分页解析
第 30 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
用 LangChain 编排 AI 工作流时，如何和原生调用、自研引擎做选型，并分析各自优缺点和瓶颈？
这题考察的是 AI 工作流编排的技术选型，而不是问 LangChain 好不好。高质量回答要先拆清楚业务复杂度：只是单轮模型调用、少量 prompt 链、RAG 检索增强、工具调用、长流程状态机、多 Agent 协作，还是需要可视化编排、回放、权限、灰度和审计。原生调用的优势是简单、可控、性能和依赖风险低，适合链路短、业务稳定、团队希望自己掌握协议的场景；LangChain 的优势是生态组件多、原型快、抽象现成，适合探索期和标准 RAG/Tool/Agent 流程，但瓶颈是抽象层厚、版本变化、调试复杂、性能和可观测性需要补强；自研引擎适合业务流程复杂、稳定性和治理要求高、需要平台化复用的场景，但成本高、周期长，容易重复造轮子。最终选型不是三选一的宗教问题，而是按阶段演进：原型期可以用框架提速，核心生产链路要收敛成自己的稳定接口和可观测执行模型。
在 OCPX 广告系统中，bid 出价如何参与广告混排，混排逻辑应放在排序侧还是出价侧？
这题的核心是广告系统里“出价”和“排序/混排”的职责边界。OCPX 中 bid 不只是广告主手填的静态价格，而是围绕优化目标、转化率预估、预算消耗、约束和平台机制形成的有效出价信号；它最终要进入广告候选的价值计算，例如 eCPM、pCTR、pCVR、bid、质量分、用户体验和业务约束的组合。混排不是由出价侧单独决定，也不应该完全脱离出价信号放在推荐排序里随意处理。更合理的边界是：出价侧负责把广告主目标、预算、CPA/ROI 约束和竞价机制转换成可解释、可控、可校准的 bid 或 value 信号；排序/混排侧负责在用户请求上下文中融合广告和自然内容，综合收益、相关性、体验、多样性、频控和商业约束做最终排序。广告混排逻辑通常更靠近排序/混排侧，但需要消费出价侧产出的价值信号，并把曝光、点击、转化和消耗反馈回出价系统形成闭环。
推荐排序中，LGB 点击率预估与 LambdaMART 这类 pairwise 排序模型应如何选型？
这题考察的是推荐排序模型目标与业务阶段的匹配。LGB 做点击率预估通常是 pointwise 思路：把每个曝光样本建成点击/不点击标签，预测 pCTR 或相关概率，优点是训练样本构造简单、可解释、工程成熟、延迟低、支持非线性特征组合，对稀疏表格特征和中小规模排序链路很实用；缺点是优化目标和最终排序指标 NDCG/MAP 不完全一致，也可能受曝光位置偏差和样本校准影响。LambdaMART 属于 learning-to-rank，常用 pairwise/listwise 的梯度思想直接优化排序相关指标，适合有 query/session/list 结构、强相对排序标签和 TopK 质量目标的场景；但它对样本分组、标签质量、训练成本、在线 serving、增量更新和校准都有更高要求。选型不能说谁绝对更好，而要看目标是概率预估、广告/推荐价值计算、可校准 CTR，还是列表相对顺序和 NDCG 提升。
推荐召回中，为什么可能不用 UserCF，ItemCF 又该如何结合热度信号？
这题考察推荐召回中的协同过滤取舍和热门度信号使用方式。UserCF 不用不代表不懂协同过滤，而可能是业务和工程上的理性选择：用户行为稀疏、用户兴趣变化快、用户相似度计算成本高、相似用户可解释但稳定性差、冷启动和噪声影响大，在大规模内容平台中维护 user-user 相似矩阵往往不如 item-item 稳定。ItemCF 利用“看过同一内容的人还看了什么”建 item-item 相似，物品侧关系相对稳定、可离线预计算、召回延迟低，适合视频/内容推荐召回。但 ItemCF 容易被热门内容支配，所以热度信号不能简单相加放大热门，而要做平滑、去偏、分桶、时间衰减和个性化权重控制。高质量回答要讲清为什么不用 UserCF、ItemCF 相似度如何计算、热度如何作为补充召回或重排序特征、如何避免马太效应，以及如何用离线和在线指标验证。
