简单介绍搜索、推荐、广告策略产品的区别。搜索场景：你打开淘宝，在搜索框输入"iPhone 15 Pro Max 256G 黑色"。你要什么，你自己清楚。系统只需要帮你"找出来"。推荐场景：你打开淘宝首页"猜你喜欢"。你不知道要啥，但系统记得你之前看过iPhone、华为、小米，它猜你可能对手机感兴趣，就把iPhone 15推到你面前。广告场景：你搜索"iPhone 15"，结果页第一条是"苹果官方旗舰店"，右上角标着"广告"。这是苹果公司花了钱买的，系统把这个位置"卖"给了出价最高的广告主。从产品架构层面看，虽然三者都依赖算法驱动，但底层逻辑截然不同：- 搜索（人找信息）：用户主动发起，基于明确的用户意图，追求精准匹配与高效转化- 推荐（信息找人）：系统主动推送，基于潜在的用户兴趣，追求留存与时长最大化- 广告（商业找人）：商业目标导向，基于商业诉求付费曝光，追求变现效率与用户体验的平衡

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1. 实习拷打2. 你跟我讲一下多维度权限管理吧，具体是怎么做的？3. 你们设计这个权限是参考的什么产品？4. 那你再跟我讲一下你们做的MCP吧，你们做MCP核心解决什么问题？5. 你再跟我聊一下你在2xx的这段经历，你觉得在2xx这段经历中你印象最深刻的工作或者功能是什么？6. 你能跟我讲一下大模型和传统的领域模型之间的区别是什么吗？7. 那大模型的思考能力是怎么带来的？8. 你了解RAG吗？9. 那你跟我解释一下RAG的原理是什么？10. 那从用户输入query到AI返回结果中间都发生了什么？11. 你了解基于大模型做微调吗？12. 如果有客户来提需求，你会怎么判断应该给RAG方案还是微调方案？13. 你平时自己会用什么样的AI产品？14. 你一般是什么场景用？

#JAVA##JAVA面经##JAVA内推#1. 用1分钟简单介绍自己。思路简洁、突出技术栈、项目亮点、求职动机，不啰嗦，1分钟刚好。回答示例面试官您好，我是XX，目前主要做Java后端开发，熟悉SpringBoot、MySQL、Redis、MQ这些常用技术栈，也有高并发、缓存、分布式相关的实践经验。在校/工作期间做过秒杀、OJ判题系统这类项目，对高并发、性能优化比较感兴趣。我做事比较踏实，喜欢钻研问题，学习能力也还可以，这次非常希望能加入天猫团队，在真实的高并发场景里锻炼自己，也为团队贡献价值。2. 为什么特别想来天猫？思路表达对业务的认可 + 技术向往 + 个人成长，真诚不浮夸。回答示例首...

面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.Agent的架构设计2.RAG的检索如何实现3.预训练数据清洗方法4.Group Query Attention的作用5.手撕：实现LRU Cache6.MoE架构的专家路由是对每个token路由还是对每个序列路由7.KV Cache的优化方法

腾讯面试的时候，面试官问我：“用过什么 AI 编程工具？”。我说：“Trae。”空气突然安静了两秒。我搞不清楚为什么面试官沉默了，当时我还在想：“是不是我回答得不够高级？”。面试被挂后才意识到：Trae 是字节的，腾讯家的是 CodeBuddy，阿里家的是 Qoder。段子归段子，面试季要来了，Guide 这里总结了 7 道当下校招和社招技术面试中经常会被问到的一些 AI 编程相关的开放性问题，希望对你面试有用：用过什么 AI 编程 IDE 吗？什么感觉？知道哪些 Cursor 使用技巧？Skills 了解吗？你的项目用到了吗？你如何看待 AI 对后端开发影响？你觉得 AI 会淘汰初级程序员吗...

#JAVA##JAVA面经##JAVA内推#1. @EnableAutoConfiguration 注解具体做了什么？思路讲清楚三件事：去哪里读配置、按什么条件加载、最终帮我们做什么。突出 Spring Boot 自动配置的核心机制。回答示例面试官您好，这个注解是 Spring Boot 实现自动配置的核心。它主要做三件事：第一，去 META-INF 下面读所有预先写好的自动配置类，比如数据源、Redis、MyBatis 这些；第二，根据你项目里引了什么依赖，来判断哪些配置需要生效；第三，把符合条件的 Bean 自动注入到 Spring 容器里，我们不用再手动写 XML 或者配置类。简单说，就...

