ENTERPRISE · ALL
项目实战与企业级 · 全部题目
共 787 篇，本页第 1-48 篇。← 回到学习路径视图
No.1000为什么模型“记得某些知识”不等于它能稳定调用这些知识面试官想看你是否理解LLM的“记忆”本质是参数化知识，而非人类式的语义记忆。考察类型是工程取舍+系统设计，刁钻点在于：候…→No.1001What is prompt engineering, and why is it important for LLMs面试官想看的不是“背定义”，而是你能否区分 prompt engineering 是工程实践而非玄学。考察类型：概念 +…→No.1002What is the difference between zero-shot and few-shot prompting面试官想考察你对 LLM 核心能力——上下文学习（In-Context Learning, ICL）的理解深度，而非简单…→No.1003What is a system prompt, and how does it differ from a user prompt这道题看似基础，但面试官真正想看的不是你对“系统提示词”和“用户提示词”的字典式定义。它属于工程取舍与系统设计的考察类型…→No.1004Why is context important in designing prompts面试官想看的不是“上下文很重要”这种废话，而是你能否从系统设计和工程取舍角度拆解：上下文如何影响 LLM 的推理质量、如…→No.1005How would you structure a prompt to ensure the LLM output is in a specific format, like JSON面试官真正想看的不是你会不会写“output JSON”这句话，而是你对 LLM 输出控制的工程化理解。这道题属于工程取…→No.1006What are the different phases in LLM development面试官想看你是否具备 LLM 开发全流程的宏观视野，而非仅停留在“训练模型”的单一概念。这道题是典型的“系统设计+概念梳…→No.1007What are the different types of LLM fine-tuning面试官想考察你对 LLM 微调技术栈的系统性分类能力，以及工程取舍的敏感度。这题看似基础，但刁钻点在于：能否区分“全参数…→No.1009How do you prevent overfitting during fine-tuning面试官想看的不是“背出过拟合定义”，而是你在资源受限（小数据集、高参数量）的微调场景下，如何系统性地平衡模型容量与泛化能…→No.1010| Q12 | What is tokenization, and why is it necessary in LLMs这道题看似基础，但面试官真正想看的不是“背定义”，而是你对 LLM 底层数据流（text → tokens → embe…→No.1011为什么上下文越长不一定效果越好面试官想考察你是否真正理解 Transformer 架构在长上下文场景下的理论瓶颈与工程取舍，而非仅仅背诵“注意力复杂度…→No.1013| Q36 | Can you briefly explain the difference between LLM training and inference面试官想确认你是否真正理解 LLM 的生命周期，而不仅仅是背概念。这道题看似基础，但刁钻点在于：训练和推理在计算图、内存…→No.1014| Q37 | What is latency in LLM inference, and why is it important面试官真正想看的是：你是否能清晰定义 LLM 推理延迟的两个核心维度（首 token 延迟 vs. 逐 token 延迟…→No.1015| Q38 | What is batch inference, and how does it differ from single-query inference面试官想确认你是否真正理解 LLM 推理的底层工程原理，而非仅背概念。这题看似基础，但“刁钻点”在于：你是否能区分静态批…→No.1016| Q39 | How does batching generally help with LLM inference efficiency面试官想考察你对 LLM 推理底层原理的理解，而非简单背诵“批处理能加速”。核心是看你能不能从 GPU 计算模型（SIM…→No.1017| Q55 | What is the purpose of temperature in LLM inference, and how does it affect the output面试官想考察你是否真正理解温度参数（Temperature）的数学原理与工程实践，而非仅背诵“低温确定、高温多样”的教科…→No.1018| Q56 | What is autoregressive generation in the context of LLMs面试官想确认你是否真正理解 LLM 生成文本的底层机制，而非只会调 API。这是“背概念”题，但刁钻点在于：很多人能说出…→No.1019| Q66 | What is mixed precision, and why is it used during inference面试官想考察你对混合精度推理的底层理解，而非简单背诵定义。这是一道“概念+工程取舍”题，刁钻点在于：多数人只知混合精度训…→No.1020| Q70 | How do you measure LLM inference performance面试官想看你是否真正理解 LLM 推理性能的“多维性”，而非只背指标。考察类型是工程取舍 + 系统设计。刁钻点在于：候选…→No.1021| Q71 | What are the different LLM inference engines available面试官想考察你对 LLM 推理生态的广度认知和工程选型能力。这题看似是“背概念”，但刁钻点在于：你是否理解不同引擎背后的…→No.1022什么是 lost in the middle面试官想考察你是否真正理解大模型在长上下文场景下的“反直觉”行为，而不仅仅是背概念。这是典型的工程取舍+系统设计题，刁钻…→No.1023| Q74 | What is Chain-of-Thought prompting, and when is it useful面试官想看你是否真正理解 Chain-of-Thought（CoT）的本质，而不仅仅是背定义。考察类型是 概念理解 + …→No.1024| Q77 | What is prompt engineering, and why is it important for LLMs面试官想确认你是否真正理解提示工程（Prompt Engineering）的本质——它不是“写咒语”，而是通过结构化输入…→No.1025| Q78 | What is the difference between zero-shot and few-shot prompting面试官想考察你对 LLM 提示工程基础概念的掌握深度，而非简单背诵定义。