分页解析
第 24 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
音频模型板端推理选择 CPU 还是 NPU 时，延迟、吞吐、算子支持、内存搬运和功耗如何比较？
这题考的是端侧推理决策能力：CPU 胜在灵活、启动开销低、算子覆盖广；NPU 胜在大规模规则算子吞吐和能效，但真实选择要看计算图是否能连续下沉、内存搬运是否可控、流式延迟和功耗是否达标。
如何手写实现一维卷积算子？给定输入序列 [1,2,3,4] 和卷积核 [1,2,3] 时，如何约定 kernel 翻转、valid/full 输出、padding 和 stride？
这题考的是能否先把卷积约定说清楚再写代码：深度学习里的 Conv1D 通常实际做 cross-correlation 不翻转 kernel；数学卷积会翻转 kernel；valid/full、padding 和 stride 会直接改变输出长度和数值。
把 Skill 放进 Agent 沙箱后，主 Agent、Skill 运行时和文件系统之间应如何通信，并怎样做最小暴露和渐进式披露？
这题考 Agent 工程里的沙箱通信边界：不能让 Skill 直接拿到宿主进程和完整文件系统，而要用受控协议、能力句柄、文件视图和审计链路把调用、数据和权限拆开。
Agent 上下文压缩应该在什么时候触发，如何在 token 预算、信息损失和任务连续性之间取舍？
这题考上下文压缩的运行时策略：触发点不能只看 token 快满，而要结合任务阶段、信息密度、工具结果、记忆状态、失败风险和可恢复性来决定。
同题还出现在 1 个公司岗位
Agent 使用滑动窗口摘要时，旧摘要应逐步合并还是分段保留，如何控制信息遗失、冲突和可追溯性？
这题考滑动窗口摘要的状态维护策略：合并摘要更省上下文，分段摘要更可追溯，工程上通常需要分层结构而不是二选一。
Agent 如何从对话中更新向量记忆库里的用户画像，避免脏记忆、过期记忆和隐私风险？
这题考 Agent 长期记忆的写入路径：从对话提取用户画像不能直接整段入库，而要做候选抽取、确认、结构化、去重、过期、隐私过滤和可撤回治理。
大模型 Function Call 为什么会产生工具调用幻觉，工程上如何用 schema、权限、校验和反馈闭环降低误调用？
这题考 Function Call 的工程治理能力：工具调用幻觉不只靠 prompt 解决，还要靠工具契约、调用门禁、参数校验、执行反馈、回退策略和评测闭环共同降低。
同题还出现在 3 个公司岗位
Chain-of-Thought 为什么能提升复杂推理任务表现，它的收益、风险和生产可控性如何理解？
这题考 Chain-of-Thought 的机制理解：它通过显式或隐式中间步骤降低复杂任务的一次性求解难度，但上线时要控制答案暴露、成本、稳定性和可验证性。
同题还出现在 1 个公司岗位
内部 AI 平台产品和 C 端 AI 功能有什么不同，产品经理应如何区分用户、价值、指标和交付方式？
这题考 AI 产品经理能否把平台型产品和用户功能型产品分清：前者服务内部效率和复用，后者服务用户体验和业务增长，指标、交付和风险边界完全不同。
AIGC 平台如何赋能内容创作者生态，产品经理应如何设计能力开放、质量控制、成本和激励闭环？
这题考 AIGC 平台如何真正进入创作者工作流：不是只提供生成按钮，而是围绕创作效率、质量治理、成本控制、分发反馈和激励形成闭环。
AI 语音合成平台应如何规划，产品经理如何设计音色、情感、质量评估、版权合规和创作者工作流？
这题考语音合成平台的产品规划能力：要同时讲清用户场景、音色资产、可控参数、质量评估、版权合规、成本延迟和工作流闭环。
为什么聊天大模型通常不能跳过 SFT 直接做强化学习后训练，Reward Model、DPO/PPO 和稳定性约束分别解决什么问题？
这题考大模型后训练的稳定性理解：SFT 先把模型带到可对话、可遵循指令的分布，强化学习或偏好优化再做对齐；直接 RL 容易稀疏奖励、探索失控和能力退化。
大模型微调为什么会出现灾难性遗忘，如何用数据混合、正则、回放、冻结参数和评测回归缓解？
这题考的是微调稳定性：目标不是背几个缓解方法，而是能解释窄域训练为什么会覆盖旧能力，并给出数据、参数更新和回归评测三条防线。
不同任务应如何设计 Prompt，如何调整指令、示例、输入输出格式和约束？
这题考的是 Prompt 设计方法论：不是背模板，而是能根据任务目标、输入不确定性、输出可验证性和风险边界，系统调整指令、示例、格式和约束。
多模态图像分支使用最大池化时，反向传播的梯度如何分配，工程实现需要注意哪些边界？
这题考最大池化的反向传播机制：输出梯度只回传给前向窗口中的最大值位置，非最大位置梯度为 0；工程上还要处理重叠窗口、并列最大值、padding、mask 记录和数值边界。
大模型与 2020 年前传统模型的本质区别是什么？
