分页解析
第 5 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
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。
为什么 TCP 建立连接需要三次握手？
TCP 三次握手的目的不是单纯通知双方在线，而是让双方确认彼此的发送和接收能力、同步初始序列号、协商连接参数，并避免历史重复连接请求造成错误连接。两次握手无法可靠完成这些目标。
同题还出现在 2 个公司岗位
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。
DSIN 中特征是如何做交叉的？
DSIN 的特征交叉不是一句“把稠密特征和稀疏特征拼接后送 DNN”就能解释清楚的。它的核心是先把用户历史行为按会话切分，在会话内用自注意力抽取局部兴趣，在会话间建模兴趣演化，再用目标物品对各个会话兴趣做激活。稠密特征通常经过归一化、分桶或线性投影后与稀疏 embedding 融合，交叉既包括注意力中的目标相关交互，也包括 DNN、乘积、差分、CrossNet 等可选显式交叉。
netty有哪些组件？
Netty 的组件可以按启动配置、连接抽象、线程模型、事件流转、数据缓冲、编解码、业务处理、异步通知来理解。回答时不应只罗列类名，而要把 ServerBootstrap 启动服务端、EventLoopGroup 分配线程、Channel 承载连接、Pipeline 串联 Handler、ByteBuf 承载数据、Future 返回异步结果这条链路讲清楚。
一个先单调递增再单调递减的数组，给一个目标值，判断目标值是否在数组中？
这道题本质是 bitonic array search：数组先升后降，不能直接用一次普通二分，因为整体不单调；也不应该线性扫描，因为会浪费可二分的结构。标准做法是先用二分找到峰值位置，再分别在左侧递增段和右侧递减段做二分查找。若数组满足严格先增后减，整体时间复杂度为 O(log n)，空间复杂度为 O(1)。
哪些可能发生OOM的区域？
JVM 里可能发生 OOM 的位置不只有 Java 堆，还包括虚拟机栈、本地方法栈、元空间或方法区、直接内存、线程创建所需 native memory，以及容器总内存限制触发的进程终止。完整回答应按内存区域、典型异常、常见原因和诊断证据展开。
Lora的原理能简单讲讲吗？
LoRA 是一种参数高效微调方法：不直接改动大模型原有权重，而是在关键线性层旁边增加一个低秩增量分支，用少量可训练参数学习任务差异。它的核心假设是：下游任务需要的权重变化 ΔW 往往不需要满秩矩阵表达，可以用两个小矩阵 B 和 A 的乘积近似，即 ΔW = BA。训练时冻结基座模型，只训练 A、B；推理时可以把 ΔW 合并回原权重，几乎不增加推理结构复杂度。
同题还出现在 1 个公司岗位
RDMA 连接和性能调优通常关注哪些参数？
RDMA 参数题通常不是让背某一个结构体字段，而是考察能否把关键配置维度讲清楚：资源对象参数、连接寻址参数、传输可靠性参数、内存注册参数、网络层参数以及性能调优参数。完整答案应覆盖 QP、CQ、PD、MR、LID/GID、QPN/PSN、MTU、SL 或 traffic class、RoCE v2 的 IP/UDP/VLAN/PFC/ECN，以及 inline、队列深度、CQ moderation、retry、RNR timeout 等影响吞吐和延迟的参数。
A* 相比 Dijkstra 优化了什么问题？
A* 主要优化的是 Dijkstra 在单源到单目标最短路径场景中的均匀扩展问题。Dijkstra 只按当前已知代价 g(n) 从近到远扩展，不利用终点方向信息，因此会探索大量与目标无关但距离起点较近的节点。A* 在 g(n) 基础上加入启发式估计 h(n)，用 f(n)=g(n)+h(n) 同时衡量已经走了多远和预计还要走多远，从而优先扩展更可能通向目标的节点。
图分割是什么？以 Normalized Cut 为例如何介绍？
图分割的核心是把像素、超像素或区域划分成语义或视觉一致的子区域，使同一区域内部相似度高、不同区域之间差异大。面试中不要只罗列算法名，最好选择一种方法深入讲清楚：输入如何建模、相似度如何定义、优化目标是什么、怎么求解、效果如何评估、适用边界在哪里。以 Normalized Cut 为例，它把图像表示成加权无向图，把分割转化为图划分问题，通过最小化归一化割代价，避免普通最小割偏向切出很小孤立区域的问题。
