📍面试公司：滴滴🕐面试时间：8.1，总共30分钟💻面试岗位：算法工程师-路线引擎-地图❓面试问题：1.手撕，力扣33 搜索旋转排序数组，写完介绍一下思路2介绍比赛项目（做了一个时空模型预测交通流）2.1模型为什么使用了这几个模块2.2说一下这几个模块的结构2.3项目中负责的内容3.介绍个人项目（一个LangChain个人知识库助手）3.1为什么做这个项目，怎么实现的3.1为什么使用LangChain4.介绍实习4.1简历上写了3个实习内容，分别介绍一下4.2你对大模型推理加速有什么了解5.闲聊5.1为什么投这个岗位5.2有什么想问我的吗🙌面试感想：问的不难，基本都答上来了， 但是挂了

秋招已经开始啦，在关注搜广推算法方向的校招/社招/实习同学们，需要提升项目的同学可以了解下算法项目辅导，帮助你在简历中增加一个高含金量的对口项目，助你斩获offer！！！1. 特征工程：如何构造有效的用户行为序列特征？2. 共线性特征处理：L1正则化和PCA哪种更适合广告场景？3. 树模型（GBDT）和深度模型（DNN）的特征重要性差异？4. 模型融合：GBDT叶子节点接入DNN的具体实现？5. 线上指标：RPM和CTR同时监控的必要性6. oCPC出价策略的数学模型？如何控制成本？7. 广告拍卖机制：GSP和VCG的优缺点对比？8. 冷启动广告如何分配流量？（Bandit算法实现探索）9. 点击率预估模型如何应对刷点击作弊？（负样本降权+行为建模）10. 多目标优化：如何平衡广告收入和用户体验？11.Top-K频繁查询（堆+哈希表）12. 手写双塔模型的损失函数（Batch内负采样实现）

今天给大家分享一份热乎的大模型应用开发面经。1️⃣时间范围近半年2️⃣先说总结（1）面试内容 & 难度个人觉得，在 LLM 应用的面试题上，没有太多复杂、高深的问题，不像上来让你说一下分布式锁怎么设计然后死扣设计细节或是描述一下 MVCC 原理这种偏高难度的八股文问题（当然也遇到了一两次）。（2）offer会有很多横向对比，如果你期望薪资比较高，对方说要在等等，基本上凉了。大部分涨幅基本是不到 20% 的，但我的期望是 30% 左右，最后还是拿到了。（3）再总结如下：每次面完都要复盘，没答好的问题，一定要重新梳理答案。没把握问题的可以直接说不会，别给个你自己都听不懂的答案。多看技术文章，扩展技术视野，提高二面面试官对你的印象。终究还是要看效果，看落地效果。3️⃣面试题1.LLM 基础：大模型是怎么训练出来的？2.Transform 的架构，Encoder 和 Decoder 是什么？3.Function Call 是怎么训练的？4.微调的方案有哪些？自己做过没有？5.大模型分词器是什么？6.Embedding 是什么？7.你们用的那个模型？8.Lib：介绍一下 langchian9.介绍一下 autogen有没有用过大模型的网关框架（litellm）为什么手搓 agent，而不是用框架？10.mcp 是什么？和 Function Call 有什么区别？有没有实践过？A2A 了解吗？11.Prompt：ReAct 是啥？怎么实现的？CoT 是啥？为啥效果好呢？有啥缺点？Prompt Caching 是什么？温度值/top-p/top-k 分别是什么？各个场景下的最佳设置是什么？12.RAG：你介绍一下RAG 是什么？最难的地方是哪？文档切割策略有哪些？怎么规避语义被切割掉的问题？多路召回是什么？文档怎么存的？粒度是多大？用的什么数据库？为啥要用到图数据库？向量数据库的对比有没有做过？Qdrant 性能如何？量级是多大？有没有性能瓶颈？怎么规避大模型的幻觉？微调和 RAG 的优劣势？怎么量化你的回答效果？例如检索的效果、回答的效果。13.workflow：怎么做的任务拆分？为什么要拆分？效果如何？怎么提升效果？📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

