AI面试问题

下面按岗位通用必备 + 细分方向专精给你整理一套2026 年 AI 岗主流技术栈，从入门到就业全覆盖，不管校招社招都适用。 一、所有 AI 岗通用基础（必学） 1. 数学基础 • 线性代数：矩阵、向量、特征值、SVD、PCA • 概率论与统计：分布、期望、方差、贝叶斯、MLE/MAP • 微积分：梯度、偏导、链式法则、极值 • 最优化：梯度下降、Adam、SGD、LBFGS 2. 编程能力 • Python（主力语言） • 数据结构与算法：链表、树、图、动态规划、复杂度分析 • Linux 基础：命令行、环境部署、远程服务器 3. 机器学习基础 • 经典算法：LR、SVM、决策树、随机森林、G...

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流1、实时生成的聊天代理模型，如果线上出现问题，你会怎么定位？2、给一个电路板串联，每一段都有测试点，如何快速判断是哪一个点位出了问题？3、模型回复速度慢可能有哪些原因？4、两个地方访问同一个服务，法国返回速度正常，美国响应慢，可能哪里出了问题？5、聊天代理为什么通常会拆成多个模块？6、前端、后端和大模型三个模块一般是怎么协作的？7、介绍一下你对 Docker 的理解。8、Docker 的代码分治或模块化是怎么实现的？9、如果从全栈角度思考，你会怎么构建一个生成式乙女游戏？10、在现实生活中，有没有类似 deepseek 深度思考过程的例子？11、RAG 是什么？12、Function Calling 和 AI Agent 的关系是什么？

1、讲讲什么是 RAGRAG 是 Retrieval-Augmented Generation，也就是检索增强生成。它的核心思想不是只靠大模型参数里记住的知识回答问题，而是在回答之前，先去外部知识库里检索和当前问题相关的内容，再把检索结果作为上下文交给模型生成答案。完整流程一般分两部分。离线侧先做文档接入、清洗、切片、向量化和索引构建，把知识变成可检索的形式。在线侧收到用户问题后，先做 query 改写或纠错，再去知识库召回相关片段，必要时做 rerank 重排，最后把用户问题和证据一起送给模型生成。RAG 的价值主要有三个：让模型获得训练时没有的外部知识让知识更新不依赖重新训练模型让回答更容...

1. 多Agent协作模式是怎样的2. 如何做意图识别3. 如何构建测试集/数据集4. 假如Agent的输出和预期不同应该怎么办5. 如何评估回答的质量，有哪几个维度考量（这部分可能会给具体的场景）6. Langchain和Langgraph了解吗7. 对LLM了解多少8. 了解sft吗鼠鼠学不动了