AI面试问题分享

以下是我面试中会遇到的一些问题，像一些专业术语，RAG，幻觉，MCP，agent 就不再讲了，大家都一样1）当你的模型效果不如预期时，你的分析流程是怎样的？2）如何向非技术背景的同事解释复杂的模型原理？3）在团队中，如果产品经理提出的AI需求不可行，你会如何沟通？被问到问题时，先思考，然后再去回答， 不要直接很快的回答

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。

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

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）。

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？

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

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......

“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。

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？

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？

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

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！

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。

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。

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？”

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。

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！

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？