7.31 二面纯聊项目，全程50min：自我介绍5，提问30，反问15。面试官态度好，会停下来听我补充。提问细，迅速理解并指出不足，会帮我总结回答。反问环节也耐心。经验：思路不同很正常，别人提到你没做的点，不要只说是，要积极表达自己想法，主打一个积极补充。希望好结果。1.无重叠区域，会用已有深度先验辅助单目估计吗？细节？追问：扩展覆盖验证精度，而不是用深度补单帧偏差？2.初始无深度先验时，左右独立建图，误差函数和信息矩阵？答：当前主要验证布置的提升和设计，理论内容在后续做，右位姿通过外参接入追问：传统BA交叉投影还是3D空间约束联合优化？或混合？答：左右优化相对独立，仅估计一侧，另一侧通过外参参与，前端分区避免冗余追问：子图独立优化未显式保证3D点一致性，方案关联性不强？答：（我没讲清，方法没问题）误差传播和强关联考虑不足，作为多相机与双目折中，更注重原理验证，后端关联优化留后续面试官圆场：理解，科研阶段重点在验证可行性，工程化细节可以后续深入打磨3.用学习替代XX，原算法问题、模型创新和优势？追问：数据清洗和标签生成？半自动工具？追问：项目更偏应用？答：核心在网络设计与思路，强调可快速替换和验证4.机器人挑战中印象深刻的问题及解决过程答：企业合作，问题背景、传感器选择、仿真和样机测试及部署追问：最初用相机理解环境，后来换传感器，如何结合？相机后续作用？答：YOLO识别。深度不足，雷达与相机外参标定辅助追问：导致上下身感知割裂，关键动作需重建图，不统一？圆场：目标明确，主要解决下半身动作，效果显著答：实习时间短，步态规划未成熟，感知需求低追问：与厂家合作，方案如何说服对方？理论推演还是demo？答：做了demo，仿真测试，样机部署5.有带小团队的经验吗追问：提到的项目更像是协同开发？6.怎么了解到小鹏？什么吸引你投简历答：知名度高，关注车和相关技术，方向契合，认可人形机器人、P7和自主研发智驾算法，向往环境。追问：各车企都有类似机会。了解自动驾驶方案的演进吗？反问：问：团队合作方式？部门规模和架构？入职后方向如何定？面试官答：主要在面试官团队，特殊需求才推荐其他负责人，方向会动态调整。面试官反问：个人成长规划？答：核心技术方向。面试官答：模型和传统算法并行，模型需大量数据。你更倾向模型方向吗？答：包容，传统和学习方法都接受。学习尚未成熟，传统方案依然重要，需跟进AI风口

分别有10个不定项选择，5个填空，一个编程和一个简答，还有两道一个是读代码找错误，另一个是填输出结果。都是c语言的相关知识，考指针和结构体比较多，有很少的逻辑题，比如一杯糖水和25杯水，问可能几次找出那杯糖水。编程题是给了一个数据结构，说是可以用其他语言，但我没找到切换选项，还是只能用c语言，大概内容是让从小到大和从大到小排序输出数组只有最后一个简答题考到了图像处理方面，里面有两个选择，一个简答，选择有一个是从四个公式里面找不会将图像锐化的，里面有拉普拉斯算子和高斯算子啥的，简答完全没看懂，也没记住，好像就是问两个名词的定义啥的

鼠鼠明明投的是agent后端岗，不知为何被捞到算法岗面试，但是两面的面试官都很好，知道我是投后端的以后都没有问什么算法问题一面7.30：问我的agent项目，介绍项目架构，重点在rag方面，预索引时数据怎么处理，怎么优化，有没有量化指标衡量agent效果稍微问了一下第二个微服务项目，服务发现怎么做，负载均衡怎么做，了不了解k8s因为写了很多acm奖项所以面试官觉得没必要考算法题，就没做题二面7.31：挑一个最满意对项目介绍一下架构，挑了微服务。你的websocket连接管理是怎么做的？长连接和短连接的区别？有没有考虑用户量级爆炸的时候应该如何优化，有没有考虑去中心化通信，这里聊了很久介绍了一下agent项目的架构，问了一个场景题，大概是问如何解决llm上下文长度不够的问题因为写了很多acm奖项所以面试官觉得没必要考算法题，就没做题下午hr问手头有没有其他offer，我说字节正在流程，可能过一两周才给答复，这算是oc了吗😇

一面 自我介绍深挖项目问了一些项目相关问题无八股手撕一道冒泡排序十分钟后二面自我介绍问vnode 和node的区别知道nodelet吗ros中话题的原理进线程和协程的区别八股答不出来，还是准备的太少了手撕接雨水没撕出来🐔

腾讯大模型算法实习生二面面经!1. 自我介绍1min2. 交叉熵损失和kl损失的区别这两个哪个是对称的3. vllm的原理是什么4. 还有哪些推理加速方法5. 项目仔细拷打，同样的对常规项目没有兴趣，需要一些创新点或痛点解决方案(同样困难的可以看下置顶笔记)，重点问了长尾检索6. coding:木材填坑最长有效括号。讲道理有点难，还现场问能否继续优化太狠了coding【Get超全近80场最新面经。移步小红书～】