多模态/RAG 项目上线前如何设计评价指标，如何拆分整体效果与 RAG 子模块指标？
这题考察的不是“能不能背几个指标名”，而是能否把多模态/RAG 项目上线前的评价体系拆成可决策、可归因、可监控的指标框架。来源只支持“项目上线前评价指标”和“RAG 子模块评价指标”这两个面试追问，因此回答应聚焦通用方法论，不编造任何阿里内部指标。高质量答案要先定义上线目标和风险边界，再把评价拆成三层：端到端业务效果、模型回答质量、RAG 链路子模块效果。最终要能回答三个问题：整体效果好不好、如果不好是哪一段坏了、达到什么阈值才能灰度上线。
蚂蚁集团上线新的签到活动后参与率一直不高，产品运营应从哪些数据维度定位原因并制定优化策略？
这道题考察产品运营能否把签到活动参与率低拆成一条可诊断、可行动的增长链路。成熟回答不能只说加奖励、发 push，而要先定义参与率口径，再沿曝光、触达、点击、进入、签到完成、奖励领取、复访留存逐层定位，并结合用户分层、渠道、版本、设备、规则理解、奖励感知和数据质量判断问题发生在哪里。最后要把诊断转成运营动作和实验方案，证明自己既懂指标，也懂用户增长闭环。
拼多多 App 百亿补贴频道转化率连续 3 天下跌，数据分析师应如何一步步定位原因？
这道题考察数据分析师处理核心频道转化异常的结构化能力。好的回答要从指标口径和数据质量开始，确认连续 3 天下跌是否真实，再拆百亿补贴频道的访问、商品曝光、点击、加购或拼单、下单、支付等漏斗，定位第一处异常。随后按流量来源、用户分层、商品供给、价格补贴、库存履约、推荐排序、页面性能、支付登录和活动竞争等维度归因，最后给出影响量级、责任 owner、验证方案和恢复监控。
在华为云 BD 场景中，人工智能和大数据如何改变传统 BD 工作模式？你会如何设计“智能 BD”的能力和效果指标？
这道题考察候选人是否理解云服务 BD 已经从单纯拜访客户、维护关系，升级为数据驱动的机会发现、客户洞察、方案匹配和销售预测。高质量回答要把智能 BD 定义为人机协同的商业增长系统：用大数据识别行业机会和客户信号，用 AI 做线索评分、需求理解、方案推荐、话术和材料辅助、CRM 自动化、风险预警和预测管理；同时保留 BD 的关系判断、复杂谈判和合规责任。指标上要覆盖线索质量、转化效率、销售周期、赢单率、管道质量、预测准确率、客单价、续费和人效。
如果要为小红书 KA 客户开发数据看板工具，应包含哪些核心指标和功能？
这道题考察商业分析师能否从 KA 客户的经营决策出发设计数据产品，而不是只堆曝光、点击、互动等指标。高质量回答要先定义 KA 客户使用看板的任务：看品牌声量、内容表现、投放效果、种草到转化链路、用户画像、行业竞品、预算消耗、风险预警和销售跟进。指标体系要兼顾平台内容生态和商业化效果，功能上要支持分层筛选、下钻归因、行业基准、自动洞察、权限管理、导出汇报和行动建议。
在快手商业化场景中，品牌广告和效果广告如何协同发展，并用哪些指标验证协同效果？
这道题考察商业分析师是否理解品牌广告和效果广告不是互相替代，而是在短视频平台的完整营销漏斗中分工协同。品牌广告负责建立认知、信任、内容资产和人群池，效果广告负责承接兴趣、再营销和转化。高质量回答要说明协同机制：统一人群、内容和度量，做曝光到互动、搜索、关注、进店、直播间、下单、复购的链路设计；指标上既看品牌提升、搜索提升、互动资产，也看转化、ROI、CAC、LTV、辅助转化和增量效果，并设置用户体验护栏。
ItemCF 召回中如何引入时间间隔和位置间隔信息来改进相似度计算？