发一下问题给大家参考，攒攒人品！！！1.在淘宝/天猫场景下，若希望利用大模型重构“商品搜索”或“客服”体验，在技术路径上，你会优先考虑基于通义大模型进行精调、采用RAG+提示词工程，还是探索多智能体协作方案？2.如果要为“商家经营工具”设计一个AI功能（如自动生成商品详情页），你会如何规划其MVP的发布与迭代节奏？3.对阿里云的通义大模型家族、灵积模型服务平台或百炼平台有何了解？你认为它们如何与集团的电商、物流、本地生活等业务板块结合，创造“1+1>2”的价值？4.在涉及高并发、高可用的电商AI产品（如大促期间的智能客服）设计中，如何与工程、算法团队协同，从产品层面保障服务的稳定性、伸缩性与成本可控？5.一个具有战略价值的AI项目（如面向百万商家的智能经营顾问）往往需要持续投入。在争取长期预算时，你通常会如何构建其短期、中期、长期的商业论证？6.在阿里云背景下，如何理解并规划AI产品的“云上成本”？在产品功能设计中有哪些具体的优化杠杆（如模型选型、缓存策略、调用频率管控）？7.对于电商场景的AI产品（如智能推荐、营销文案生成），你认为最关键的3个业务效果指标是什么？它们如何与团队的OKR对齐？8.如何建立从海量电商交互数据中，自动识别bad case并转化为可执行的产品优化点或模型训练需求的闭环机制？9.在电商环境中，AI生成的营销内容或推荐策略可能涉及消费者权益保护、价格合规、商品质量等敏感问题。如何在产品机制中前置性地设计审查与纠偏能力？10.如何思考并减少AI在用户画像、个性化服务中可能无意识加剧的“信息茧房”或“消费偏见”？

发一下问题给大家参考，攒攒人品！1、实习拷打2、简历项目介绍追问:KL散度定义及公式3、PPO原理追问:技术选型，为什么选用PPO，其他强化学习方法是否了解追问:PPO里的CLIP的作用是什么4、RLHF5、LoRA微调原理6、LoRA正负样本构造追问:为什么这么构造，利弊分析，如何改进7、遇到过最大的困难是什么8、八股:线程与进程的区别追问:python多线程是否了解追问:python全局锁GIL是否了解追问:GIL设计的初衷是什么，源码是否了解

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流1.项目拷打2.技术八股1-讲一下Wan(阿里的通义万相)的框架是什么2-是否了解MM-DiT的框架3-对于DiT，时间t是怎么注入的，AdaLN讲一下4-了不了解VideoVAE是怎么训练的，用了什么损失函数，如果重建视频不清晰可以再加什么loss5-KL散度具体的公式是什么样的?和交叉熵损失函数有什么区别联系6-是否了解Flowmatching，具体是怎么做的，和DDPM的优劣7-是否了解视频后训练怎么做的，GRPO是什么8-你觉得对于训练一个视频基模，应该有哪几个流程，哪一步比较关键9-训练过多大的模型，用了多少张卡10-训练过程中是否遇到过不稳定的情况，本质上是因为什么11-是否了解混合精度，FP16和BF16的区别3.手撕:经典multi-head attention

为什么选择前端为什么主要使用vue2vue3与vue2区别讲一讲tree-shaking前端工程化webpack介绍说一下使用的loader、plugin输入url到渲染过程tcp四次挥手何时断开？（渲染过程中还建立连接吗？）美赛、gpa帮同学贴一个 米哈游校招内推链接～内推码：052BT投递链接：https://jobs.mihoyo.com/?sharePageId=121176&recommendationCode=052BT&isRecommendation=true#/campus/position

1、自我介绍2、项目拷打3、实习内容4、const 的四种常见用法答案：const 常见用法可以从修饰对象、修饰指针、修饰参数、修饰成员函数这几个角度理解。修饰普通变量时，表示这个值不能被修改。修饰指针时，要区分到底是“指针指向的内容不能改”，还是“指针本身不能改”。修饰函数参数时，通常表示函数内部不应该改这个对象，尤其是传大对象引用时很常见。修饰成员函数时，表示这个函数不会修改对象的逻辑状态，也就是 this 指向的是只读对象。再往下还可以延伸到 const 返回值、const 成员变量初始化这些内容。代码： #include <iostream> using namespace...

