AI面试问题分享

总结到现在面试被问到的高频问题1.后端:Redis常规八股 Redis场景题（例如大key怎么解决）；mq相关场景题，mq高并发时怎么做的防任务失效方法，mq怎么判断冗余；SQL，b+树的原理优势，怎么反转，最小值去重；操作系统，进程线程协程是什么，开发时怎么确定线程和协程的量；框架八股:fastapi，怎么做的orm，url的组成，装饰器怎么使用。2.算法:transfermer基本架构，位置编码细节，多模态模型怎么做的模态对齐，lora微调细节，微调细节，chunk切分方法，agent意图识别，agent反思，语料库怎么确定，检索的方法有哪些以及原理，ssehttps，向量库的横向对比，langgraph具体实现，怎么提高模型可信度，文档怎么解析细节，mcp和functioncall。3.手撕 hot100

是一个1000～9999人的游戏类公司。刚开始面试官先简单介绍了一下他们公司，然后让我进行自我介绍，介绍了一下自己最重要的项目（一个口腔医疗领域的多agent多模态项目），然后进行项目的拷打（不是特别拷打，问的问题很友好）目前能想到的问题有：1.介绍一下你的项目2.你提到的coze，coze有两版，一个是拖拽式的编排，新的一版是直接使用agent？（这个不太理解啥意思），你使用的是哪一种？你是怎么设计节点的？3.你编写了哪些MCP工具，介绍一下4.上下文管理是怎么做的，如何进行记忆5.问关于ReAct的知识，那几个模式有什么差别6.给了一个场景，就是设计一个全自动化的agent进行AI漫剧创作，你会怎么设计？（给了一个限制，就是我们提一个场景，例如校园剧等，然后AI自动进行创作，然后AI再根据创作的节点进行自我反馈，然后迭代）7.你认为设计的过程中最大的三个问题是哪三个？你准备怎么解决8.针对我现场设计的全流程进行拷打，例如我说要保证人物前后一致，他问用什么方法保证前后一致。我还说要进行片段的评估，他问我评估方法等9.如果你设计的这个全流程要先发行一版，你准备保留哪些重要的功能（节点）10.有没有使用过一些代码编程AI（如cursor、codex等），然后进行了一些延伸。比如：如果你用cursor写代码的时候如果有一个地方AI一直改一直改还报错你会怎么解决目前能回忆起的大概是这些，全程很少八股，非常考验随机应变的能力，后续有想到的会进行补充----------------------更新：下午面了一面，面试官人特别好，对我也很满意，马上约了二面，二面体验感极差。面试官很傲慢，迟到了几分钟，问了很多莫名其妙的问题，一直在玩手机，然后态度也很不好。总共就面了十几分钟

很多人问我如何准备大模型的面试，分享下我的经验，针对两种情况：1. 有大模型实习2. 无大模型实习针对无大模型实习的情况，我建议先找一段中厂实习为主，比如 zhipu、Minimax （当然有大厂进大厂）这些，相对容易进，尽量积累大模型实习经历。针对有大模型实习的情况，复习内容为：1. 常规八股（transformer、bert 等）2. 最新八股（GQA 等）3. 技术报告（一定要自己看原PDF，目前推荐 DeepSeekV3, R1, kimi1.5, Minimax-01, Qwen2.5, Qwen2.5-VL）4. 手撕 Leetcode：Hot1005. 手撕模型，比如 MHA 这些首先是常规八股和最新八股，这一部分可以自己找找网上资料，整理好的，背。然后是技术报告，目前推荐的内容有：1. DeepSeekV3：必读2. DeepSeekR1：必读3. Kimi1.5：选读4. Minimax-01：选读，据我所知最长上下文模型（外推到 4M，不过好像被 LLama4 的 10M 超过了）5. Qwen2.5：必读6. LLama3.1：必读7. Qwen2.5-VL（如果简历有多模态内容）：选读重点关注：1. 阶段训练（预训练几段、Post-training 几段？上下文用了多少？数据配比是什么？）2. 模型创新点（MHA 创新是什么？作用是什么？）3. 上下文优化创新点（一般是优化显存和阶段训练）4. 多模态优化创新点（简历有多模态内容）5. 几个模型不同之处（比如 Qwen2 和 Qwen2.5 的不同之处）最后是手撕，Leetcode 只刷 Hot100 够了，模型手撕建议关注（我目前会的）：1. MHA2. LayerNorm3. Transformer Encoder (MHA+LayerNorm+FFN)4. PE（绝对位置编码）5. ROPE6. SwiGLU7. RmsNorm每次面试前快速过一遍就 ok 了。