1．决策树与随机森林区别2.GBDT的原理、 XGBoost 与 LightGBM （项目涉及会问到）3. XGBoost 的其他变体（ CatBoost 等）4. Transformer （这个这个超级超级重要！!)5．手撕 Self - Attentin 、 Multi - Head Attention6.特征归一化（ LN / BN )7．交叉熵损失（字节常考，交节）8．优化器（ SGD / Adam / Adagrad )9.L1/L2正则化（ LightGBM 中也会用到）10. Dropout 原理11．模型初始参数为0的问题12.梯度消失与梯度爆炸及其解决方法13.Wide& Deep 模型（也可以准备一下，很多工业界还用这种类似的模型，有 wide 侧和 deep 侧，说不定面试官会感兴趣）14. DeepFM 模型15. DIN 模型、 DIEN 模型（特征处理）16．多目标学习（ MMOE 、 ESMM ，可以了解 PLE )17.DIN模型、 SIM 模型18.DCN模型和其他交叉网络（ LHUC 、 SENet 、 FiBiNet )19．冷启动策略（新闻推荐项目也会涉及冷启）20．重排规则（可以看王树森的课程简单了解）21.A/ B 测试的分桶方式是什么？22．推荐系统的短期消费指标？23．推荐系统的北极星指标（最关键指标）?24．推荐系统的转化流程是什么？25．矩阵补充模型原理和损失函数26．召回的正负样本选择（曝光未点击的能否作为负样本）📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

前言： 投这个岗位主要是因为我现在做的是Agent（多模态）相关的内容，所以想看看面这个岗面试官会问什么，好做后续的学习与知识的补充。时间：7月24日投递，28日约面，30日晚上面试。流程：1、自我介绍2、介绍实习工作（20min），回答相关的问题3、面试官提问：- 了解模态鸿沟吗？- 有做过微调吗？我说Lora，问Lora的作用？我说可以减少训练消耗，问为什么？4、算法题：lc6（Z字形变换）    一开始说不会做，面试官提示了两次做出来了，做了好久哈哈5、面试官提问：- 你做的是多模态的，他们做的更多的是文本，愿意吗？5、反问：实际场景下搭建Agent使用Dify、n8n框架还是自己手搓？面试官直接介绍了他们的业务，更偏向于搜广推，然后问愿意吗？7、Base倾向（上海还是北京）

商汤多模态实习面经一面(已OC)1. 项目+实习经历2. 阐述一下最熟悉的VL模型3. 根据2.提的模型进行深挖，包括网络设计，注意力计算的方式等4. pre-Norm 和 post-Norm 差别5. attention 计算复杂度6. flash attention计算复杂度7. 大模型的训练流程8. 手撕: torch 手写softmax 并基于softmax的分布写出采样函数面试官人很好很好!!!!!很轻松，很和谐

7.14投递，7.21面试链接，7.29一面 挂  被推到 国际化-地图-算法1.自我介绍2.项目介绍，一个。被问，模型优势和第2个项目使用场景3.算法题：最长最大连续子数组。中等题，不难但是没刷过4.反问：业务内容和地区练习牛客：自我介绍时长1个月，菜鸡  一枚

发面经攒人品1.自我介绍环节，简短讲完教育经历，实习经历，科研经历(不相关就跳过了)2.实习经历比较相关，说话头\换脸，说实话实习复现了不少工作，然后又隔得比较久了，就讲了自己最近看的HunyuanVide里面的一个人像视频模型和字节开元的一个人脸编辑模型。3.Stable diffusion拷打，模型结构，推理流程，模型预测了什么，为什么要预测这个。4.讲解这个岗位和广告那边更贴近一点，问对这个领域有没有什么理解。5.力扣题拷打 1.将正整数n拆分成任意k个数，求拆分后的累乘最大是多少？2.螺旋遍历矩阵，力扣hot100原题。感觉答的还不错，希望能过吧。

【更多内容移步同号小红书～】1. 拷打实习项目2. 模型用的什么框架训的，什么卡训的3. 用户输入query，要怎么从海量数据中检索到相关的视频4. 了解视频抽帧吗，了解关键帧提取吗5. 说说 internVL2模型是怎么训练的6. 模型微调用的是什么训练方式，lora? Fft?7. 模型训练完一个epoch要多久，训练数据里图片和文本大概有多少token?8. 项目里有用到DPO，为什么要用DPO，模型是怎么训练的， DPO的loss是什么?9. 有没有试过在模型的输出里加reasoning进行训练10. coding:零钱兑换，要求输出具体的硬币组合总结：项目问的比较细，基本无八股