什么是on policy，什么是off policy？
on-policy 和 off-policy 的核心区别不在于算法是否探索，而在于用来学习的数据是由谁产生的。on-policy 用当前正在优化的策略采样，并用这些数据更新同一个策略；off-policy 允许用另一个行为策略、历史日志或经验回放产生的数据，去学习目标策略。回答时要把行为策略、目标策略、数据分布偏差、代表算法和工程取舍讲清楚。
冲突域里面是什么发生了冲突？
冲突域里发生冲突的不是主机、IP 地址或业务请求，而是同一共享二层介质上同时发送的以太网信号或帧发生碰撞。典型场景是半双工共享以太网中，多个节点同时往同一介质发送数据，信号叠加导致接收端无法正确还原比特，需要通过 CSMA/CD 检测、退避并重传。
常见 JVM 垃圾收集器分别适合什么场景？
垃圾回收器适用场景不能只背名称，而要围绕吞吐量、停顿时间、堆大小、对象生命周期、CPU 余量和运行时版本来选择。Serial 适合小堆和低资源环境，Parallel 适合吞吐优先任务，CMS 是旧版本低停顿方案但有碎片和并发失败风险，G1 是较新主流服务端的平衡型选择，ZGC 与 Shenandoah 面向更严苛的低停顿和大堆场景，Epsilon 只适合测试、压测和短生命周期实验。
说一下TreeMap的实现原理？
TreeMap 是 Java 中基于红黑树实现的有序 Map。它按照 key 的比较规则维护全局排序，核心操作通常是 O(log n)，适合按 key 有序遍历、范围查询、前驱后继、最大最小 key 等场景。
页式存储和段式存储分别应用在什么场景下？
页式存储更适合以固定大小块管理内存，重点解决虚拟内存、按需调页、页面置换和外部碎片问题；段式存储更适合按程序逻辑模块组织地址空间，重点服务于保护、共享、动态链接和模块化。现代系统通常以分页作为底层内存管理基础，并用虚拟内存区域、权限位和映射区间保留分段思想；段页式则把逻辑分段和物理分页结合起来。
ChatGPT为什么不用Reward-Model的数据直接fine-tune，而用RL？
Reward Model 的数据本质上是偏好判断或打分信号，它告诉模型哪些回答更符合人类偏好，但通常不直接提供一条完美答案。SFT 学的是给定输入后模仿标准输出，目标是最大化示范答案的似然；RLHF、PPO 或偏好优化学的是在很多可能回答中提高被奖励函数偏好的概率，目标是优化行为策略。ChatGPT 不直接用 Reward Model 的数据 fine-tune，核心原因是两类数据和两类目标不同：偏好数据适合训练评价器或优化策略，不等价于监督学习所需的高质量目标答案。
推荐系统里除了位置偏置，还有哪些常见偏置？
推荐系统中的偏置不只来自排序位置，还来自曝光机制、用户选择、物料流行度、展示样式、来源信任、样本构造、反馈回路、时间变化、用户活跃度和反馈标注方式。面试回答要把偏置讲成数据如何被观察到、反馈如何被产生、模型如何被训练和评估的系统性问题，并进一步说明可用随机化实验、因果估计、逆倾向加权、重采样、多目标约束和更谨慎的在线评估来缓解。
冲突域和广播域的定义和区别？
冲突域关注的是二层或物理层以太网中谁和谁会争用同一发送介质、同时发送会不会发生碰撞；广播域关注的是一个二层广播帧会被扩散到哪些接口。集线器会把所有端口放在同一个冲突域和同一个广播域；交换机默认每个端口一个冲突域，但所有同 VLAN 端口仍属于同一个广播域；路由器、三层接口、不同 VLAN 之间的边界会隔离广播域。
图分割，针对一种图分割方法进行具体介绍？
图分割是把图结构里的顶点划分为若干子集，使子集内部连接尽量强、子集之间连接尽量弱。一个代表性方法是 Normalized Cut，也常与谱聚类一起讲。它的核心思想不是简单最小化跨分区边权，而是同时考虑每个分区与整体图的连接规模，避免把孤立点或很小的点集切出去形成退化结果。
FLUX系列的整体框架是怎样的？
FLUX 系列可以概括为在潜空间里工作的 Flow Matching 图像生成 Transformer。它不是传统以 U-Net 为主体的扩散架构，而是把噪声潜变量、文本条件、时间步、位置编码和可选引导信息统一送入多模态 Diffusion Transformer，由模型预测从噪声走向图像潜变量的速度场，再通过多步采样积分得到干净潜变量，最后由自编码器解码成图像。回答时要抓住潜空间生成、文本条件编码、多模态 Transformer 主干、Flow Matching 采样过程这四条主线。
JVM 线程栈大小参数 -Xss 如何设置？
