ENTERPRISE · ALL
项目实战与企业级 · 全部题目
共 787 篇，本页第 49-96 篇。← 回到学习路径视图
No.1051数据分析 Agent 如何支持「可视化「面试官想看你能否让 Agent 自动选择合适的图表类型并生成可视化，而非依赖用户手动选图表。…→No.1052用户并发中怎么做隔离？你是如何保证线程安全的面试官想考察你在高并发场景下，对 Agent 系统“状态隔离”与“线程安全”的工程落地能力，而非单纯背八股。刁钻点在于：…→No.1053你说你服务部署在 vLLM 上，为何选择它？KV-cache 如何帮助推理加速？你自己做过哪些优化面试官想考察你对 LLM 推理引擎的选型判断力、对 KV-cache 原理的工程理解深度，以及是否具备真实调优经验。这是…→No.1054假如需要支持 Streaming 输出，但当前服务延迟又超标，你会怎么折中设计面试官想看你能否在流式（Streaming）与低延迟这对天然矛盾中找到工程折中点。这不是纯概念题，而是系统设计 + 工程…→No.1055为什么同一个问题有时答得很好，有时答得很差面试官想考察你对 LLM 输出不稳定性的系统性理解，而非简单归因于“随机性”。这是典型的工程取舍 + debug 类问题…→No.1056多轮对话上下文状态管理是如何做的？如何在高并发场景下保证一致性面试官想考察你对有状态服务在分布式高并发环境下的工程落地能力，而非单纯背诵概念。刁钻点在于：多轮对话的上下文不是简单的 …→No.1057有没有了解过带有时间窗口/偏移限制的对话系统？模型怎么“理解时间”面试官想看你是否理解大模型在时间感知上的“先天缺陷”与“工程补偿”。这不是背概念题，而是系统设计 + debug 题。刁…→No.1058How to estimate the cost of running SaaS-based and Open Source LLM models面试官想考察你从“工程落地”角度估算 LLM 成本的硬实力，而非背诵 API 价格表。核心是看你能不能拆解 SaaS 和…→No.1059What are different ways you can define stopping criteria in large language model面试官想考察你对 LLM 解码过程的底层理解，而非简单背诵参数名。这题是典型的工程取舍 + 系统设计类问题：停止条件看似…→No.1060What are some of the aspect to keep in mind while using few-shots prompting面试官想考察你对 Few-shot Prompting 的工程化理解，而非仅背诵“给几个例子”的概念。核心是看你是否踩过…→No.1061What is hallucination, and how can it be controlled using prompt engineering面试官想看的不是“幻觉就是模型胡说八道”这种教科书定义，而是你能否区分事实性幻觉（factual hallucinati…→No.1062How to improve the reasoning ability of LLM through prompt engineering面试官想考察你对提示工程的深度理解，而非简单背诵“CoT”等术语。核心是：你是否能根据问题复杂度、成本约束和模型能力，有…→No.1063What are the architecture patterns for customizing LLM with proprietary data面试官想看你是否具备从系统架构层面解决“私有数据+LLM”问题的能力，而非只会调API。考察类型是系统设计+工程取舍。刁…→No.1064How does a vector database work面试官想看你是否真正理解向量数据库的内部工程机制，而非只会调API。这是典型的系统设计+工程取舍类问题，考察点包括：嵌入…→No.1069Explain Locality-sensitive hashing (LHS) indexing method面试官想考察你对近似最近邻（ANN）索引的底层原理掌握程度，而非仅仅调用 `faiss.IndexLSH`。核心是：你是…→No.1071Compare different Vector index and given a scenario, which vector index you would use for a project面试官想看你从“背概念”到“做工程决策”的跃迁。这道题表面是列举索引，实则考察：在资源约束（内存/延迟/精度）下，如何用…→No.1073Explain different types and challenges associated with filtering in vector DB面试官想考察你对向量数据库底层执行引擎的理解深度，而非简单背诵概念。这是典型的“工程取舍+系统设计”题，刁钻点在于：过滤…→No.1074How to decide the best vector database for your needs面试官想看的不是你会背几个数据库名字，而是你能否从业务需求反推技术选型，并权衡运维成本与性能。这是一道系统设计+工程取舍…→No.1075What are architecture patterns for information retrieval & semantic search面试官想考察你对信息检索架构从传统到现代演进的理解深度，而非简单背诵概念。这是典型的“系统设计 + 工程取舍”类问题，刁…→No.1076How to fine-tune re-ranking models面试官想考察你对重排序（reranking）模型微调的整条链路工程理解，而非仅背诵论文。核心看三点：① 是否理解排序学习…→No.1077为什么模型在边界问题上更容易不稳定面试官想考察你对模型泛化边界（decision boundary）失效的底层理解，而非简单背诵“数据少”这种表面原因。这…→No.1078Explain most common metric used in information retrieval and when it fails面试官想看你是否真正理解 IR 指标的“物理意义”和“失效边界”，而非只会背公式。考察类型是工程取舍 + 系统设计。刁钻…→No.1079I have a recommendation system, which metric should I use to evaluate the system面试官想看你能否跳出“背指标定义”的层面，根据业务场景（显式/隐式反馈、排序/评分、冷启动/成熟系统）选择评估指标，并解…→No.1080Compare different information retrieval metrics and which one to use when面试官想考察你是否真正理解检索指标背后的用户行为假设，而非只会背公式。