这道题考察的是候选人能否把 ItemCF 从“共同被同一用户交互过就相似”的朴素共现，升级成考虑用户行为序列和时间上下文的召回方法。时间间隔表达两个物品是否在接近的兴趣周期内被消费，位置间隔表达它们在用户序列中是否相邻或有方向性。好的回答要从 ItemCF 基础相似度公式出发，说明在共现贡献项里乘上时间衰减和位置衰减，再配合用户活跃度归一化、物品热度惩罚、会话切分、方向性建模、离线召回评估和线上指标护栏。重点不是背一个固定公式，而是说明为什么这些权重能降低偶然共现和长周期兴趣漂移带来的噪声。
基于商品属性 Embedding 的推荐召回如何设计，如何处理属性特征、向量索引和冷启动？
这道题考察的是候选人能否把“商品属性 Embedding”从一个模糊向量概念，拆成一条完整召回链路。商品属性包括类目、品牌、价格带、标签、文本描述、图片特征、商家、地域、质量分等结构化和非结构化信息。设计时要先定义属性 schema 和清洗规则，再把稀疏属性编码成 item embedding，构建 ANN 向量索引，在线用用户画像、最近行为或 query embedding 召回相似商品，并处理过滤、去重、冷启动、实时更新和效果评估。好的回答要强调它适合新商品、长尾商品和行为稀疏场景，但不能完全替代协同过滤；属性相似不等于用户会转化，仍需要后续排序和实验验证。
推荐系统新增一路召回后，排序阶段需要做哪些特征接入、分数校准和模型训练改造？
这道题考察的是候选人是否理解推荐系统是召回、排序、重排和实验闭环的整体系统。新增一路召回不是把候选直接塞给排序模型就结束，因为新召回源会带来候选分布变化、分数口径不一致、样本覆盖不足、特征缺失、去重归因复杂、线上配额和延迟变化。排序阶段至少要接入召回源特征、补齐候选侧特征、处理新旧渠道分数校准、更新训练样本和负采样、监控不同来源的排序表现，并通过 A/B 验证用户指标、业务指标和系统成本。回答的关键是把新增召回后的排序改造讲成“分布变化治理”，而不是只说模型重新训练。
用户增长算法与传统搜索、广告、推荐算法在目标、数据、模型和评估指标上有什么区别？
这道题考察的是候选人能否跳出搜广推常见的 CTR、CVR 预估框架，理解用户增长算法的目标更偏用户生命周期和增量价值。搜索、广告、推荐通常围绕当前请求或当前流量做匹配、排序和转化优化；用户增长更关注拉新、激活、召回、留存、复购、会员转化、LTV、补贴效率和渠道 ROI。它的数据有更强的跨周期、跨渠道、延迟反馈和因果干预特征，模型也常涉及人群分层、uplift、因果推断、LTV 预估、流失预测、触达频控和预算分配。好的回答要比较目标、样本、标签、模型、实验和指标，并说明增长算法不能只追短期转化，否则可能造成补贴浪费、用户打扰和长期留存受损。
MODNet 这类弱监督图像分割/抠图方法的主要流程是什么，如何利用类别相关背景信息？
这道题考察的是候选人对弱监督视觉分割或抠图流程的理解，而不是要求复述某家公司内部论文实现。可以把 MODNet 这类方法理解为：在缺少像素级精标注时，利用图像级标签、类别激活、伪掩码、背景先验和一致性约束，逐步训练出能区分前景对象、相关背景和无关背景的分割模型。类别相关背景信息的价值在于，弱监督方法容易把与目标共现的背景误当成前景，例如车和道路、船和水面、人物和舞台；如果能显式挖掘类别相关背景并在训练中建模，就能减少前景扩张和背景误分。回答要覆盖弱标签来源、伪标签生成、背景类挖掘、模型训练、噪声控制、迭代优化和评估指标，同时避免声称任何未公开的公司细节。
LLM 解码中的 top-k 和 top-p 采样分别如何实现，如何影响多样性、复读和生成稳定性？
这题考的是候选人是否真正理解生成式解码，而不是只会背 top-k、top-p 名词。来源只支持“美团 Agent 算法面试中问到 topk/topp 实现原理”，因此回答应聚焦通用 LLM 推理机制，不扩展成任何美团内部解码策略。高质量回答要讲清 logits 处理、候选集合截断、概率重归一化、随机采样，以及这些参数如何改变尾部 token 风险、多样性、复读和事实稳定性。
