时间 11.14   15：40岗位ai工程研发工程师base长沙约的15点45，我提前5分进的，就开始面了，首先介绍面试流程1.  自我介绍（1分钟）2. 实习经历的个数已经实习时长3. 是否使用ai写demo(回答参加了七牛云的ai比赛，然后就是问做了什么)4. 使用了那些ai工具以及经常使用哪个5. 平常如何使用ai分析需求6. hashmap 1.7与1.8的区别 （这里慌了，忘了怎么回答就乱扯了，后面在面试官引导下回答出来了）7. hashmap的链表插入，已经解决什么问题8. arraylist与linkedlist的区别以及应用场景9. synchronize与reentranlock的区别10 线程池的参数以及执行流程11  submit与execute的区别12  接口与抽象类的区别13  接口继承相关问题14 spring aop的理解与应用场景15 spring  bean的生命周期16 aop对象什么时候获取的17 autowire与resource的区别，以及更推荐那个，为什么18 mysql事物隔离级别以及分别解决了什么问题19 如何查看执行计划以及重点需要看哪几列（最重要的type没打出来）20  索引失效场景  （使用in会吗）21 介绍一下策略模式以及在项目中如何使用的（面试官看项目里有才问的）22 myisam与innodb的区别23  如何防止sql注入（一开始不记得mybaits如何保证的了，面试官说重新回答，然后就想起来了）24  redis如何实现分布锁以及会出现什么问题25 如果一个业务时间长，缓存短怎么办（面试官让我后面看看redisson的实现原理，其实就是用个看门狗就行）26 如何保证缓存与数据库数据一致27 缓存删除失败怎么办（面完感觉就是面试官在引导我说用锁实现一致）28 反问面试官环境比较嘈杂，看样子在工位上，体验一般，时间25分钟左右

时长：20分钟面试：1. 自我介绍2. 共享展示如何找投机推理的最新技术最快面试记录

一面（约60分钟）面试官从两道SQL题切入：第一题要求计算在指定日期登录的用户与其上次登录间隔的天数；第二题需将商品按销售额降序排列，并将前10%标记为第一档，依次类推。随后对简历中的项目进行了深入追问，延伸探讨了实习中未曾细究的细节，具有一定挑战性。二面（约45分钟）本轮聚焦业务逻辑与实际问题解决能力：首先围绕一个项目展开，重点询问实施中的难点、卡点及最具挑战的部分；随后完成两道SQL题，包括统计连续登录超过三天的用户数量，以及计算每个用户最近30天内登录时间间隔的平均值；接着是一道费米估算题，要求估算一个城市每日的咖啡销量；最后探讨了电商平台应重点关注哪些指标。三面（约30分钟）此轮侧重软技能与岗位适配度：从自我介绍入手，重点考察对实习业务的理解程度，期待候选人能超越执行层面对业务进行思考；询问了跨团队沟通中出现问题时的应对策略；同时也坦诚交流了工作强度、地域适应性以及与朋友工作时间差异等现实问题。整体体验面试官均展现出专业与耐心，对未掌握的内容会逐步引导，整体沟通体验良好。建议后续面试者重点准备SQL连续类问题、业务场景题以及项目的深度思考与表达。

ai岗  一面  45min1. hashmap扩容机制和重新哈希流程\GET\PUT2. hashmap线程安全吗? 讲讲ConcurrentHashMap?3. 其它的并发安全容器?4. 线程池参数和任务提交过程? 拒绝策略?5. 项目中哪里用到线程池? 讲一下使用场景6. 线程池使用场景题? 参数怎么设置7. io流? BIO\NIO\AIO8. 讲一下AQS?9. AQS的实现类? RenntrantyLock怎么实现?10. 非公平锁和公平锁了解吗?11. 那个性能更高?  为什么?(我说需要维护队列信息, 面试官不满意)12. 事务的隔离级别? 如何实现?13. 事务的传播级别? (只记得两个)14. 项目拷打?15. 项目场景: 如何不重启项目, 动态增加奖品(我说通过MQ监听Mysql的Binlog日志, 面试官不满意)15. Spring/SpringMVC/SpringBoot 常用注解16. ai项目拷打反问面的时候很紧张, 回答得磕磕巴巴, 几个场景题直接给我打蒙, ai项目没给他讲明白, 八股基本全是JUC, Redis/JVM一点没问, 估计是挂了