真正想看的是：你是否理解两种策略背后的模型行为差…→No.1026| Q81 | What is a system prompt, and how does it differ from a user prompt面试官想考察你对 LLM 交互机制的理解深度，而非简单背诵概念。这是典型的“背概念+工程取舍”混合题，刁钻点在于：很多人…→No.1027| Q84 | Why is context important in prompt design面试官想看你是否真正理解“上下文”在 prompt 设计中的核心作用，而不仅仅是背概念。考察类型是工程取舍：你需要解释上…→No.1028| Q107 | What is gradient accumulation, and how does it help with fine-tuning large models面试官想确认你是否真正理解梯度累积的底层机制，而非只会背“模拟大batch”的结论。考察类型是工程取舍+debug，刁钻…→No.1029| Q110 | What is the difference between casual language modeling and masked language modeling面试官想确认你是否真正理解两种预训练范式的核心差异，而非仅背出“GPT是自回归，BERT是双向”。考察类型是概念辨析+工…→No.1030| Q111 | How do LLMs handle out-of-vocabulary (OOV) words面试官想看你是否理解现代LLM处理OOV的核心机制——不是靠词表硬匹配，而是通过子词分词将OOV拆解为已知片段。考察类型…→No.1031| Q115 | What is the significance of self-supervised learning in LLM pretraining面试官想考察你对 LLM 预训练核心机制的理解深度，而非简单背诵“自监督学习”的定义。这是一道“背概念 + 工程取舍”混…→No.1032What are the typical distance metrics used for similarity search in vector databases, and why are they chosen面试官想考察你对向量数据库底层原理的理解深度，而不仅仅是背诵几个距离公式。这题看似基础，但刁钻点在于：为什么选这个度量，…→No.1033长文本输入会带来哪些典型问题面试官想看你能否系统性地拆解长文本输入带来的多维问题，而非只背一两个“显存爆炸”或“Lost in the Middle…→No.1035What are the frameworks or libraries used for LLM finetuning面试官想考察你对 LLM 微调工具链的实战选型能力，而非简单罗列框架名称。这道题看似基础，但刁钻点在于：能否区分不同框架…→No.1036What is the primary objective of the pretraining phase for a Large Language Model (LLM)面试官想看的不是“预训练就是学语言”这种空泛定义，而是你能否精准区分预训练与微调的本质差异，并理解其核心目标——通过自监…→No.1037What is tokenization in the context of LLM pretraining, and why is it important面试官想考察你是否真正理解 tokenization 不是“切词工具”，而是 LLM 预训练的输入瓶颈和性能杠杆。这是典…→No.1038How is the performance of an LLM typically evaluated during or after the pretraining phase面试官想考察你对 LLM 评估体系的系统性理解，而非简单罗列指标。核心是区分内在评估（如 perplexity）与外在评…→No.1039What comes after the pretraining phase, and why is it necessary面试官想看你是否理解 LLM 完整训练流水线，而非只背过“预训练+微调”两个词。考察类型是工程取舍 + 系统设计。刁钻点…→No.1040What is Quantization in Large Language Models (LLMs)面试官想考察你对 LLM 部署核心瓶颈的理解深度，以及是否具备模型压缩的工程直觉。这题看似是“背概念”，但刁钻点在于：量…→No.1041Why to Quantize LLMs面试官想考察你是否真正理解量化在LLM部署中的“生死攸关”地位，而非单纯背诵定义。这是典型的工程取舍题，刁钻点在于：很多…→No.1042How does quantization reduce model size面试官想看你是否真正理解量化压缩的底层存储机制和计算收益，而非只背“32位降到8位省75%”的结论。考察类型是工程取舍+…→No.1043设计一个数据分析 Agent，核心架构是什么面试官想看你能否设计一个端到端的数据分析 Agent 架构，而非简单的"LLM + SQL"。刁钻点在于：数据分析 Ag…→No.1044为什么模型有时会一本正经地胡说八道面试官想看你是否理解“幻觉”与“过度自信”的底层耦合机制，而非只背现象。考察类型是工程取舍+系统设计。刁钻点在于：候选人…→No.1045数据分析 Agent 中的 Text-to-SQL 如何保证准确性面试官想深入看你的 Text-to-SQL 方案细节。刁钻点在于：Text-to-SQL 是数据分析 Agent 的核心…→No.1046数据分析 Agent 如何处理「模糊需求「面试官想看你解决"用户不知道自己想要什么"这个产品难题。刁钻点在于：真实用户很少给出精确的数据分析需求（如"看一下数据"…→No.1047数据分析 Agent 如何生成「数据洞察「而不仅是数据面试官想看你能否让 Agent 从"数据搬运工"升级为"分析顾问"。刁钻点在于：查询数据并展示表格是基础能力，真正的价值…→No.1048数据分析 Agent 如何支持「对话式分析「面试官想看你能否让数据分析像聊天一样自然——用户不需要写 SQL 或操作 BI 工具，用自然语言层层深入分析。…→No.1049数据分析 Agent 如何保证数据安全面试官想看你能否在"数据可用性"和"数据安全性"之间平衡。数据分析 Agent 直接访问企业核心数据，安全风险极高。…→No.1050数据分析 Agent 如何支持「实时分析「面试官想看你解决"实时数据流分析"的架构能力。实时分析需要处理流数据（Kafka/Flink）而非批量数据（SQL查询）…→