多轮对话 Agent 做强化学习时，reward 应如何设计，如何避免 reward hacking、轮次变长和任务成功率虚高？
这题考的是 Agent 强化学习的目标建模和反作弊评估能力。来源只支持“字节/懂车帝 Agent 算法实习面试中问到多轮对话强化学习”，不支持任何内部 reward 细节，因此回答应给出通用、可验证的 reward 设计框架。核心是把 reward 从单句好坏扩展到完整轨迹：任务是否真的完成、工具和信息是否可靠、轮次成本是否受控、安全边界是否遵守，并用 verifier、人评和切片指标防止 reward hacking 与虚高成功率。
Agent 调用外部工具失败时，如何区分短暂网络抖动、工具服务不可用和业务错误，并设计超时、重试、熔断与降级策略？
这道题考察 AI Agent 工具调用的工程可靠性设计。好的回答不能只说失败就重试，而要先把失败分类，再为不同错误配置超时、退避重试、幂等、防风暴、熔断、降级和观测告警。
AI Agent 在故障排查场景中生成错误建议时，如何用证据约束、置信度、人审/拒答、工具校验和回归评测避免误导用户？
这道题考察故障排查 Agent 的安全边界和质量治理。高质量回答要把错误建议看成高风险输出，通过证据约束、工具校验、置信度、拒答、人审和回归评测降低误导用户的概率。
大模型训练或微调时，batch size 过大或过小分别会带来哪些收敛、泛化、吞吐和显存问题？当有效 batch size 改变时，学习率是否需要结合 scaling rule、warmup 和梯度累积一起调整？
这道题考察大模型训练/微调中 batch size 与学习率、显存、吞吐、泛化和稳定性的联动。好的回答要区分 micro batch、global batch、梯度累积，并说明 scaling rule 只能作为起点，必须配合 warmup 和验证集监控。
在检索增强或语义搜索链路中，Qwen3 Embedding 模型和 Qwen3 Reranker 模型分别解决什么问题？二者在输入输出、训练目标、召回/精排位置和延迟成本上有什么区别？
这道题考察语义检索/RAG 链路中双编码召回和交叉编码精排的差异。回答要讲清 Embedding 负责低成本召回，Reranker 负责高精度相关性重排，二者输入输出、训练目标和延迟成本不同。
如何用 PyTorch 实现 Grouped Query Attention？当 Q heads 多于 KV heads 时，K/V heads 应如何分组、repeat 或 broadcast，并完成 attention score、mask、softmax 和输出投影？
这道题考察候选人是否理解 Grouped Query Attention 的 head 形状和实现细节。回答要讲清 Q heads 与 KV heads 的分组关系，如何 repeat K/V，如何计算 mask、softmax 和输出投影。
如果 CLIP 主要学到全局图文对齐，如何优化它以提取更细粒度的视觉特征？
这道题考察对 CLIP 全局对比学习局限和细粒度视觉表征优化的理解。好的回答要从数据标注、区域/patch 对齐、损失设计、模型结构和评估任务多个层面改造。
在小目标检测且数据量较小的场景下，如何用深度学习方案改造传统检测流程，并围绕 Faster R-CNN、多尺度特征和数据增强提升效果？
这道题考察小目标检测和小样本场景的方案设计。回答要覆盖传统流程改造、Faster R-CNN 选型、多尺度特征、数据增强、迁移学习、样本不均衡和评估误差分析。
视觉感知多任务网络（如检测、分割、车道线、关键点等）如何处理任务间和类别间数据不平衡，并说明网络结构、数据加载、损失权重和评估策略？
这道题考察感知多任务网络在任务间和类别间不平衡时的系统治理。回答要覆盖共享骨干、多任务头、采样、损失权重、梯度冲突和分任务评估。
OCR 检测阶段遇到相邻或重叠文字时，如何分离文字区域，并与识别和后处理链路联动？