攒人品中，祝大家都能拿到满意的Offer！1*项目拷打2* 实习拷打3* KL 散度的数学意义是什么？在模型对齐（如 PPO/DPO）中起什么作用？4* MoE架构的具体实现原理是什么？路由（Router）是如何工作的？5* 面对模型在生成过程中出现循环、重复回答的问题，有哪些解决办法？6* BM25 算法的数学原理是什么？它相比于简单的 TF-IDF 有哪些改进？7* Agent 系统中的LangGraph是如何搭建的？其 Memory 组件的工作机制是怎样的？8* 如果单次生成的任务量远大于模型的 Max Tokens 限制，如何实现断点继续生成？9* Transformer 中 Attention 的本质是什么？请从数学角度解释。10* 为什么在计算 Attention 时需要进行Scaling11* Self-Attention 和 Cross-Attention 在作用和输入来源上有什么区别？12* 面对极长序列Attention 的 O(L^2) 复杂度问题目前有哪些主流解决方案？13* 在 Agent 多轮对话任务中，Attention 机制的局限性体现在哪些方面？14* 为什么模型在长上下文对话中容易出现“信息遗忘”？有哪些缓解机制？15* 介绍 SFT的流程，以及如何构建高质量、多样化的数据集？16* 在什么业务场景下，必须引入 RLHF 或 DPO 这种偏好对齐技术？17* MinerU 在解析复杂的工业文档（如图文混排）时，具体的处理逻辑是怎样的？18* 在多模态检索中，文本和图片是如何映射到同一个统一向量空间的？19* Ragas 评测框架中的 Faithfulness 和 Answer Relevance 指标的具体计算逻辑是什么？

继续来分享下之前的面经~欢迎友好讨论，信息共享1.项目细节深挖2.除了caption数据,为什么还要做一些VQA、reasoning、summary数据呢?3.解释为什么VQA、conversation、reasoning数据可能会提升模型效果4.当时的消融实验是完全消融吗?具体怎么做的?5.你的关键帧是怎么做的?6.技术报告看过吗:glm-4.1V,qwen3-vl,mimo-vl,kimi-vl,seed-1.5-vl7.你有仔细去看现在主流的VLM是怎么去洗数据，或者是怎么构造整套pipeline吧8.假如说你参与到这个进程中，你怎么看待接下来的趋势，或者说你拿到一个STEM任务类型，你会怎么去做，你觉得现在技术报告里的缺点在哪里，你有什么想法吗?9.使用VLM-as-judge做整套的数据清洗pipeline，从合成、清洗、过滤、验证、合并，这块有了解吗

给我面没招了，感觉自己好菜、面试很难，还是要多多练习，感觉自己说不明白业务逻辑1.在 Agent 多轮对话任务中，你觉得 Attention 的局限性体现在哪些方面？2.简要介绍一下 SFT 的核心流程以及数据集的构建策略。3.SFT 之后常见的 Post-Training 还有哪些？它们之间的目的有何区别？4.什么是 RAG？它是怎么提升生成质量的？5.与传统的检索 + 模型生成的流程有什么不同？6.如何评估一个 RAG 系统是否有效？7.PPO 和 DPO 在大模型对齐中的主要区别是什么？8.DPO 训练通常有哪些注意事项？9.项目里的 Modular Agent，你能讲讲它是如何实现多步规划的吗？10.项目提到了多个工具调用链路，调度策略是如何设计的？11.是否设计过异常 fallback 策略？12.Agent 的评估体系通常包括哪些维度？13.项目中微调 Qwen 时，选择的训练阶段是如何确定的？14.Prompt 自动推荐模块用了哪些优化策略？

给我面没招了，发点面经攒攒人品～1*当大模型产生错误回答或幻觉时，在工程和算法层面有哪些规避手段？2* 描述 Transformer Decoder 的完整解码流程。3* KL 散度的数学意义是什么？在模型对齐（如 PPO/DPO）中起什么作用？4* MoE架构的具体实现原理是什么？路由（Router）是如何工作的？5* 面对模型在生成过程中出现循环、重复回答的问题，有哪些解决办法？6* BM25 算法的数学原理是什么？它相比于简单的 TF-IDF 有哪些改进？7* Agent 系统中的LangGraph是如何搭建的？其 Memory 组件的工作机制是怎样的？8* 如果单次生成的任务量远大于模型的 Max Tokens 限制，如何实现断点继续生成？9* Transformer 中 Attention 的本质是什么？请从数学角度解释。10* 为什么在计算 Attention 时需要进行Scaling11* Self-Attention 和 Cross-Attention 在作用和输入来源上有什么区别？12* 面对极长序列Attention 的 O(L^2) 复杂度问题目前有哪些主流解决方案？13* 在 Agent 多轮对话任务中，Attention 机制的局限性体现在哪些方面？14* 为什么模型在长上下文对话中容易出现“信息遗忘”？有哪些缓解机制？15* 介绍 SFT的流程，以及如何构建高质量、多样化的数据集？16* 在什么业务场景下，必须引入 RLHF 或 DPO 这种偏好对齐技术？17* MinerU 在解析复杂的工业文档（如图文混排）时，具体的处理逻辑是怎样的？18* 在多模态检索中，文本和图片是如何映射到同一个统一向量空间的？19* Ragas 评测框架中的 Faithfulness 和 Answer Relevance 指标的具体计算逻辑是什么？20* 相比于 LangChain，LangGraph 在处理循环任务和状态管理上有哪些优势？21* LangGraph 的状态快照机制是如何实现任务回溯和持久化的？

#JAVA##JAVA面经##JAVA内推# 1. 你在 OJ 项目中使用 Docker 部署时，是如何保证容器启动顺序和服务依赖的？ 回答思路：   核心问题锚定：解决「依赖服务未启动完成，当前容器启动失败」的问题，核心是「控制启动顺序+健康检查」； 分层拆解方案：  方案1（基础）：使用 docker-compose 的 depends_on 配置启动顺序（如先启动MySQL、Redis，再启动OJ核心服务），但需补充：depends_on 仅保证启动顺序，不保证服务就绪； 方案2（关键）：在应用启动脚本中增加「健康检查逻辑」（如轮询MySQL端口/执行测试SQL，直到返回成功），确保依赖...

