ENTERPRISE · ALL
项目实战与企业级 · 全部题目
共 787 篇，本页第 673-720 篇。← 回到学习路径视图
No.1704是否为关键步骤定义了验证标准面试官想看你是否具备工程化思维，而非只会搭 demo。这道题表面问“有没有定义验证标准”，实际考察：① 能否识别出系统里…→No.1705What is tokenization, and why is it necessary in LLMs面试官想确认你是否理解 LLM 输入处理的最底层机制，而非仅仅背诵“分词”概念。这是典型的背概念 + 工程取舍混合题。刁…→No.1706What is gradient accumulation, and how does it help with fine-tuning large models面试官想考察你是否真正理解梯度累积的底层机制，而非仅停留在“显存不够时用”的肤浅认知。这是典型的工程取舍题，刁钻点在于：…→No.1707What is the difference between casual language modeling and masked language modeling面试官想看你是否真正理解两种预训练范式的本质差异，而非仅背出“GPT是自回归，BERT是自编码”。考察类型是概念辨析+工…→No.1708How do LLMs handle out-of-vocabulary (OOV) words面试官想验证你是否理解LLM底层分词机制，而非停留在“用子词分词”的浅层答案。考察类型是工程取舍+概念理解。刁钻点在于：…→No.1709Can you briefly explain the difference between LLM training and LLM inference面试官想看的不是“训练要反向传播、推理只要前向”这种教科书定义，而是你能否从计算特性、工程约束、系统设计三个维度区分两者…→No.1710What is latency in LLM inference, and why is it important面试官想考察你对 LLM 推理延迟的精确定义、业务影响以及优化取舍的理解。这并非简单的概念背诵，而是检验你是否能区分“首…→No.1711What 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 推理的底层工程逻辑，而非只背概念。这道题表面是“定义对比”，实际考察三点：吞吐量与延…→No.1712How does Beam Search improve upon Greedy Search, and what is the role of the beam width parameter面试官想看你是否真正理解自回归解码的底层逻辑，而非死记硬背。考察类型是“工程取舍+系统设计”。刁钻点在于：Beam Se…→No.1713How is Beam Search fundamentally different from a Breadth-First Search (BFS) or Depth-First Search (DFS)面试官想看你是否真正理解搜索算法的核心权衡（trade-off）：完备性 vs 效率。BFS/DFS 是经典图搜索，追求…→No.1714What is the purpose of temperature in LLM inference, and how does it affect the output面试官想看你是否真正理解temperature的数学本质，而非仅背“高温多样、低温确定”的口诀。这是典型的概念+工程取舍…→No.1715What 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。这题看似基础，但“刁钻点”在于：自回归生成为…→No.1716What is Chain-of-Thought (CoT) prompting, and when is it most useful面试官想考察的远不止“CoT 就是让模型一步步思考”这个定义。核心是：你是否理解 CoT 的本质是“将隐式推理显式化”，…→No.18自部署 vs API：推理形态怎么选API 零运维线性付费、自部署合规可控固定投入。这篇给推理形态的判断维度表与混合部署的常见形态。…→No.19项目面试包 · Text2SQL 数据查询 Agent语义层、schema linking、受约束生成、沙箱执行与错误自修复的全链路讲法，配执行准确率口径与只读安全设计，把取…→No.20项目面试包 · 数据分析 Agent（ChatBI）意图规划、多步取数、贡献度归因、结论先行的四层讲法，数字与解释分离的可信机制，配归因接受率等指标口径与常见 badcas…→No.29第10章项目深挖面试导学第10章围绕项目选型、架构设计、性能优化、故障排查与迭代演进，整理企业级 Agent 面试的学习顺序、站内题目和常见追问…→No.901架构设计能力： 你如何设计角色分工？如何设计交互流程？选择何种编排框架（如AutoGen, LangGraph）背后的权衡是什么？这体现了你的技术选型和系统设计能力面试官想看你从“玩具级单Agent”到“生产级多Agent系统”的架构思维跃迁。这不是背框架API，而是考察你能否根据业…→No.902你是否了解传统的精排方法？例如，能否详细介绍一下LTR（Learning to Rank）技术，包括其主要的算法模型、损失函数以及在推荐系统或搜索引擎中的应用面试官想考察你对排序系统底层逻辑的系统性理解，而非简单背诵算法名称。这是典型的“系统设计+算法原理”混合题，刁钻点在于：…→No.903在强化学习领域，离线强化学习算法和在线强化学习算法分别包含哪些常见的类型？请列举并简要说明面试官想看你是否真正理解RL两大范式的设计动机，而非单纯背算法名。考察类型是“系统分类+工程取舍”，刁钻点在于：离线RL…→No.904你是否了解对比学习？