这道题考察 OCR 检测阶段对相邻或重叠文字的实例分离能力。好的回答要从检测表示、后处理、识别反馈和业务规则联动，而不是只说调阈值。
RNN-T 和 CTC 在 ASR 建模、对齐假设、流式解码和语言依赖上有什么区别？
这道题考察 ASR 中 CTC 与 RNN-T 的建模假设和流式解码差异。回答要讲清 CTC 条件独立、blank 折叠、RNN-T prediction network、联合网络和语言依赖。
在推荐系统中，双塔召回和精排在候选规模、特征复杂度、实时性和准确率上有什么差异？为什么精排通常更准，双塔如何支持用户侧向量实时更新？
这道题考察推荐系统召回与精排的职责边界。好的回答要解释双塔为什么适合大规模向量召回，精排为什么通常更准，以及用户侧向量实时更新如何工程落地。
短视频推荐精排模型上线时，如何在冷启动和热启动之间取舍，并评估收敛周期、资源消耗和线上风险？
这道题考察推荐精排模型上线方式选择。回答要区分冷启动全新训练和热启动继承已有模型，并围绕收敛、资源、线上风险、灰度和回滚制定方案。
在电商推荐在线 serving 链路中，如何优化精排模型推理计算，并用 RT/P99、QPS、资源成本和线上指标验证收益？
这道题考察推荐在线 serving 中精排推理优化的工程能力。回答要同时覆盖模型、特征、服务、硬件和评估，不应只说压缩模型或加机器。
推荐系统的离线特征与样本流水线如何设计？线上服务消费离线结果时，如何在固定周期刷新、近实时更新和特征滞后补偿之间取舍？
这道题考察推荐系统离线特征、样本流水线与线上服务消费的工程设计。好的回答要讲清固定周期刷新、近实时更新和特征滞后补偿的取舍。
RAG 系统上线时，向量数据库应选择实时增量更新还是离线批量刷新？本地部署架构如何搭建，并如何评估检索与生成效果？
这道题考察 RAG 系统从向量库更新、部署架构到效果评估的上线能力。回答要权衡实时增量和离线批刷，并覆盖本地部署组件、权限、回滚和检索/生成指标。
投机解码如何通过 draft model 和 target model 的接受/拒绝机制降低大模型推理延迟？服务化落地时如何评估吞吐、首 token 延迟、接受率、显存和成本收益？
这道题考察投机解码原理与服务化评估。回答要讲清 draft model 先生成多个 token，target model 并行验证接受/拒绝，并用接受率、吞吐、TTFT、显存和成本衡量收益。
如果要让 Qwen 支持多篇论文上传、精准总结并输出对比表格，如何设计文档解析、RAG、结构化抽取、质量评估和部署闭环？
这道题考察多文档 RAG 与结构化生成产品/算法方案。回答要覆盖论文解析、切片检索、结构化抽取、对比表格生成、质量评估和部署闭环。
如果你是字节跳动 AIGC 产品经理，如何评估 AIGC 在教育和知识行业的应用前景，并设计目标用户、核心场景、商业模式和产品策略？
这道题考察 AIGC 产品经理对教育和知识行业的机会判断与商业化设计。高质量回答要从用户、场景、价值、差异化、风险和指标闭环展开，而不是泛泛说 AI 会提升效率。
如果负责抖音用户增长，如何识别产品优化点、规划预算投放和拉新策略，并用目标达成与 ROI 检验增长效果？
这道题考察用户增长产品经理能否把产品优化、预算投放、拉新策略和 ROI 评估串成闭环。好的回答要从增长目标、人群分层、渠道归因、实验和预算效率展开。
教育 AI 产品项目如何设计效果测试和评估标准，并与研发、算法、教研团队协作推动落地？
这道题考察 AI 产品经理如何设计效果评估并推动算法、研发协作落地。好的回答要把业务目标、模型指标、用户体验、测试集、灰度和跨团队机制串起来。
AI 技术可如何用于广告投放优化？如果为小红书商业化广告设计机器学习出价策略，应如何定义优化目标、特征输入、出价与预算逻辑、A/B 实验和风控护栏？
这题考广告商业化中的机器学习出价方案，重点不是泛泛说 AI 能提升投放，而是把优化目标、预估模型、特征、出价预算、实验验证和风控护栏串成一套可落地的投放系统。
