AI Coding实战技巧

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

AI Coding早已成为程序员和求职党提升效率的核心工具，但很多人只用它“抄代码”，却没掌握核心技巧，反而浪费了工具价值。结合自身实操经验，分享几个实用的AI Coding实战技巧，不管是日常练习还是笔试刷题，都能帮你少走弯路、提升效率。• 核心技巧一：结构化提示词，让AI精准输出。很多人用AI写代码时，只简单说“写一个笔试编程题”，结果AI输出的代码要么不符合需求，要么冗余复杂。正确的做法是，明确题型、需求、约束条件和输出格式，比如“用Python写一道数组排序的笔试编程题，要求时间复杂度O(nlogn)，输出完整代码+注释，适配LeetCode中等难度”，结构化提示能让AI精准匹配需求，减少修改成本。• 核心技巧二：善用AI排错，高效解决bug。新手写代码最头疼的就是调试bug，反复排查却找不到问题所在。此时可以将报错信息、相关代码片段一起发给AI，明确提示“帮我排查这段代码的bug，说明错误原因，并给出修改后的完整代码”，AI不仅能快速定位bug，还能解释错误逻辑，帮你吃透知识点，比自己盲目排查高效得多。• 核心技巧三：遵循工程规范，让AI输出更规范。求职笔试和实际工作中，代码规范很重要，AI输出的代码有时会忽略命名规范、注释缺失等问题。可以在提示词中加入规范要求，比如“代码遵循PEP8规范，变量命名清晰，关键步骤添加注释，避免冗余代码”，长期坚持，既能让AI输出更规范，也能培养自己的良好编程习惯。• 核心技巧四：不依赖AI，边用边学。AI只是辅助工具，不能完全依赖它写代码。正确的用法是，先自己梳理解题思路，写出核心逻辑，再用AI优化代码、排查bug，对比自己的写法和AI的差异，查漏补缺。比如笔试刷题时，先尝试独立解题，遇到瓶颈再用AI提示思路，避免直接复制代码，才能真正提升自身编码能力。其实AI Coding的核心不是“抄代码”，而是用工具帮我们节省时间、补齐短板。掌握这些实战技巧，既能提高编码效率，也能在实操中积累经验，不管是应对笔试还是日常工作，都能事半功倍，尤其适合新手快速入门、提升实力。

刚收到腾讯前端的测评和AI面试，一投就立马给，这腾子效率还是太高了。想问一下测评是考行测嘛？AI面试是根据你的简历来提问吗？求大佬们解答

攒人品中，祝大家都能拿到满意的Offer！1. 目前你的每月AI消耗的token量是多少？花费是多少？2. RAG系统中，超过了模型上下文窗口怎么处理？3. RAG相比于目前的各种coding agent，他的优势在哪里？4. Multi-Agent系统和单Agent系统的优缺点？什么时候选用？5. pipeline中如果其中一个agent出错了，产生错误输出，下游agent该如何处理？6. 介绍ReAct、Plan、Reflection这些不同agent实现范式的区别，还有使用场景的理解。7. 什么样才是一个好的agent？从工程角度来说，做一个好的agent需要关注哪些方面？从这个Context Engineering的思路，如何去做好一个生产级的agent？9. 你有没有尝试用AI解决工作/生活/学习中的一些问题？改变了一些重复性劳动的方式？10. 算法：AI coding题，要求实现一个工单处理系统。