AI面试问题分享

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： 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）。

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......

Java岗面试，关于AI的问题记录：“你平时有使用过AI辅助编程吗？用的什么工具？感受如何？”。其实考点就是问是否了解过AI工具、是否具备对AI学习能力以及对AI能力的初步认知。

给大家分享具体AI面试题：基础会问「CNN和Transformer核心区别」「过拟合怎么解决」；项目面会追问「你做的AI项目用了啥数据集、怎么调参」；场景题常考「如何降低AI幻觉」「小样本数据怎么建模」把这些答顺，面试就会强很多啦awa

“大模型现在这么火，你最看好哪个？为啥？”“你用过哪些AI工具？对比过它们的差异吗？”“遇到模型输出胡说八道怎么办？”“你平时怎么追踪最新技术？”别硬背答案，说真实体验最加分。用过就是用过，卡过就是卡过，诚实比包装更打动人。

面试AI岗，现在问得最多的就这几类：一是基础关：“Transformer的原理是什么？和LSTM有啥区别？”二是实战关：“你微调过什么模型？数据怎么处理的？效果不好怎么调参？”三是场景题：“怎么用AI帮公司省钱？设计个客服系统，该咋搭？”

之前和朋友聊天得知，他在面试时被问过一些关于AI的问题1. 你怎么看待AI对Java开发的影响？Java程序员会被淘汰吗？”2. 说出程序员不会被淘汰的原因3.你知道Java生态中有哪些AI相关的框架或工具吗？

双非硕入职AI算法岗，经验分享，有需要的可以详细看一下

最近面试好几家都问到了 AI 相关内容，比如怎么写好提示词、如何用 AI 做效率提升，还有大模型基本原理和简单应用场景。我身边同学还被问过有没有做过 AI 小项目。建议大家提前准备实操案例，别只背概念，结合自己岗位说真实用法，面试官会更认可。你们都被问过哪些 AI 题？

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？

听起来和大家的观点不同，算法面试要容易很多。算法的更新迭代非常快，大家都在同一起跑线。最多面到2年前的内容。 科班出身的研究生， 认真花上半年，足够从小白到面试高手了。开发则不一样，知识点非常多，对项目能力要求比较高。需要1年的时间才能真正入门，想要通过大厂面试，则可能更久。算法真正的难度在：对学历、论文和实习的强要求。随着现在越来越卷，算法的门槛跟开发也越来越近了。

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！

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？

面试被问到如何从0到1设计推荐系统。我先讲召回、粗排、精排三层结构，再结合实际项目说数据冷启动怎么做、如何用A/B测试验证效果。还追问了大模型Embedding如何落地，以及线上延迟控制和特征更新频率。整体更偏工程实战。