一面 拷打实习和项目经历，问的非常详细。后面就问了一些直播相关的业务问题，说实话，我完全不知道咋回答，因为没做过直播就在瞎扯，怪尴尬的。二面 leader我的评价是不太像面试，更像唠嗑。首先我讲完自我介绍之后就问了下“你的大学生活看起来很丰富，有科研有实习，能和我分享一下异同么不太常规的面试问题，于是我瞎说了一通，他好像对我说啥也不是很感兴趣，主要是看回答的框架？他自己讲话就很有框架性。然后就直接让我分享我在抖音实习的经历，让我完整的讲一个项目。因为我之前一面问过这个岗位是做啥的，于是就挑了一个和岗位相关的经历说，他听得很认真，还会经常点头有反馈。之前都是严格用STAR法则说的，但是感觉面试官让他们感兴趣更重要，于是就更多的抛出一些认知，感觉像脱口秀说完经历没有问任何问题，就有点好奇你们这个产品和剪映有啥区别么？也不是常规的面试问题，经历也没有拷打，就纯聊天式提问，感觉像coffee chat然后就是英语环节。我英语口语一塌糊涂，半天憋不出来，脸都红了，他安慰我了一下，说我们跳过这个环节吧......

如果简历上有写AI开发项目的，会拷打AI相关的八股例如：MCP、RAG、Agent...没有AI项目就会问你，日常学习怎么使用AI，怎么用AI辅助编程的之类的，或者是大模型的一些简单概念。

一面： 1. 自我介绍，讲论文和实习。2. Transformer自注意力机制、位置编码、梯度消失/爆炸的解决方案。3. 微调方法对比（Full Fine-tuning vs. LoRA/Adapter/P-Tuning）。4. 推理加速技术（量化、动态批处理、FlashAttention）。5. 如何优化大模型在长文本生成中的显存占用？6. RLHF中奖励模型（RM）的训练数据如何构建？7. 为网易云音乐设计一个AI歌词生成系统，如何提升创意性和押韵效果？8. 模型剪枝/量化（GPTQ、AWQ）、服务化框架（FastAPI+vLLM）。9. 如何解决大模型API服务的响应延迟问题？一面八股挺多的，问的知识点也非常多，主要考察对大模型的理解，整体来说难度不算大，复习熟记八股应该都比较好答。二面：1. 自我介绍，讲论文和实习。2. LayerNorm和BatchNorm在大模型中的区别？为什么Transformer用LayerNorm？3. 解释大模型训练中的“灾难性遗忘”现象及解决方法。4. 如果微调后的模型过拟合，你会如何调整？5. 如何评估一个对话系统的生成质量？6. 如何用大模型提升网易新闻的推荐效率？7. 设计一个游戏内AI陪玩系统，需考虑哪些模块？8. 领域适配时，如何构建高质量的垂域训练集？9. 你在项目中如何解决数据稀缺问题？10. 模型上线后遇到了什么性能瓶颈？如何优化的？建议：精读《Attention Is All You Need》、HuggingFace文档。如果没有大模型项目，可用Kaggle/开源项目复现（如LangChain应用）。

1.SSE与WebSocket区别2.对AI基本概念了解：RAG、Agent、FunctionCall、MCP、Skills等3.个人AI技能了解4.了解主流模型有哪些&各自特点应用场景5.用了什么IDE以及对比6.多Agent有了解吗7.AI在实习部门中应用场景8.Agent底层原理：ReAct、Transformer了解9.现有需求如何用AI进行实现，拆解小需求&AI规划&实现&测试，Trae中/plan、/spec

