面试AI技术研发岗的必刷题单

备战AI技术研发岗（算法/大模型/多模态）面试，刷题不能盲目！以下题单覆盖面试90%高频考点，不用贪多，刷透这些就够了！

一、算法基础必刷题（重中之重，刷50-60题）

核心目标：应对面试手撕代码，基础不丢分，这是入门门槛，不能偷懒！

刷题范围：LeetCode 中等难度为主，重点刷数组、链表、栈队列、二叉树、动态规划、贪心，不用刷难题怪题，聚焦高频题。

必刷重点：两数之和、二叉树的遍历（前中后序，递归+迭代）、最长回文子串、最长递增子序列、LRU缓存机制、TopK问题、二分查找（各种变体）。

刷题数量：每天1-2题，总共刷50-60题，刷完复盘总结，确保同类题能举一反三，避免刷了就忘。

二、机器学习必刷题（核心考点，刷30-40题）

核心目标：吃透基础算法原理，应对面试官对机器学习基础的深挖，避免只知其然不知其所以然。

刷题范围：重点覆盖经典机器学习算法，结合面试高频提问，不用刷过于偏门的算法。

必刷重点：LR（逻辑回归）原理及推导、决策树/随机森林/梯度提升树（XGBoost/LightGBM）、KMeans聚类、SVM原理、PCA降维、模型评估指标（准确率、召回率、F1、AUC）、过拟合与欠拟合的解决方法。

刷题数量：30-40题，重点是理解原理+掌握推导思路，比如LR的损失函数推导、XGBoost的优势，刷题时顺便记忆，比死记硬背更有效。

三、大模型/深度学习必刷题（岗位核心，刷40-50题）

核心目标：贴合AI技术研发岗需求，聚焦大模型、深度学习高频考点，体现核心竞争力，这是拉开差距的关键。

刷题范围：Transformer系列、大模型微调、RAG、推理优化、多模态相关题目，结合面试常问场景。

必刷重点：Transformer结构及Self-Attention推导、MoE结构优缺点、RAG流程及优化、LoRA/QLoRA原理、模型幻觉的原因及解决、模型量化/推理加速（ONNX/TensorRT）相关问题、多模态融合原理。

刷题数量：40-50题，这类题多为原理+应用结合题，刷题时要结合项目场景，比如“如何用RAG优化大模型幻觉”，提前想好答题思路。

四、工程落地必刷题（加分项，刷20-30题）

核心目标：体现工程能力，避免“纸上谈兵”，大厂和独角兽尤其看重，能大幅提升通过率。

刷题范围：PyTorch/TensorFlow实操、分布式训练、数据处理、模型部署相关题目。

必刷重点：PyTorch常用API使用、数据清洗与特征工程、模型训练中的显存优化、分布式训练的基本原理、模型服务化（FastAPI/Triton）相关问题、MLOps基础流程。

刷题数量：20-30题，重点是掌握实操技巧，比如“如何用PyTorch实现简单的Transformer”“如何解决模型训练中的显存不足问题”，结合自身项目经验答题更有优势。

刷题小贴士

1. 不追求刷题数量，重点是“刷透”，每道题搞懂原理、思路，能举一反三，比刷100道半懂不懂的题有用；
2. 刷题时做好笔记，把易错点、核心思路记下来，面试前快速复盘，避免遗忘；
3. 结合项目刷题，比如刷RAG相关题目时，联想自己做过的RAG项目，答题时能结合实际场景，更显专业。