这题考的是对大模型范式变化的理解：本质区别不只是参数更多，而是从任务专用模型转向大规模预训练、通用表示、自然语言交互、上下文学习和工程化治理并存的基础模型范式。
同题还出现在 1 个公司岗位
催生大模型出现的核心原因是什么？
这题考的是能否把大模型出现解释为多因素合流：海量数据、可扩展算力、Transformer 架构、自监督预训练、工程生态、对齐技术和产品需求共同把通用模型推到可用临界点。
AI 语音交互的技术流程是什么？
这题考的是语音交互链路的组件职责：从录音、唤醒、降噪和端点检测开始，经 ASR 转写、语义理解/对话管理、业务执行和回答生成，再到 TTS 播放、打断处理和日志反馈闭环。
同题还出现在 1 个公司岗位
如何教初学者与大模型交流并写出有效 Prompt？
这题考 AI 产品经理能否把 Prompt 教学设计成可上手的用户教育流程：先建立正确心智，再给结构化提问框架、示例练习、迭代反馈、结果验证和安全边界。
同公司岗位有 2 条面经记录
ToB 大模型产品服务企业客户时，产品经理应如何把握场景价值、交付边界、数据安全和持续运营？
这题考 ToB 大模型产品经理的端到端判断力：先验证企业场景是否有业务价值，再定义可交付边界和验收指标，同时守住数据安全、系统集成、成本风险和上线后的持续运营闭环。
一个优秀的 AI 产品应具备哪些特质，如何从任务价值、可控性、评估闭环、信任边界和商业价值来回答？
这题考的是 AI 产品经理能否跳出“模型很强”这类泛泛表述，用任务价值、可控体验、评估闭环、信任边界和商业可持续性判断一个 AI 产品是否真正成立。
电商和零售业务中，如何判断哪些场景适合落地 AI 产品？
这题考的是 AI 产品落地判断能力：能否从用户任务、数据基础、AI 增量、风险控制、ROI 和运营闭环中筛选适合电商零售的高价值场景。
商业化广告产品中，AI 能力为广告主解决痛点后，产品经理应如何设计效果指标体系，兼顾投放结果、生产效率、创意质量、广告主体验、长期价值和护栏指标？
这题考广告产品经理的指标设计能力：不能只看短期点击或转化，而要把 AI 对投放结果、素材生产、创意质量、广告主体验、长期经营和平台风险的影响放进同一套指标体系。
大模型 SFT 微调效果不好时，可以从哪些数据、模板、训练配置、参数高效微调和评估闭环维度优化？
这题考的是 SFT 效果诊断和优化方法论：要把问题拆成数据质量、任务分布、指令模板、训练超参、PEFT 配置、基座能力和评估闭环，而不是只说多清洗数据。
AI Coding Agent 从用户输入到完成任务的完整链路是什么，如何经过上下文构建、计划、工具调用、代码修改和验证？
这题考的是 AI Coding Agent 的端到端运行时理解：候选人要能把自然语言需求如何变成可验证代码改动讲清楚，包括上下文、计划、工具、修改、测试和回滚闭环。
AI Coding Agent 如何从人工逐步确认切换到自主执行，权限、审批策略、风险护栏和回滚机制应如何设计？
这题考 Agent 自主化的安全工程：不是简单关闭确认按钮，而是用风险分级、最小权限、策略审批、沙箱执行、自动验证和回滚审计来决定哪些动作可以自动做。
同题还出现在 1 个公司岗位
公开群聊搜索排序如何设计，如何结合群名称/内容相关性、活跃度、用户兴趣、质量安全和多样性信号决定排名？
这题考搜索排序系统设计：候选人要能从召回、相关性、质量安全、个性化、多样性和评估指标出发，设计公开群聊搜索的排名策略。
给定群聊数据表，如何为公开搜索排序设计群聊特征提取系统，并从 UID、群主、兴趣、活跃度等字段构建可用特征？
这题考特征工程和数据系统设计：要能把原始群聊表变成可供搜索排序使用的群、用户、群主、兴趣、活跃度、质量和实时特征，并保证一致性、可解释性和可监控。
大语言模型的 next-token 预测过程是什么，输入 token、上下文、logits/概率分布和解码策略如何共同产生回答？
这题考 LLM 推理基本原理：候选人要能从 tokenization、Transformer 上下文建模、logits、softmax 概率和解码策略讲清楚回答是如何逐 token 生成的。
同题还出现在 1 个公司岗位
RAG 项目里的召回排序链路如何设计，Embedding 召回、粗排、重排和答案生成各自承担什么职责？
这题考 RAG 的工程链路设计：不是只接一个向量库，而是要把查询理解、混合召回、粗排、重排、上下文拼装、生成约束和评测闭环讲成一条可上线的检索增强系统。
同题还出现在 3 个公司岗位
AI 内部服务效果达标但业务同事不接受时，如何通过需求校准、试点验证、可解释指标和运营机制推动规模化落地？
这题考的是 AI 项目从模型效果到组织采用的落地能力：要能诊断不接受的原因，用业务指标、试点、可解释性、培训运营和反馈闭环把服务从“效果达标”推进到“真实被用”。