除了简历的论文，问了图像分类的问题：交叉熵公式怎么推导的？你能否推一下L2 loss和交叉熵loss 的区别？为什么 图像分类中不用 L2 Loss?(我答可能出现梯度消失 的问题，而且交叉熵考虑了每种分类的概率， L2 loss没有对概率进行考虑)ROC曲线了不了解？(我回答是图像分类时的评价指标，横轴纵轴是Precision啥的，从混淆矩阵来的指标，用于评价模型的性能)问了个题：假设一种病在人群中发病率是1%， 这种疾病检测的准确率是99%，请问这种病检测结果为阳性时实际患病的概率?（没答上来，好久没做过这种题了）手撕代码：给一个序列，每次遍历的时候序列数字-1，减到0的时候这个数字变为6，之后数组末尾增加一个数，问n次之后数组长度多少(我暴力做的，面试管让优化，没优化出来)手撕代码2： 手搓一个图像卷积的函数，不允许使用库第二天问hr，反馈不推进了其实感觉聊得还可以，除了发病率那个题

1️⃣一面 1. 依旧是拷打项目（30分钟）。2. 你还知道哪些解决冷启动的方法？3. 讲一下MMR？4. 讲下BN和LN，主要区别是什么？5. 讲一下L1正则化和L2正则化6. 讲一下常见的序列模型，从RNN讲到Transformer，各有什么特点？7. word2vec负采样的原理。8. 获得item embedding有哪些常见方式？9. code：逆序对。10. 反问。2️⃣二面1. 依旧是拷打项目（30分钟）。2. 讲一下多任务？如何处理拉扯关系？3. 多任务的loss如何权衡？4. self-attention的参数量、计算复杂度。5. 讲AUC和GAUC？6. F1-score和AUC的区别，各侧重什么任务？7. 神经网络可以权重初始化为全零吗，为什么？8. 逻辑回归模型中权重可以初始化为全零吗，为什么？9. code：最长递增子序列。10. 反问。*****************************************

血泪教训：面试百度的同学一定要提前下好入流！全程约40分钟1.自我介绍2.项目拷打先是盘问了论文里的项目，因为和网约车调度场景很契合。面试官也很专业，基本就是看着我的简历，然后时不时提出一些针对性问题。数据集的来源是哪里？奖励函数是怎么设计？为什么要这么设计（包括具体的计算方式）？特征有哪些？论文的聚类是怎么做的？为什么要这么聚类？为什么设计分层强化学习的框架？上下层的奖励维度一致吗？有做调度策略的实际到达情况、中途接单情况的统计吗？和项目指标提升还不错，为什么不考虑上线使用？然后问了之前实习的一个项目。预测GMV为什么不算上新用户的成单？主要用了什么模型？wide&deep模型是怎么设计的？为什么不用需求预测模型而是做了GMV预测？留存率是怎么算的？为什么不用时序预测的模型？3.手撕题因为用的是如流的浏览器版本，没有代码考察的界面，所以就跳过这一段了。（大概率凉了，大家面试一定要记得先下好如流）4.反问萝卜快跑的运营规模怎么样？实际的调度算法是怎么做的？会考虑强化学习的算法吗？无人网约车与传统网约车在派单调度方面的区别。

拷打项目，时长30分钟1. 微调的数据配比，数据来源2. 微调的任务类型，轮次3. Embedding用的什么模型，是分块Embedding吗4. 数据怎么分块5. 数据返回的查询top6. 微调之后对比之前的模型性能提高了多少7. 数据库实时更新还是离线更新8. 用的什么数据库9. 本地部署的框架如何搭建10. 如何评估rag11. Qwen2.5 vl架构12. 有相关的实习吗？实习期间做了什么？13. 主要做文本还是多模态方向？14. 做了一些小项目吗？

1. 用一些特征建模预估一个中间目标，将该中间目标作为特征预测最终目标2 .用所有特征训练一个复杂的端到端模型直接预测最终目标，两种方案各有什么优劣？3.测试集如何选择？如何判断测试集和应用场景是一致的（无偏的）？模型的离在线效果差异如何解决？4.召回和粗排的主要作用？为什么不直接用精排？5.怎么评估粗排模型的好坏？粗排怎么做冷启动？6.B站首页推荐模型可能包含哪些目标作为精排融合分的项？7.k个有序链表合并，时间复杂度8.打家劫舍，状态转移方程的含义9. 依旧是拷打项目（25分钟）。10. attention有几种形式，分别讲一下？11. 讲一下Transformer的计算复杂度？12. 讲一下推荐系统的链路？13. 多路召回的结果如何融合？14. 召回的损失函数？15. NCE Loss的主要思想？16. 手写逻辑回归的损失函数推导17. code：买卖股票。18. 反问。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。