📍面试公司：数字马力🕐面试时间：11.14💻面试岗位：AI应用开发❓面试问题：1.自我介绍2.实习说明3.怎么实现AI在特定领域表现（提示词工程）4.RAG相关流程5.应用场景，怎么实现对个人简历技能部分的解析（ocr 工具+ 文本模型 or 多模态）6.Temperature, TopK, TopP（top_p没怎么了解）简历八股部分，基本是面试官提一个点，然后开始大段吟唱7.多线程（创建，线程池，原理）8.MySql（索引，聚簇与非聚簇，b+树，回表）9.微服务（我简历上没写，回答学过，涉及不深入，只问服务之间怎么调用的，回答dubbo,grpc）反问环节答得怎么样，回答基础很扎实进...

1.统计特征有哪些2.特征嵌入位置，分析效果好的原因3.冷启动怎么做的保量4.问问上线的搜参工具5.怎么验证SID质量，讲讲四种方法6.有哪些关键的调参7.QWEN项目的动机和场景是什么8.成本降低是怎么算的9.冷启动项目用了哪些特征10.讲讲论文的动机和三个创新点八股：1.激活函数的作用2.讲讲梯度爆炸和梯度消失3.知道的embedding方法4.过拟合怎么办手撕：判断是否是丑数反问：1.业务和水线？搜索后的推荐排序2.是否做生成式

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，场景题：客户输入一个软件或网页界面截图，如何通过RAG的方式帮助用户了解界面的每一个组件的作用（？？？说实话没太听懂），输入输出自己定义；相似的组件如图片框和视频框如何区分10，算法题：2n+1个数，两两成对，找出单独的那个数

一开始介绍项目，了解在项目中负责的工作，对细节适当提问。然后着重考察大模型训练和微调的原理1，介绍在项目中负责的工作；RAG怎么优化和评估2，生成模型选择什么，跟其他模型对比3，模型预训练和微调有什么区别4，预训练是怎么做的，输入是什么，怎么训练5，微调的输入是什么，和推理的输入有什么区别6，输入样本在训练前需要做哪些处理；训练损失如何计算7，批量训练怎么实现的，样本间长度不一怎么解决8，大模型训练时采用什么padding方式，为什么9，算法题：滑动窗口最大值

1，介绍RAG流程，分段有没有做优化；编码模型和重排模型用了什么；Qwen3系列和bge系列的原理，Qwen3系列编码模型是怎么训练的2，RAG怎么评估，用了哪些指标；RAGAS有哪些指标，为什么不直接用库3，Agent的思想是什么，Agent包含哪些部分；介绍DeepResearch；介绍Agent怎么做任务规划和问题分解4，SFT数据集怎么构建，问题不够多样化怎么解决5，介绍LoRA原理；LoRA分支怎么初始化，为什么这么做6，self-attention公式；为什么要scaling7，介绍KV Cache；vllm是怎么加速推理8，RLHF，介绍PPO，包含多少个模型；GRPO与PPO的区别；GRPO的缺点；介绍GSPO

1.实习项目介绍2.项目具体内容1.分块，如何写入2.embedding维度(老师说1024不具有性价比512就够了)3.数据库索引是什么?(我用的默认的)4.为什么做rlhf?5.rag的评价指标3 八股(强化学习问的很细)1.dpo、ppo、grpo2.价值模型和奖励模型的区别3.奖励需要可微吗(不需要，在强化过程中奖励模型不改变)4.对于 ppo来说什么是 action，整个输出叫什么?4代码题手撕tokenizer不会，给我换了个leetcode的反转链表

1.实习介绍2.项目介绍+拷打(主要是数据来源，数据构造方式，分块过程，rag流程，检索方式，涉及到的每个步骤的原理，transformer、dpo，如何评测的,如果是多轮message怎么作mask的)3.八股1.transformer架构、ffn层是干嘛的，它的架构(为什么先升维再降维)2.注意力机制的类型(mha，mqa，gqa，mla)各自的优缺点3.PPO、DPO、GRPO各自优缺点4.SFT损失及其公式4.代码题手撕多头自注意力机制