1.内存泄漏是什么2.循环引用是什么，会不会导致内存泄漏3.说说你对冒泡的理解4.现在有3个盒子（A>B>C，A在最外层，B在中间层，C在最里面）点击的话，事件发生顺序是什么5.事件委托是什么，有什么好处6.垃圾回收7.new操作符具体做了什么8.箭头函数和普通函数差别9.为什么箭头函数不能当构造函数10.apply，call，bind分别表示什么总共11题想不起来了，想起来在补充

历经两个月的鏖战，终于拿下某大厂算法岗Offer！复盘了30道高频面试题，分享给正在备战的同学：机器学习基础（10道）手推LR推导，为什么用交叉熵而不用MSE？偏差方差分解，Bagging vs Boosting怎么对应？XGBoost相比GBDT的改进点？二阶泰勒展开的意义？特征工程怎么做？连续特征离散化的好处？类别不平衡如何处理？Focal Loss原理？正则化L1、L2区别，为什么L1能产生稀疏解？聚类算法K-Means的优缺点？如何选K？模型评估指标：AUC计算逻辑和业务含义？随机森林的随机性体现在哪？梯度消失/爆炸原因及解决方案？深度学习（10道）11. BN原理，训练和测试阶段有什么区别？12. Transformer的self-attention计算过程？为什么要除√d？13. BERT的预训练任务是什么？WordPiece作用？14. 激活函数ReLU vs LeakyReLU vs GELU？15. 优化器SGD、Adam、AdamW的区别？16. 过拟合如何判断和解决？Dropout原理？17. 多卡训练：数据并行 vs 模型并行？18. Attention的几种形式？Additive vs Dot-Product？19. 残差连接为什么有效？20. 卷积参数量和FLOPs计算？手撕代码（5道）21. 手写Multi-Head Attention22. 实现二分类交叉熵损失函数23. 快速排序/归并排序（常考！）24. 编辑距离/最长公共子序列25. 二叉树遍历（递归+非递归）业务场景（5道）26. 短视频推荐，冷启动怎么解决？27. 广告CTR预估，特征怎么设计？28. 搜索排序，如何平衡相关性和多样性？29. 用户长短期兴趣如何建模？30. 线上AB测试，指标怎么选？

作为Java工程师，我发现现在面试AI岗位（或者带AI方向的后端岗），考察点真的挺“硬核”的。之前面试被问到过怎么用LangChain或者Spring AI做RAG检索增强，还有向量数据库的索引优化，甚至问到了模型推理加速和显存管理。感觉光会调API已经不够看了，面试官更看重你怎么把大模型能力稳定地嵌入到现有业务架构里，以及对底层原理的理解。大家最近面试都被问到什么深度的技术题了？求分享避坑指南。

这个之前写过一篇了，再补充几个秋招被问到的："你在工作中用过哪些AI工具？" — 这个几乎每家都问，一定要提前准备好"AI生成的测试用例你怎么评估质量？" — 考察你有没有真的用过，不是嘴上说说"如果AI给了错误的建议你怎么办？" — 结合真实经历说最好"你觉得AI会取代测试工程师吗？" — 这是开放题，但千万别说"不会"就完了，要说出你的思考"用过哪些AI大模型平台？体验如何？" — ChatGPT、文心一言、通义千问，至少用过两三个我的经验是：面试官不期望你是AI专家，但他们想看到你有AI思维，愿意拥抱变化