面向中小广告主的 AI Agent 投放助手应具备哪三类核心能力？产品上如何通过可解释建议、人工确认、效果反馈和风险兜底建立广告主信任？
这题考面向中小广告主的 AI Agent 产品设计。核心不是把投放后台加一个聊天框，而是定义 Agent 能帮助广告主完成诊断、执行和复盘，并通过解释、确认、反馈和兜底机制建立可持续信任。
多源检索 Agent 如何判断证据已足够生成结论，在文献、病历和网页结果冲突时划分可信优先级并排序筛选，同时用停止条件避免死循环？
这题考多源检索 Agent 的证据治理能力。高质量回答要说明如何拆解问题、判断证据是否足够、处理文献/病历/网页冲突、排序筛选来源，并用明确停止条件避免检索和推理循环失控。
AI/自动化 Agent 平台如何结合 Jenkins 调度执行、Linux 日志采集解析和配置规则治理，实现状态回传、参数校验，并从拉日志演进到自动排障？
这题考 AI/自动化 Agent 平台的工程落地能力，重点是 Jenkins 调度、Linux 多机日志采集、配置规则治理、状态回传、参数校验，以及从拉日志工具演进到自动诊断和受控排障的路线。
微调 Qwen 这类大模型时，learning rate scheduler 应如何设计？如何确定 step 口径、warmup、cosine/linear decay、最小学习率和峰值学习率？
这题考察的不是背诵某个 scheduler，而是能否把 Qwen 微调中的学习率设计拆成训练稳定性、收敛效率、泛化效果和版本选择四件事。好的回答要明确 step 口径、warmup 比例、衰减曲线、最小学习率和峰值学习率。
面向海外 C 端生成式 AI 应用，如何选择获客渠道，并用 CAC、激活率、留存和付费转化验证渠道质量？
这题考察海外 C 端生成式 AI 应用的增长判断力。重点不是列举渠道，而是能否用 CAC、激活率、留存、付费转化和 LTV 形成渠道质量闭环，并按国家、创意、平台和用户意图做 cohort 分析。
大流量业务想利用 3B 模型效果但不能实时调用时，如何设计离线推理、特征/结果缓存、蒸馏或轻量模型接力方案，并验证效果、时延和成本？
这题考察大流量系统中如何利用 3B 模型效果而不让实时链路承担模型成本。核心方案是离线推理、特征或结果缓存、在线轻量模型接力、蒸馏和分层召回排序，并用效果、时延、成本、覆盖率和新鲜度验证。
Agent 或 LLM 应用的评估数据集规模如何确定，bad case 应按任务类型、工具链路、检索、生成、成本和风险哪些维度分析？
这题考察 Agent 或 LLM 应用评估体系。数据集规模不应拍脑袋，而要按任务复杂度、风险等级、链路覆盖、指标置信度和迭代阶段确定；bad case 分析要覆盖任务类型、工具调用、检索、生成、成本和风险。
AI 创作产品中，产品经理如何把模型能力演进拆成可执行的效果策略路线图，并按用户价值、质量提升、成本和风险确定迭代优先级？
这题考 AI 创作产品经理能否把“模型变强了”翻译成可交付、可评估、可排序的产品路线图。高质量回答要从用户场景、效果杠杆、评测体系、成本约束、风险门禁和迭代优先级展开，而不是只说跟着模型升级做功能。
视频 AIGC 的多镜头与智能分镜调度能力，如何划分模型侧与产品侧交付边界，并设计可控参数、质量指标和异常兜底？
这题考视频 AIGC 产品经理能否划清模型能力、产品编排和用户控制之间的边界。好答案要讲清模型侧负责生成质量和多镜头一致性，产品侧负责工作流、参数控制、质量门禁和异常兜底，并用结构化分镜协议把两边衔接起来。
AI 产品上线后，如何量化转化率、留存率等业务提升，并基于实验结果和业务数据调整迭代策略？
这题考 AI 产品上线后的业务归因和迭代能力。回答要把转化率、留存率等业务指标放进实验设计、指标树、因果验证、分群分析、成本收益和迭代决策里，而不是只说上线后看数据有没有涨。