分页解析
第 19 页面试题
筛选题目 公司、岗位、知识点
公司
公司岗位
岗位
标签
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
向量数据库和传统数据库在查询方式、索引结构和事务能力上有什么区别？
这题考向量数据库和传统数据库的边界，回答要围绕查询目标、索引结构、事务一致性和工程搭配展开。
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。
从 MHA 到 MLA，注意力机制为什么要改进，DeepSeek MLA 解决什么问题？
这题考注意力机制从效果优先到推理效率优先的演进，重点是 KV cache 压力、MHA/MQA/GQA/MLA 的取舍和工程评估。
同题还出现在 1 个公司岗位
MoE 一般加在大模型哪里，从训练和推理角度有什么收益与代价？
这题考 LLM MoE 的位置和训练推理取舍，回答要讲清 FFN 专家、router、稀疏激活、负载均衡和服务成本。
同题还出现在 1 个公司岗位
大模型推理中 Prefill/Decode（PD）分离部署为什么能提升处理速度？
这题考 LLM serving 的工作负载拆分，回答要讲清 prefill 和 decode 的差异、分离部署收益、KV cache 交接和适用边界。
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。
文生 3D 任务中，Stable Diffusion 输出如何与 NeRF / SDF 重建方法结合？
这题考文生 3D 中 2D diffusion 先验和 3D 表示优化的结合，回答要讲清 SDS、多视角一致性、NeRF/SDF 取舍和评估。
视频生成中，时序信息对齐和空间对齐哪个更重要，如何取舍？
这题考视频生成中的一致性取舍，回答要说明时序对齐和空间对齐分别解决什么、何时更重要、如何训练和评估。
AIGC 模型持续迭代时如何设计质量回归守护和灰度机制？
这题考 AIGC 模型持续迭代后的质量守护，回答要把离线回归、灰度分流、线上监控、回滚阈值和复盘机制连成闭环。
AIGC 产品中人物一致性、音色一致性和多人物稳定性如何评测？
这题考多模态 AIGC 的一致性评测，重点是把人物、音色和多人物稳定性拆成可标注、可自动检测、可线上验证的指标体系。
视频 AIGC 从 0 到 1 时，如何设计离线评估、线上实验和用户采纳闭环？
这题考视频 AIGC 从 0 到 1 的产品验证闭环，回答要覆盖离线效果评估、线上实验、用户采纳和复盘迭代。
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。
大模型能力超出边界时，AI 产品应如何识别风险并触发兜底流程？
这题考大模型产品的能力边界管理，回答要说明如何识别超能力风险、触发兜底、降低伤害并把失败样本回流。
人工介入提升 AI 准确率时，如何平衡成本和收益？
这题考 AI 产品引入人工介入时的成本收益判断，核心是按风险分层、算边际收益、控制人审成本并持续降低依赖。
办公套件引入 AI 功能时如何平衡智能化和用户掌控感？
这题考办公套件 AI 的体验边界，回答要说明哪些地方让 AI 自动做，哪些地方必须保留用户确认、编辑、回退和权限控制。
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。
AI 聊天产品如何评估好坏，哪些指标能衡量对话体验？
这题考 AI 聊天产品的指标体系，回答要把用户任务、对话体验、模型质量、系统性能、安全和 badcase 闭环串起来，而不是只说满意度或留存。
AI 产品经理与技术团队对项目实验方向有分歧时，如何沟通并做决策？
这题考 AI 产品经理面对实验方向分歧时的协作和决策能力，重点不是谁说服谁，而是把目标、假设、指标、约束和决策机制显性化。
AI 产品创新探索和业务落地可行性如何平衡？
这题考 AI 产品创新和落地可行性的平衡，回答要体现能力边界、用户场景、MVP、成本风险和分阶段验证。示例只能作为通用说明，不能当作来源事实。
同题还出现在 1 个公司岗位
文档 AI 助手如何定义 MVP，并用上线指标指导迭代？
这题考文档 AI 助手的 MVP 定义和上线指标设计，回答要围绕文档场景、最小可用能力、用户采纳、质量评估和迭代闭环展开。
办公协作 LLM 新功能如何从用户痛点切入，并验证产品价值？
这题考办公协作 LLM 新功能的产品发现和价值验证，回答要从用户痛点、工作流、原型、定性定量验证和灰度护栏展开。示例只作为通用说明。
一键短视频生成产品如何选择文生视频、首尾帧、多图生视频和音频口型能力的迭代顺序？
这题考一键短视频生成产品的能力组合和迭代顺序，回答要按用户场景、可控性、质量风险、成本、依赖关系和指标验证来排序。
创作 Agent 的效果评估指标如何同时覆盖任务成功率、创作质量和用户信任？