LLM 应用上线后收到业务反馈和 badcase，如何建立问题归因、数据回流、Prompt/模型迭代和回归评估闭环？
这题考 LLM 应用上线后的持续改进能力：要把业务反馈转成可复现样本，分层归因到数据、检索、Prompt、模型、工具或产品边界，再用评测和灰度闭环避免越改越差。
产品经理如何评价 LLM 和 AIGC 的核心能力、主要优势、局限性和落地挑战？
这题考产品经理对 LLM/AIGC 的能力边界判断：既要看到自然语言交互、生成和自动化的机会，也要能讲清幻觉、评估、成本、数据安全、场景适配和商业闭环的限制。
同题还出现在 1 个公司岗位
企业协作产品中哪些场景适合用 LLM 提效，如何评估会议、文档、知识检索、项目协同和自动化工作流的价值？
这题考企业协作 AI 场景判断：要从高频知识工作出发，说明会议、文档、知识检索、项目协同和工作流自动化的价值、指标、边界与落地优先级。
为 AI 助手功能做用户需求调研时，应调研哪些用户类型，采用哪些定性和定量方法，如何沉淀需求优先级？
这题考 AI 产品经理是否能把“用户想要 AI 助手”拆成可验证的用户分群、任务痛点、研究方法、指标证据和需求优先级，而不是只做泛泛访谈或直接堆功能。
AIGC 画本产品如何保证角色、风格和场景一致性，ComfyUI 工作流、参考图、种子、ControlNet 和后处理分别起什么作用？
这题考 AIGC 产品经理是否理解图像生成一致性不是单靠提示词，而是由角色设定、参考资产、工作流编排、可控生成、种子复现、后处理和质量评估共同保证。
产品经理如何评估大模型效果，并从数据、Prompt、RAG、模型和体验层面推动效果提升？
这题考的是 AI 产品经理能否把大模型效果从一句主观好不好，拆成可定义、可评测、可归因、可迭代的产品质量闭环，并能说清不同优化手段的边界。
同题还出现在 2 个公司岗位
面试中被问用过哪些 AI 产品及其优缺点时，产品经理如何结构化评价体验、能力边界和改进空间？
这题考的是产品经理是否真的使用和拆解过 AI 产品：回答要从用户任务、能力边界、交互体验、信任机制、指标和改进优先级展开，而不是报一串产品名。
Agent 的计划模式是什么？如何把用户目标拆成步骤、工具调用和可恢复执行状态？
这题考 Agent 运行机制：计划模式不是让模型多想一会儿，而是把开放目标转成可执行、可观测、可重试、可恢复的任务状态机或工作流。
同题还出现在 1 个公司岗位
向量检索中常见相似度计算指标有哪些？余弦相似度、点积和欧氏距离如何选择？
这题考向量检索基础和工程选择：候选人要能解释 cosine、dot product、L2 的含义、适用前提、归一化关系，以及为什么指标要和 embedding 训练目标及索引配置一致。
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
LoRA 微调不收敛或输出格式异常时，如何从数据、模板、学习率、rank 和 alpha 排查？
这题考的是 LoRA 训练故障诊断能力：候选人要能把不收敛和输出格式失控拆成数据、模板、损失、超参、adapter 容量和评测回归几个层面逐步定位。
LoRA alpha 过强或过弱会带来什么影响，增量训练出现灾难性遗忘时如何排查和缓解？
这题考的是候选人是否理解 LoRA 增量缩放和遗忘之间的关系，并能从数据分布、训练策略、正则约束和回归评测上解决增量训练稳定性问题。
DPO 偏好样本中的 reward 或偏好维度应如何选择，如何保证对齐目标和训练稳定性？
这题考的是 DPO 数据和偏好目标设计：不是只会说 chosen/rejected，而是能把业务目标、偏好维度、样本构造、冲突处理、训练稳定和评测闭环讲清楚。
多模态大模型微调应如何设计数据、视觉编码器/投影层、指令模板、训练阶段和评测？
这题考的是多模态 LLM 微调的系统设计能力：候选人要能从任务目标出发，讲清数据、架构可训练部分、阶段化训练、模板一致性、指标和回归防护。
Agent 的 thinking 阶段如何判断该调用工具还是直接回复，如何设计决策信号和安全约束？
这题考的是 Agent 运行时决策设计：候选人要能说明什么时候直接回答、什么时候调用工具、什么时候追问，以及如何用置信度、权限、安全和回归评估约束决策。
同题还出现在 1 个公司岗位
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。
连接视觉编码器和 LLM 时，Q-Former 与 LLaVA MLP Adaptor 各有什么优缺点，如何选择？
这题考多模态大模型里视觉特征到语言模型 token 空间的连接器设计。好的回答要说明二者都在解决维度对齐、语义对齐、信息压缩和训练稳定性问题，但 Q-Former 更像带可学习查询的语义压缩器，MLP projector 更像简单直接的视觉 token 映射器，选择取决于数据规模、视觉细节需求、上下文预算、延迟和冻结策略。