发一下问题给大家参考，攒攒人品！有面试过同岗的朋友欢迎评论区交流1.实习拷打2.项目拷打3.处理查询文档里的异构数据(如图片)时，具体的处理流程是什么?解析成纯文字后如何进一步加工?这样只返回文字给用户，图片信息不会丢失吗?4.你们是通过人工打标建立图片和文本的对应关系吗?文档量很大的情况下，打标工作能完成吗?5.如何保证大部分图片异构数据解析后回答的正确性?若回答错误，怎么识别问题?后续要验证回答准确性，你有什么方案?6.用于评测的另一个大模型，如何构造问题、分析文字并进行对比?这个大模型的正确率以及模型自我一致性怎么确定?7.你们的模型基于哪些异构图像做增强?模型会不会产生幻觉，生成文档外的内容?8.若用户的问题不在文档里，你们会怎么处理?是调用其他模型吗?大模型回答不了时，会提示用户补充问题吗?用户补充后仍无法解决该怎么办?模型如何判断何时需要让用户补充提问?9.你们有框架编排这些流程吗?用的是什么框架?10.怎么理解检索召回率?这些指标具体包含哪些评价项?什么是忠实度?召回率的分子分母是怎么定义的?11.你之前那段实习的具体工作内容是什么?针对设备故障叙述报告这类复杂文本，模型如何理解?是做了相关检测吗?大模型是怎么实现术语解释的?12.请讲一下LoRA技术，除了减少参数量，它还有什么优点?你做的LoRA相关工作，后续有落地应用吗?13.你写代码主要用Python吗?会不会用Java?了解Java的多线程、双亲委派模型以及消息中间件吗?有没有做过Java相关项目?

给我面没招了，感觉自己好菜、面试很难，还是要多多练习1，介绍RAG流程；介绍对编码模型的了解、原理、优缺点；如何评估编码模型的能力2，RAG有哪些分类；多模态RAG有哪些实现框架；伪多模态RAG和多模态RAG分别怎么实现，有什么区别；CLIP可以用于哪一类多模态RAG，为什么3，RAG怎么评估，RAG评估体系中最重要的是什么4，传统RAG有什么痛点；介绍GraphRAG，GraphRAG的难点是什么；GraphRAG如何应对增量场景5，介绍微调负责的工作；大模型微调最重要的是什么6，后训练有哪些方式；微调有哪些方式，分别是怎么做的；LoRA原理及参数量7，介绍DPO；DPO与PPO的区别8，介绍一些Agent的实现框架；这些框架有什么区别；LangGraph适用于什么场景；LangGraph构建Agent的方式有哪几种9，我这里有个场景，就是客户输入一个软件或网页界面截图，怎么通过RAG的方式帮助用户了解界面的每一个组件的作用，输入输出自己定义；相似的组件如图片框和视频框怎么去区分10，算法题：2n+1个数，两两成对，找出单独的那个数

攒人品中，祝大家都能拿到满意的Offer！1.Transformer中Attention的本质是什么？你能从数学角度简要解释一下吗？2.在Agent多轮对话任务中，你觉得Attention的局限性体现在哪些方面？3.简要介绍一下SFT的核心流程，以及数据集的构建策略，SFT之后常见的Post-Training还有哪些？它们之间的目的有何区别？4.什么是RAG，它是怎么提升生成质量的？与传统检索＋模型生成的流程有何不同？如何评估一个RAG系统是否work的？5.PPO和DPO在大模型对齐中的主要区别是什么？DPO训练通常有哪些注意事项？用过GRPO么？6.项目里的Modular Agent，你能讲讲它是如何实现多步规划的吗？7.项目提到了多个工具调用链路，调度策略是如何设计的？是否有异常fallback策略？8.Agent评估体系包括哪些维度？如何衡量planning能力 vs hallucination rate？9.项目里微调Qwen，选择的训练阶段和Loss函数是如何决定的？10.Prompt自动推荐模块用了哪些优化策略？有没有尝试过Prompt压缩或embedding表示的方式？11.场景题：假如一个Agent 推理链路包含3个工具+高频请求，系统整体延迟较高，你会如何优化？12.代码：岛屿数量