1. 请介绍一个你接触过的与AI相关的项目或研究，并说明AI在其中扮演的角色。2. 抛开具体技术细节，你怎么向公司市场部的同事通俗地解释“机器学习”是做什么的？3. 如果要你为主流电商平台的客服系统设计一个智能问答机器人，你会如何规划它的核心能力和演进路径？（追问：在上线初期，你会设计哪些机制来应对AI“答不上来”或“答错”的情况？）4. 在AI产品中，如何平衡算法的“准确性”和系统的“响应速度”（延迟）？5. 你觉得当前AI技术在电商领域，最能创造价值的1-2个应用场景是什么？为什么？6. 什么是“数据飞轮”？它对AI产品为什么重要？7. AI产品存在“黑箱”问题，可能会影响用户信任。在产品层面可以做些什么来缓解？8. 如何判断一个业务问题是否适合用AI来解决？你会考虑哪些维度？9. 你如何持续跟进快速变化的AI技术趋势？最近有看到什么让你印象深刻的新应用吗？10. 你认为AI产品经理最核心的挑战是什么？是技术理解、业务场景，还是别的？

一、基础必问1. 介绍下Transformer、Self-Attention2. 大模型：LLM是什么，RAG是什么，微调是什么3. Python常用库：Pandas、NumPy、PyTorch4. 过拟合怎么解决5. 评价指标：准确率、精确率、召回率、F1、AUC二、项目必问1. 你做过什么AI项目？2. 数据怎么来、怎么处理？3. 用了什么模型、为什么选它？4. 遇到什么问题，怎么解决？5. 结果怎么量化？三、工程必问1. Git常用命令2. Docker了解吗3. 模型怎么部署/加速4. 怎么排查bug、数据异常5. Linux基础命令四、行为/实习必问1. 遇到不会的问题怎么办2. 压力大、加班怎么处理3. 职业规划4. 为什么想来我们公司5. 你有什么优势

你对AI行业怎么看？你未来想往AI哪个方向发展？有没有用AI做过项目/作品？其实这个是行业发展最前沿的问题，也没有常规答案，就看自己面试的状态，以及对不同事情的看法！

你觉得我们产品为什么能留住用户？你认为AI虚拟陪伴和真人社交软件（如Soul、陌陌）最大的区别是什么？如果让你给我们的AI设计一个新性格或新场景（比如虚拟男友/女友），你会选什么？为什么？如果用户上来就调戏AI，或者问一些色情、敏感的问题，导致AI回复崩了或违规，你会怎么处理用户说AI越来越笨，说话车轱辘来回转，没有新鲜感了，作为运营你怎么解决？你会通过哪些渠道去拉新用户？如果让你去分析用户和AI的聊天记录，你会关注哪些信息？你手机里有装过AI陪伴类的App吗？用了多久？有没有特别喜欢的虚拟角色？

最近收到了人生中第一次 AI 产品岗的面试邀约，面试前我在 B 站、小红书上查找了很多博主们分享的 AI 产品面试题，花了很多时间去了解各种概念、技术流程和优缺点，像 RAG、Agent，还有评测集的各种指标比如准确率、召回率、F1 值等等，结果面试的时候一个都没问🌟一面（产品老大）和二面（项目负责人）：主要集中在两个方面。一方面考察我的产品能力，比如需求调研的方式、需求价值和优先级判断、和开发的协作问题、项目管理等，还追问了很多过往项目的细节。另一方面问我对 AI 的一些了解、使用情况以及如何应用ai结合业务场景详细展开讲一下，对ai未来发展的一些看法等等，整体也还好，二面有个意外的点是第一次有面试官提出要看一份最能体现我能力的需求文档，我是线上面的直接找了一份共享屏幕了。🌟三面最终面（副总）：问了几个我的过往项目，然后一个问题把我卡住了，问我有没有亲自搭建过很酷的 Agent，还有工作流是怎么样的。这个我确实没亲自搭建过，场面就很尴尬。心里凉了一半。💡后续自己得多实操搭几个agent试试，感觉 Python 多少也得学点，几轮面试都有问到我会不会 Python，虽然一二轮都过了，但感觉更多是靠产品方面的经验过的，如果遇到其他公司还真不好说。现在我的 AI 水平感觉更多还是在纸上谈兵。😔还有就是现在gap久了每一轮都要解释真的好心累啊希望我的面试复盘能给大家一些启发，一起加油吧！

