。
激活函数有哪些？
激活函数的作用是给神经网络引入非线性，常见包括 Sigmoid、Tanh、ReLU、Leaky ReLU、ELU、GELU、Softmax 和 Swish。回答要讲清各自范围、梯度特点、适用层和常见问题。
ReLU 是为了解决什么问题设计的？
ReLU 的设计目标是给神经网络引入简单高效的非线性，同时缓解 Sigmoid/Tanh 在深层网络中的梯度消失和计算饱和问题。回答要同时讲优点和死亡 ReLU 等代价。
0、1 分类问题应使用什么损失函数，为什么不能用 MSE？
0、1 分类通常使用二元交叉熵或逻辑损失，而不是 MSE。核心原因是分类建模的是伯努利概率，交叉熵梯度和概率解释更合适。
如何将 GAN 应用到检测分割中以提升性能？
把 GAN 用到检测分割中，核心是让生成器补充样本、域迁移或生成更难的视觉场景，再用检测分割任务损失和对抗损失共同约束，避免只追求图片逼真。
如何手推 MSE 的梯度并进行反向传播？
手推 MSE 梯度要从损失定义开始，说明对预测值的导数，再把这个误差信号沿链式法则传回模型参数，而不是只背一个公式。
Encoder 和 Decoder 中的 Attention 有什么区别？
Encoder 和 Decoder 中 Attention 的核心区别在于可见信息、mask 约束和信息来源不同：Encoder 做双向理解，Decoder 做自回归生成并可能交叉关注 Encoder 输出。
同公司岗位有 2 条面经记录
如何实现 NMS 的全过程，包括按 score 排序？
NMS 的流程是按置信度排序，依次保留最高分框，计算它与剩余框的 IoU，并删除重叠过高的候选框，直到候选框处理完。