这道题考察的是 JVM 运行时栈内存模型和线程栈参数。核心结论：每个 Java 线程都有独立的 Java 虚拟机栈，方法调用会不断压入栈帧；递归过深或调用链过深通常会触发 StackOverflowError；线程创建过多、每个线程栈过大或系统/容器可用内存不足时，可能触发 OutOfMemoryError: unable to create new native thread。JVM 中常用 -Xss 设置单个线程的栈大小。
StringBuffer的append和String的+=区别？
StringBuffer 的 append 是在同一个可变字符缓冲区上追加内容；String 的 += 表面像修改字符串，实质通常是生成新的字符串结果。核心区别在于 String 不可变，+= 的优化依赖编译器和上下文，循环拼接容易产生大量临时对象；StringBuffer 维护可变缓冲区，append 多次追加时复用内部数组，并通过同步方法提供线程安全，但也带来锁开销。
什么情况服务器会有大量的TIME_WAIT连接？
服务器出现大量 TIME_WAIT，本质上说明这台机器在大量 TCP 连接中充当了主动关闭方，并且连接关闭后需要保留 2MSL 时间以保证最后一个 ACK 可重传、旧报文不会污染后续连接。常见诱因包括短连接比例高、高并发请求快速结束、服务端主动断开 HTTP 连接、未开启或未复用 keep-alive、反向代理到后端使用短连接、客户端或上游连接池配置不合理，以及瞬时流量尖峰。大量 TIME_WAIT 本身不一定是故障，但如果伴随本地端口耗尽、连接建立失败、CPU 软中断升高或 accept/connect 异常，就需要结合业务关闭方向、连接复用、系统参数和网络路径做定位。
MMDiT 如何处理双流、单流输入并融合文本和图像模态？
MMDiT 的核心不是把文本和图像粗暴拼成一种特征，而是先保留两种模态各自的处理路径，再在注意力层里做联合交互。文本 token 和图像 latent patch token 通常有各自的投影、归一化、调制和前馈网络；进入注意力时分别生成 Q/K/V，再拼接到同一个注意力计算中，让文本与图像能够双向通信。部分架构还会在前面的双流阶段之后进入单流阶段，用统一 Transformer block 继续处理拼接后的 token，但仍通过位置、类型、掩码或前后处理保留模态身份。
有没有了解过交换机和集线器的区别？
集线器是物理层设备，收到比特流后向所有端口无脑转发；交换机是数据链路层设备，会学习源 MAC 地址形成 MAC 地址表，并根据目的 MAC 地址决定转发、过滤或泛洪。核心区别在于：集线器让所有主机共享同一个冲突域和带宽，通常只能半双工并依赖 CSMA/CD；交换机把每个端口隔离成独立冲突域，支持全双工，显著提升吞吐、稳定性和安全性。
开放性问题，菜鸟无人仓机器人从A到B，需要多个机器人到达，怎么样效率最高？
这道题考察的是无人仓机器人路径规划与多机器人调度能力，核心不是单个机器人走最短路，而是在有限通道、有限交汇点、有限充电与装卸资源下，让多个仓储机器人安全、有序、稳定地从A到B完成任务。高质量回答应先定义效率目标，再建立仓库图模型，接着讨论多智能体路径规划、冲突避免、任务分配、在线重规划和仿真评估。
常见的cpu load过高，us过高，一般是什么问题？
CPU load 高和 CPU 使用率高不是同一个概念。load average 统计可运行队列和不可中断 I/O 任务，us 高表示用户态代码消耗大量 CPU。排查要先看 us、sy、wa、si、st 的结构，再定位到进程、线程和调用栈。
推荐或检索系统里的低频过滤如何实现？
低频过滤不是简单按次数删除，而是在明确业务目标和统计口径后，对样本、特征、query、item、用户行为或候选实体中频次过低、统计不稳定、噪声占比高的部分进行降权、合并、兜底或过滤。高质量回答要覆盖目标、口径、阈值、离线与在线实现、滑动窗口、长尾保护、冷启动、指标评估和工程风险。
稠密特征是如何加入DSIN架构中的？
稠密特征加入 DSIN 的核心思路是：不要破坏 DSIN 对用户行为序列按 session 建模的主干，而是把数值型特征经过规范化、分桶或小型 MLP 投影后，作为用户侧、商品侧、上下文侧、行为侧或 session 侧的补充表示，在最终 CTR 预估网络中与目标商品表示、用户画像表示、上下文表示、session interest 表示进行拼接和交叉。DSIN 负责从历史行为 session 中抽取兴趣、建模兴趣演化并对目标 item 做激活；稠密特征负责补充连续强信号。