对于校招来说，即使岗位jd没有写ai相关，面试官也可能会问。比如，“你平时写代码用ai吗，如果用会怎么样用”，这个问题就是在问作为校招生，你有没有关注行业最新动态，只是知道没有使用，还是轻度使用，比如所见即所得的网站对话，还是基于ide的插件还是说已经玩转cursor、claudecode。这道题的核心，从来不是 “你用没用过 AI”，而是考察你的学习效率、工具驾驭能力，以及对技术趋势的敏感度。面试官想看到的，是你如何把 AI 变成 “提效助手”，而不是 “代写代码的拐杖”。比如，基础使用者可能只会用 ChatGPT 问 “怎么写一个冒泡排序”；但有思考的求职者，会说清楚自己如何用 AI 做代码调试（比如粘贴报错日志，让 AI 分析空指针原因）、语法补全（用 IDE 插件快速生成 MyBatis 映射代码）、技术选型参考（比如询问 “Redis 和 Memcached 在缓存场景的区别”）、复杂逻辑拆解（比如让 AI 帮忙梳理分布式事务的实现步骤），甚至是代码重构建议（把冗余的 if-else 优化成策略模式）。更加分的回答，还会主动提到自己的使用边界—— 比如不会直接复制 AI 生成的代码，会先校验逻辑是否符合业务需求，是否存在性能隐患；会结合 AI 给出的思路，补充自己的理解，比如 “AI 推荐用 HashMap 存储数据，但我考虑到并发场景，最终改成了 ConcurrentHashMap”。除此之外，这类问题还可能延伸出更深入的追问：比如 “AI 生成的代码有 bug 怎么办？”“你觉得 AI 会取代程序员吗？”“如果让你用 AI 辅助开发一个 Spring Boot 项目，你会分几步走？” 这些问题本质上是在考察你的独立思考能力—— 既要拥抱新技术，又不盲从，能清晰分辨工具的价值与局限。

大厂更看重你能够把一件事从0到80%的能力！！公司招你是要你能上手干活，要你对技术有热情，要你有实打实的东西能拿出来看。我聊过不少从普通学校进大厂的同学，他们身上有个共同点。他们不把双非当成一个需要藏起来的短板，而是把全部精力，都放在了打造几个足够长的长板上。第一个长板，是扎手的项目经历。有个同学，本科是双非。他整个大三就在做一件事，在Kaggle和魔搭社区上打比赛。不是随便玩玩，是死磕一个细分的图像分类问题。名次不算顶尖，但他把整个流程，从数据清洗、模型调参到失败分析，摸得门清。面试时，面试官问的都是他项目里的细节。他对自己踩过的坑、做过的优化，讲得比很多研究生还透彻。他赢在，他的知识是“热”的，是亲手练出来的，不是书本上“凉”的。第二个长板，是主动的链接能力。另一个普通二本的同学，他想做AI产品。他没等校招。他跑到小红书上，去搜AI项目组队的帖子。看到合适的，就留言，发自己的学习笔记和想法。真让他找到了一个创业团队在组队做项目。他就跟着做，负责一部分用户调研和原型设计。这段经历，成了他简历里最亮眼的一行。面试官问起来，他能讲出真实团队协作的细节，讲出产品从想法到demo的完整过程。这比学生会主席的头衔，好用太多了。第三个长板，是用作品证明热情。热情不是嘴上说的。大厂的面试官听过无数遍“我热爱AI”。热爱，是你有没有用AI工具优化过自己的学习流程？是你有没有注册一堆AI产品，一个个体验，写下它们的优缺点？是你有没有用开源模型，哪怕只是API，尝试给自己写个智能工具？这些看似微小的动手痕迹，构成了你的亮点。所以，如果你背景普通，你的策略不应该是去补短板，幻想在学历上比别人更强。你的所有战术，都应该是ALL IN在打造长板上。让长处更长！

面试官有问过我如何编写自动化测试脚本，我说有ai协助，他就问ai除了能写用例和写测试脚本还能干什么，我答还可以执行用例，他就让我展开说说，实际是通过智能体进行。