是否了解自监督学习？是否了解无监督学习？这几种学习方式各自有哪些具有代表性的模型呢面试官想看你能否清晰区分无监督学习、自监督学习和对比学习这三者的定义、层级关系与典型代表模型，避免概念混淆。这是典型的概…→No.905在安全领域中，当面临负样本数量稀少、无标签数据大量存在的情况时，有哪些可行的思路和方法来构建分类模型，从而有效地识别异常用户面试官想考察你在极度不平衡 + 无标签数据主导的真实安全场景下，能否跳出“堆更多负样本”的思维定式，提出系统性的工程解决…→No.906两个重复特征输入模型是否比只输入一个好？从数学角度具体分析这道题表面问“重复特征好不好”，实际考察三层：线性代数基础（矩阵秩与解唯一性）、优化与正则化原理（权重分散与惩罚效果）、…→No.907四面：面试官提出的问题有“基座模型和应用模型这两个方向，你认为哪个领域目前发展得比较好？”以及“你未来的职业规划是怎样的？”面试官想看的不是“哪个更好”的站队，而是你对AI技术栈的宏观认知深度和职业规划的理性程度。考察类型是系统认知+职业判断，…→No.908追问：那维度数字都是几百的还有精确到小数点后面十多位，这个如何处理面试官想看你从“理论正确”到“工程落地”的硬功夫。这道题是典型的系统设计 + 工程取舍题，刁钻点在于：候选人往往只背了“…→No.909layer normalization有哪几种位置上的结构面试官想考察你对 Transformer 架构中 LayerNorm 放置位置的工程理解深度，而非单纯背诵“Pre-LN…→No.910layer normalization方法有哪些面试官想考察你对 Layer Normalization（LN）及其变体的理解深度，而非简单背诵定义。这是典型的“概念+…→No.911instruction tuning的时候loss怎么计算的面试官想考察你是否真的动手训过模型，而非只调过 API。核心看三点：一是你是否清楚 Instruction Tuning…→No.912大模型什么时候不管用面试官想看你能否系统性地拆解大模型的能力边界，而非只背几个“幻觉”或“长上下文”的碎片。考察类型是系统设计+工程取舍，刁…→No.913大模型的3H是指什么面试官想考察你对AI安全与对齐（Alignment）的底层理解，而非简单背诵3H定义。刁钻点在于：3H（Helpful/…→No.914RL为什么难训面试官想考察你对强化学习（RL）在大模型场景下“难”的深度理解，而非背诵概念。刁钻点在于：区分算法层面（样本效率、奖励设…→No.915为什么要left padding面试官想考察你对 Transformer 架构（尤其是 decoder-only 因果注意力）底层机制的理解深度，而非简…→No.916怎么提升In-context learning的能力面试官想考察你对 In-context Learning（ICL）原理的深度理解，而非仅停留在“给几个例子”的经验层面。…→No.917有哪几种并行策略？说一下面试官想看你是否真正理解分布式训练的核心矛盾——显存墙 vs 通信墙，而不是背概念。这道题考察类型是系统设计 + 工程取…→No.918Zero3是哪种并行策略面试官想考察你对分布式训练内存优化的精确理解，而非泛泛背诵“ZeRO-3是分片”。真正刁钻的点在于：ZeRO-3本质上是…→No.919vLLM了解吗？讲一下面试官想确认你是否真正理解高性能推理引擎的底层设计，而非仅仅用过 `pip install vllm`。考察类型是工程取…→No.920Prefix Tuning仔细讲一下怎么做的面试官想考察你对 PEFT（Parameter-Efficient Fine-Tuning）的实现细节掌握程度，而非泛泛…→No.921具体讲一下这个参数是加在模型的哪里面试官想看你是否真正理解PEFT（Parameter-Efficient Fine-Tuning）方法的本质，而非只会背…→No.922加的MLP结构是怎么加，为什么加面试官想考察你对 PEFT（Parameter-Efficient Fine-Tuning）中 Adapter 模块的设…→No.923Prompt Tuning呢？Prefix Tuning和Prompt Tuning的区别是什么面试官想考察你对两种主流 PEFT（Parameter-Efficient Fine-Tuning）方法的原理级对比，而…→No.924多标签分类可以怎么做面试官想考察你对多标签分类问题的系统性认知，而非单纯背概念。核心看三点：一是能否清晰区分多标签与多分类、多输出的本质差异…→No.925KL散度理解？KL 散度和交叉熵的区别和联系是什么面试官想看你是否真正吃透了信息论基础，而非死记公式。这道题表面是概念对比，实际考察三点：一是数学推导的严谨性（能否从定义…→No.926目标公式中衰减因子的作用，取大取小有什么影响面试官想看你是否真正理解强化学习中折扣因子γ的数学本质和工程调参经验，而非仅背诵“γ越大越远视”的结论。考察类型是工程取…→No.927Reward model不准确怎么办面试官想看你面对 Reward Model（RM）不准确这一 RLHF 核心问题时，能否跳出“再训一个更大模型”的单一思…→No.928batch size和learning rate的关系面试官想考察你对超参数调优的工程直觉，而非死记硬背公式。核心是：你是否理解 batch size 与 learning …→No.929位置编码了解哪些？仔细说说ROPE面试官想考察你对 Transformer 位置编码演进的理解深度，特别是从“绝对位置”到“相对位置”再到“旋转位置”的设…→No.930模态不平衡怎么办面试官想考察你对多模态学习中“模态不平衡”这一核心问题的理解深度，而非简单背诵概念。这是典型的工程取舍 + debug …→No.931多标签分类任务的损失函数怎么设计面试官想考察你对分类任务本质的理解深度，而非简单背诵公式。核心在于区分多标签（multi-label）与多分类（mult…→