美团核心本地商业一面(cpp选手)

现在AI技能是求职的默认必备技能，不管是传统的前后端项目还是现在AI潮流新涌出的AI应用开发工程师、AI Agent工程师以及最顶的AI 算法工程师，笔者为前端岗位，秋招投递了15+互联网大厂，收获3家大厂Offer（快手、京东、拼多多），下面聊聊个人对面试中的AI的一些idea：总结（通过JD总结要学什么）前端基础JS&算法、React&Vue框架、Vite、Monorepo、Pnpm工程化、性能优化、主流（微前端、SSR、大前端）仍为基础，全栈+AI是亮点，前端&AI学习：框架前端开发者不再只是 UI 渲染层，而是要理解大模型、Agent、多模态交互，并能在业务中落地 AI 能力。整体架构可以分为四层：AI基础知识大模型基础核心概念：LLM（大语言模型）、Token、上下文窗口、Embedding、微调（Fine-tuning）、提示工程（Prompt Engineering）。关键能力：文本生成、代码生成、多模态理解（文生图 / 文生视频）、知识问答。前端视角：如何通过 API 调用模型、如何处理流式输出（SSE/WebSocket）、如何优化 Token 消耗。Agent 与 RAGAgent：能自主规划、调用工具、完成复杂任务的 AI 实体（如 Coze 扣子、TRAE）。RAG（检索增强生成）：结合私有知识库，让大模型回答更精准、可控。前端视角：如何设计 Agent 交互界面、如何展示 RAG 检索过程、如何做多轮对话管理。多模态 AI核心：文本、图像、音频、视频的融合生成与理解（如剪映的 AI 生成、实时交互）。前端视角：Canvas/WebGL 渲染、WebRTC 实时流、WebGPU 加速、多模态内容预览与编辑。AI工具链应用场景AI IDE 开发（TRAE、Cursor 方向）核心：打造端到端生成真实软件的智能协作平台。前端职责：AI 功能交互实现（代码生成、代码理解、知识问答）、IDE 内核框架开发、插件生态与工具链。技术栈：React/TypeScript、WebAssembly、Monaco Editor、WebSocket/SSE。Agent 平台开发（Coze、HiAgent 方向）核心：新一代 AI Agent 平台，支持协同办公与应用开发。前端职责：LLM 驱动的 AI Agent 框架实现、多 Agent 协同界面、可视化编排工具。技术栈：React/Vue、状态管理、可视化编辑器、实时通信。多模态创作与交互（剪映、抖音方向）核心：生成模型优化、多模态内容合成、实时交互体验提升。前端职责：AI 生成内容预览、实时滤镜 / 特效、多模态编辑界面。技术栈：WebGL/WebGPU、WebRTC、Canvas、性能优化（FPS、内存）。AI + 全栈开发（小红书、美团方向）核心：在 AI Coding 工具协助下完成前后端开发、测试、部署。前端职责：全栈开发、AI 辅助需求分析与方案设计、提升开发效率。技术栈：Node.js/Python、前后端协作、CI/CD、AI 工具深度使用。可视化与 AI 交互（同顺方向）核心：大模型应用的可视化交互、RAG/Agent 工作流演示。前端职责：可视化 Prompt 编排、多轮对话可视化、模型输出调试界面。技术栈：ECharts/D3.js、流程图库、实时数据渲染、响应式设计。工程化与能力要求前端基础扎实的 HTML/CSS/JS/TS，熟悉 React/Vue 等框架。工程化工具：Webpack/Vite、NPM/Yarn、CI/CD、自动化测试。跨端能力：WebAssembly、Electron、Taro 等。AI 工程化模型接入：OpenAI API、火山方舟 SDK、流式输出处理。性能优化：Token 压缩、缓存策略、推理延迟优化、首屏加载。安全合规：数据脱敏、隐私计算、内容审核。软能力拥抱新技术，紧跟 AI 前沿，不设边界。跨团队协作：与算法、后端、产品紧密配合。创新思维：将 AI 技术与前端体验创造性结合。

