已解析题目
Cider相关面试题
AI 面试系统中,多轮对话记忆如何用 Redis 存储、过期和隔离?
这题考 AI 面试系统里的短期会话记忆设计。回答要围绕 Redis 如何保存多轮对话状态、控制 TTL、做用户/会话隔离、处理并发和失败恢复,不能泛化成抽象 Agent 记忆。
向量数据库在 AI 应用中数据量增大时,如何扩展索引、分片和召回性能?
这题考向量库从小规模知识库增长到大规模检索服务时的扩展思路。回答要覆盖容量评估、索引选择、分片分区、过滤与召回、在线更新、评估和成本延迟取舍。
电商 App 中的 AI 穿搭推荐功能应如何设计整体流程,并从数据来源、模型链路和效果评估上落地?
这道题考 AI 推荐系统设计,重点不是只说“训练一个推荐模型”,而是把商品图文、用户偏好、穿搭兼容性、业务约束、线上反馈和评估闭环串起来。
训练好的 AI 模型线上推理延迟高时,如何用量化、剪枝、TensorRT 和服务链路优化提速?
这道题考模型部署优化。高质量回答要先定位瓶颈,再分模型压缩、推理引擎、GPU 执行、批处理和服务链路逐层优化,并说明精度、吞吐、P99 延迟和稳定性的取舍。
如何设计 AI 模型调用缓存,避免相同输入重复推理,同时控制一致性、过期和成本?
这道题考 AI 服务缓存设计。重点是缓存边界、key 设计、模型版本、prompt 参数、语义相似缓存、过期策略、隐私隔离和命中率评估。
生产中的 AI 服务如何保障全天稳定运行,覆盖资源、限流、降级、监控和模型依赖治理?
这道题考 AI 服务稳定性治理。好答案要覆盖容量、GPU/模型资源、流量控制、依赖失败、降级策略、监控告警、灰度发布和故障演练。
线上模型效果变差时,如何从数据漂移、特征、模型版本、评估集和服务链路排查?
这道题考模型线上效果诊断。关键是先确认指标和影响范围,再按数据、特征、模型、评估、服务链路和实验版本逐层排查,避免一上来只怪模型。
在商品库中如何快速找出相似商品描述,倒排索引、向量召回和 ANN 检索各适合什么场景?
这道题考商品文本检索的工程设计。好答案要先定义“相似”是近重复、同款、替代品还是语义相关,再比较倒排索引、向量召回和 ANN 的机制、成本、召回质量、实时更新和线上评估。