这题考创作 Agent 的效果评估体系，回答要同时覆盖任务成功、创作质量、用户信任、安全合规、效率成本和反馈闭环。
AI 产品需求什么时候应该做 Agent，什么时候应该做确定性工作流？
这题考 AI 产品需求中 Agent 和确定性工作流的边界判断，回答要用不确定性、自治程度、失败成本、可观测性和混合架构来决策。
代码生成或代码定位场景中，文件过长超过 LLM 上下文窗口时如何处理？
这题考代码生成或代码定位中长文件超过 LLM 上下文窗口的工程处理，重点是检索、切片、结构化上下文和验证，而不是泛泛讨论 long context 退化。
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。
金融场景下 Agent 超时、失败或中断时，如何设计安全重试和兜底？
这题考金融场景下 Agent 执行失败后的安全边界。答案必须围绕资金安全、幂等、状态机、确认、审计、对账和补偿展开，不能写成普通接口超时重试。
同公司岗位有 3 条面经记录
RAG 知识库如何做不停服更新，并保证检索结果一致性？
这题考 RAG 知识库不停服更新和一致性，不是 RAG vs SFT。回答要覆盖版本化索引、离线构建、影子验证、别名切换、缓存失效、权限元数据和回滚。
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
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。
Agent 项目如何选择底层模型，依据和验证方法是什么？
这题考 Agent 项目的底层模型选型。答案要从任务类型、工具调用、结构化输出、上下文、延迟成本、安全、评测集、灰度和 fallback 路由来讲。
Agent 长期记忆功能如何设计、召回和持续优化？
这题考 Agent 长期记忆的生命周期，不是多用户隔离。答案要覆盖存什么、如何抽取、召回、更新、遗忘、删除、隐私授权和质量评估。
大模型幻觉在 Agent 服务化中会带来哪些问题，如何治理？
这题考大模型幻觉在 Agent 服务化中的生产风险。答案要聚焦错误工具调用、虚假状态、操作控制、权限、审计、dry-run、确认和事故闭环，而不是泛泛说 RAG 和提示词。
大模型产品 badcase 标准如何制定，并区分产品、人审和外包评估？
这题考大模型产品 badcase 标准和评估归属。答案要讲失败 taxonomy、严重级别、rubric、采样校准、一致性、人审外包 QA，以及产品和模型迭代闭环。
为什么不直接采用 AI-native 自动化评估，如何判断它的适用边界？
这题考为什么不直接采用 AI-native 自动化评估，以及如何判断适用边界。答案要平衡自动化收益、judge 偏差、金标校准、高风险场景、人审和混合评估。
RAG 知识库来源和拆分逻辑应如何由产品目标定义？
这题考产品视角定义 RAG 知识来源和拆分逻辑。答案要从产品目标、权威来源、用户任务粒度、权限、新鲜度、生命周期、评测和 badcase 反馈展开，不能写成 PDF chunking 工程题。
同题还出现在 1 个公司岗位
LoRA 微调能否注入领域知识，应该如何验证效果边界？
这题考 LoRA 微调能否注入领域知识及其边界。答案要区分格式/风格/任务适配与事实知识注入，并比较 LoRA、SFT、继续预训练和 RAG 的验证方法。
同公司岗位有 2 条面经记录
智能客服产品应如何设计数据指标来评估效果？
这题考智能客服产品的效果指标体系，回答要围绕用户问题是否被解决、AI 回答是否可靠、体验是否顺畅、成本是否可控以及线上实验闭环展开。
同公司岗位有 2 条面经记录
如何设计 A/B 实验评估大模型智能客服是否提升用户满意度？
这题考用数据分析方法验证大模型客服是否提升满意度，重点是实验假设、随机化单位、主指标与护栏指标、样本量、显著性和长期效果判断。
对话摘要生成任务如何设计评估指标，并处理长度控制、角色呼应和数据增强？
这题考对话摘要生成的评估和训练细节，答案要同时覆盖内容覆盖、事实一致、角色归因、长度控制、ROUGE 局限和数据增强风险。
给定包含目标实体的文本，如何把实体链接到知识库，主要难点是什么？
这题考实体链接到知识库的完整链路，回答要覆盖 mention 规范化、候选召回、上下文排序、歧义消解、NIL 处理、知识库更新和评估指标。
Qwen2-VL 微调时应如何处理多模态数据、视觉 token、训练参数和评估？
这题考 Qwen2-VL 微调的多模态工程思路，答案应讲数据构造、视觉 token 预算、参数策略、loss masking、训练稳定性和评估闭环，不依赖具体版本细节。
多模态大模型应用中，为什么选择 Qwen2.5-VL 做 encoder，如何评估取舍？
这题考多模态模型作为 encoder 的选型取舍，答案要围绕任务适配、表征质量、可抽取性、微调成本、延迟成本、部署稳定性和离线在线评估展开。