1.拷打上一段实习2.如果一个材料既有图片又有文字，如何分块3.mcp服务器细节，如何与llm关联的4.mcp安全性如何保证，鉴权具体是怎么做的5.如何防止重放攻击，如何保证前向安全性6.存储在本地key如何防止泄露7.skills是什么，与mcp有什么区别8.闲聊------后续：挂

早就听说腾讯S3的kpi面很多，一面问的问题基本都答上了，反问的时候问面试官还有哪些地方需要进步的，面试官支支吾吾说不出来。结果两天后就是一面挂😂

搜推+大模型算法一面面试题SFT & RL 方向先 answer 后 cot vs 先 cot 后 answer：两种 SFT 范式在训练效果上有什么差异？你是否做过对比实验？标注质量管控：如何保证人工标注数据的准确率达到预期标准？有哪些校验或质控手段？Checkpoint 选择：如何挑选合适的 SFT checkpoint，用于后续的 RLHF 阶段？多模态输入：图片是如何输入到 VLM 模型中的？一张图片通常会被编码为多少个 token？RL vs SFT：你认为强化学习（RL）和监督微调（SFT）的核心区别是什么？训练范式选择：为什么不直接从零开始做 RL，而是要采用「SFT → RL」的两阶段流程？RL 关键机制：什么是重要性采样？为什么在 RL 训练中要引入 CLIP 机制？策略类型差异：On-policy 和 Off-policy 算法的核心区别是什么？各自的适用场景有哪些？八股文（Transformer 基础）因果掩码作用：Transformer Decoder 中为什么必须使用自回归因果掩码？缩放点积注意力：为什么注意力分数要除以d​k​？（补充：Layernorm 前置后，除以d​可将方差归一到 1，避免 softmax 梯度饱和）推荐系统方向生成式推荐 vs 传统推荐：两者的核心区别是什么？生成式推荐的目标是什么？你如何看待它的未来发展前景？指标计算：AUC、HR、NDCG 的计算公式分别是什么？GAUC 和 AUC 的区别在哪里？编码方式：如何在模型中加入时间编码和位置编码？常用的位置编码方法有哪些？Coding：手撕 Multi-Head Attention（MHA） 实现二面面试题SFT & CoT 细节概率分布特性：在「先 cot 后 answer」的 SFT 范式下，为什么越靠后的 token 概率（prob）会越高？蒸馏噪声处理：用大模型蒸馏得到的 CoT 数据存在大量噪声，该如何缓解？VLM 幻觉问题：对 VLM 做 SFT 时，发现模型更信任文本信息，看图时反而容易产生幻觉，有哪些解决思路？RL 进阶PPO 核心：写出 PPO 中 GAE 的公式，并说明如何递归计算每个 token 的优势函数（advantage）？DPO 损失：写出 DPO 算法的损失函数公式？算法对比：GRPO 和 PPO 的核心区别是什么？GSPO 和 GRPO 又有哪些不同？训练稳定性：你遇到过 RL 中的熵塌缩（entropy collapse）和 reward hacking 问题吗？分别有哪些改进方法？最近有哪些新论文提出了新方案？采样困境：在采样类 RL 算法中，on-policy rollout 无法得到正确答案时该怎么办？自蒸馏：了解 Self-Distillation 吗？为什么要做自蒸馏？最近这方向有哪些代表性论文？震荡优化：RL 训练中 reward 或 loss 震荡严重，该如何调整？（提示：可从学习率 lr、KL 散度约束等方向入手）推荐系统进阶结构对比：HSTU 和 Transformer 结构的差异是什么？它和 OneRec 的整体流程有什么不同？SID 优化：如何降低 SID 碰撞率，同时提高特征利用率？量化算法：RQ-VAE 和 RQ-Kmeans 的算法原理分别是什么？OneRec 工程：OneRec 中是如何将 SID 加入模型词表和 tokenizer 的？多模态融合：如何更好地结合文本特征和多模态特征？模型演进：Rankmixer 是如何发展到 Tokenmixer 的？Coding：给定一个行内严格递增的 m×n 矩阵，找到矩阵中第 k 大的数