时长：50分钟面试：1. 自我介绍2. 介绍GAPO3. 项目中输入的token数量4. deepseek 里面有哪些技术印象深刻5. vllm 相关细节6. kv cache一些问题手撕：前k个高频元素给你一个整数数组 nums 和一个整数 k ，请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。最后时刻手撕了出来反问：1. 岗位具体的业务面试官人超级好，还一起讨论代码哪里错了

📳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。

一面: 1.介绍项目+追问项目一些细节2.问项目方法具体原理(有没有改变模型结构比如加全连接层)3.问到你这个方法在没有大模型之前是怎么做的4.prompt微调怎么平衡recall和precision5.问机器学习的一些基础概念6.大模型幻觉问题7.有没有遇到Agent编造不存在工具的情况怎么解决的8.大模型有哪些位置编码，ROPE的优势?9.智力题:两个沙漏计时二面:1.项目怎么做的2.讲一下大模型从头到尾的训练过程3.SFT怎么进行的有没有用什么加速训练的方法4.问LORA原理5.RAG的知识库是怎么构建的，知识库长什么样子6.RAG的检索是怎么做的场景题:给了一个业务场景要求设计一个方法去解决(从数据、模型的角度分别讲的)你怎么理解Agent和Ilm的区别无手撕

时长：45分钟面试：1. 自我介绍2. 友好交流手撕：给一个字符串把所有空格移动到最后，不改变字符顺序

一面: 1.面试官对实验室的横向项目完全不感兴趣，对前一段实习项目兴趣比较大2.详细问了实习项目的细节3.之前实习做过用户画像这一块，与现在面试的岗位工作职责有交叉，于是详细问了这一部分是怎么做的4.问之前实习的Agent的设计逻辑，问创新方法的实现5.问Agent的工具tool的设计，是否是workflow形式6.问数据的输入输出格式如何保证大模型输出稳定的json做了哪些工作无八股7.手撕-合并两个有序链表二面1.简单介绍了项目后面试官问有什么想跟他分享的于是我详细展开介绍了两个项目2.因为实习项目涉及到广告算法，所以问觉得在广告领域用大模型和传统的广告算法相比优缺点是什么3.关于Agent的优缺点和发展前景这一块与面试官一起做了一些讨论4.然后详细介绍了他们的业务背景，表示一面面试官对我的评价很好，很希望我能去无八股5.手撕-力扣简单题-二分查找完全平方数

二面 1.先介绍项目2.问了一些关于项目背景的问题问一些微调时候的显卡、参数设置，问的很细3.显存计算4.问几个强化学习方法，DPO、PPO、GRPO、DAPO等以及顺道提了一嘴看的一些别的公司的强化学习改进方法(这里因为之前别的面试被拷打的很深，所以私底下认真的看了每一篇论文从原理到公式到数据形式，甚至动手用trl verl试了一遍，所以回答的特别细致)5.因为提到用过verl所以详细问了一下verl6.手撕-力扣中等难度题-698划分为k个相等的子集

一面:30min1.介绍项目问项目细节2.问了transformer原理3.DPO PPO GRPO4.KV Cache原理5.为什么需要KV Cache，为什么提出来的时候没火后来火了6.问服务器是本地服务器还是云服务器7.问服务器是什么系统，说Linux系统，问了一些常见的Linux命令8.问项目里数据是什么格式，答json，问了一些python里json9.文件的读写命令是什么(追问一些实操无手撕二面:自我介绍+项目提问项目里的一些细节无八股 很快结束

1.实习介绍2.拷打项目3.RAG中如何处理非结构化知识与结构化知识的混合检索？4.在金融业务中，像“杠杆”、“对冲”等许多术语都存在歧义性。你如何在 RAG 中实现术语的准确消歧？5.你认为RAG 是大模型能力的一种补偿手段还是主流范式？未来还会存在吗？6.如何控制Agent生成的内容在业务上规避风险，比如合规和隐私之类的？7.Agent 执行链中失败重试会导致长尾耗时，你如何优化策略以控制 SLA？8.LoRA 微调时哪些层是可以不冻的？为什么有时候逐层解冻效果更好？9.如何部署一个高并发低延迟的大模型 API 服务？10.你觉得通用大模型和垂类小模型之间最终会形成怎样的分工？哪个更适合企业落地？