面试很难，还是要多多练习，感觉自己说不明白业务逻辑1. 实习拷打2. 对整个推荐系统链路有哪些了解3. 打分样本空间分布与精排不一致（精排对粗排返回的样本做排序，粗排则要对召回的样本打分），相关的解决方案了解吗4. 你觉得LLM对做推荐有什么帮助吗5. LLM如何处理用户的历史行为序列6. LLM与推荐结合落地上有什么问题7. LLM想要和推荐结合，有没有什么可落地的方案8. 广告投放一般关注什么指标9. 抖音和小红书的推荐系统你觉得有什么差别，从算法的角度上谈一谈10. 小红书是一次性展出多个笔记，而抖音是刷新出单个视频，你觉得算法上有什么区别11. 算法题1：有n个灯泡，一开始都关闭，执行n轮操作，第k轮将序号为k的倍数的灯的状态反转，请问n轮操作后有几盏灯是亮着的

发一下问题给大家参考，攒攒人品1.当 AI 聊天界面收到新消息时，如何平滑地滚动到底部？2.如果用户正在向上滚动查看历史记录，该如何处理？3.详细说明一下前端如何处理Markdown中的代码块高亮，并支持代码的一键复制功能。4.在构建AI应用时，你是如何设计Prompt模板管理系统的？5.谈谈你对RAG（检索增强生成）流程中前端职责的理解。6.如何解决流式输出过程中，由于内容长度变化导致的页面布局抖动问题？7.你们项目里是如何处理大模型响应慢的问题的？前端有哪些优化手段？8.介绍一下WebWorker在AI前端应用中的使用场景。9.谈谈React的并发模式对AI聊天应用有什么帮助？10.如何实现AI生成图片的预览和下载功能，特别是处理Base64和Blob格式？11.什么是提示词注入？前端能做些什么来降低风险？12.在性能监控中，针对AI应用有哪些特有的指标？

lz2.24投的小红书数据库平台开发，3.11二面完一个小时就打电话说要加面，3.16面完发现部门换成存储云平台研发了，现在还没消息，焦虑ing。笑死，打电话一问秒挂。

继续来分享下之前的面经~欢迎友好讨论，信息共享1. LLaMA 相比原始 Transformer 架构有哪些改进？2. 微调（Fine-tuning）和对齐（Alignment）的区别？3. 模型微调到什么程度才需要进行对齐？4. 四种对齐算法的区别：PPO、DPO、GRPO、DSPO？5. 位置编码的作用？为什么相对位置编码通常比绝对位置编码更好？6. GAE（Generalized Advantage Estimation）以及重要性采样（Importance Sampling）？7. 损失采样（Loss Sampling）相关问题？8. 目前了解哪些大模型架构？例如 LLaMA 等。9. 是否了解 PagedAttention？10. LoRA 中两个低秩矩阵是如何初始化的？11. PPO 中的四种模型分别是什么？各自的作用是什么？