这是典型的“工程取舍 + 系统设计”混合题。刁钻点…→No.1081How does hybrid search works面试官想考察你对检索系统核心原理的掌握深度，而非简单背诵概念。这是典型的“工程取舍 + 系统设计”题，刁钻点在于：候选人…→No.1082If you have search results from multiple methods, how would you merge and homogenize the rankings into a single result set面试官想看你是否具备多源异构排序融合的工程实战能力，而非只会调单一检索API。这是P1进阶题，刁钻点在于：不同方法（如B…→No.1083What are different techniques to be used to improved retrieval面试官想考察你对检索系统整条链路优化的系统性理解，而非零散罗列技巧。这是一道系统设计+工程取舍题，刁钻点在于：候选人常只…→No.1084How can you increase the context length of an LLM面试官想考察你对 LLM 上下文长度扩展的系统性工程认知，而非单纯背诵方法。这是典型的系统设计 + 工程取舍题，刁钻点在…→No.1085A large vocabulary can cause computation issues and a small vocabulary can cause OOV issues, what approach you would use to find the best balance of vocabulary这道题考察的是系统设计+工程取舍能力，而非单纯背概念。面试官想看你能否在“大词汇表导致计算爆炸”和“小词汇表导致OOV（…→No.1086Which scenario do we need to fine-tune LLM面试官真正想看的不是你会不会微调，而是你能否在工程场景中做出“是否微调”的理性决策。这道题是典型的工程取舍判断，核心考察…→No.1088如何判断模型质量下降是模型问题、Prompt 问题还是数据问题面试官想看的不是“你懂评估”，而是你能否在线上故障时，像外科医生一样快速隔离病灶。这是典型的 debug + 系统设计 …→No.1089How do you improve the model to answer only if there is sufficient context for doing so面试官想考察你解决模型幻觉（hallucination）的实战能力，特别是“何时该闭嘴”这一核心工程问题。这不是背概念题…→No.1090How to create fine-tuning datasets for Q&A面试官想看的不是你会不会“爬数据”，而是你能否系统性地构建一个高质量、低噪声、可复现的微调数据集。考察类型是工程取舍 +…→No.1091How to set hyperparameters for fine-tuning面试官想考察你是否有过“真正把模型训好”的实战经验，而非只会调包跑通。这道题表面是背超参列表，实际是看你对收敛动力学的理…→No.1092What is catastrophic forgetting in LLMs面试官想考察你对 LLM 微调本质的理解深度，而非仅仅背诵“灾难性遗忘”定义。刁钻点在于：你是否能区分“参数覆盖”与“分…→No.1093What are different re-parameterized methods for fine-tuning面试官想考察你对参数高效微调（PEFT）中“重参数化”这一核心思想的深度理解，而非简单罗列方法名。刁钻点在于：你是否能区…→No.1094How do you evaluate the best LLM model for your use case面试官想考察你系统化评估 LLM 的工程方法论，而非背几个 benchmark 分数。刁钻点在于：候选人常陷入“只看 M…→No.1095What are different metrics for evaluating LLMs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。这是“系统设计+工程取舍”型问题，刁钻点在于：候选人常…→No.1096What are different forms of hallucinations面试官想考察你对 LLM 幻觉的系统分类能力，而非简单列举“模型会胡说八道”。这是概念分类 + 工程取舍型问题，刁钻点在…→No.1097How to control hallucinations at various levels面试官想看的不是“调低温度”这种单点技巧，而是你能否分层拆解幻觉问题，从数据、模型、推理到系统，给出有工程取舍的方案。这…→No.1098Why does quantization not decrease the accuracy of LLM面试官真正想看的不是“量化会不会掉点”，而是你能否区分“不降低”和“降低可接受”的细微差别。考察类型是工程取舍 + 原理…→No.1099参数越大就一定越强吗面试官想考察你对 Scaling Laws 的辩证理解，而非单纯背诵“参数越大越好”的直觉。这是典型的工程取舍 + 实证…→No.1100What are the techniques by which you can optimize the inference of LLM for higher throughput面试官想考察你对 LLM 推理全栈优化的系统性理解，而非零散知识点。这是典型的“系统设计 + 工程取舍”题，刁钻点在于：…→No.1101What is prompt hacking and why should we bother about it面试官想看你是否具备 LLM 安全威胁的实战认知，而非仅仅背诵“提示注入”定义。考察类型是工程取舍 + 系统设计，刁钻点…→No.1102What are the different types of prompt hacking面试官想考察你对 LLM 安全攻击面的系统性认知，而非简单背诵攻击名称。核心是看你能不能从攻击原理（如指令优先级、上下文…→No.1103What are the different defense tactics from prompt hacking面试官真正想看的是你对LLM安全防御体系的系统性认知，而非零散罗列“过滤、微调”等关键词。考察类型为系统设计+工程取舍，…→No.1104How to optimize cost of overall LLM System面试官想看的不是“用便宜模型”这种常识，而是系统级成本拆解与工程取舍。考察类型为系统设计 + 工程取舍，刁钻点在于：候选…→No.1105目前 主流的开源模型体系 有哪些面试官想考察你对开源 LLM 生态的广度认知和选型判断力，而非简单罗列模型名称。刁钻点在于：候选人常只背名字，却不懂架构…→